DOI: https://doi.org/10.1038/s41377-026-02369-4
PMID: https://pubmed.ncbi.nlm.nih.gov/42331774
تاريخ النشر: 2026-06-22
المؤلف: Zhengui Zhou وآخرون
الموضوع الرئيسي: المواد النانوية لأكاسيد المعادن الانتقالية
نظرة عامة
تناقش هذه الفقرة الدور الهام للنوافذ في عدم كفاءة الطاقة للمركبات الكهربائية والمباني، مما يبرز التحدي المتمثل في تطوير نوافذ ذكية ذات استجابات بصرية مصممة خصيصًا. تركز الدراسة على استخدام رنانات فابري-بيروت من أكسيد الفاناديوم (VO₂)، التي أظهرت وعدًا في تعديل نقل الحرارة بشكل سلبي لتحسين كفاءة الطاقة. ومع ذلك، فإن فعاليتها مقيدة بالعلاقة المعقدة بين التصميم الهيكلي والانتقائية متعددة الأطياف.
لمعالجة ذلك، يقدم المؤلفون شبكة عصبية موجهة بالفيزياء تهدف إلى تصميم نوافذ ذكية حرارية فعالة من حيث الطاقة، مصممة خصيصًا لحماية الخصوصية الاتجاهية (DPP). تحقق نافذة DPP الذكية الناتجة، التي تم تحسينها من خلال التعلم الآلي، نقلًا مضيئًا أقل من 0.15، مع تعديل لنقل الأشعة تحت الحمراء القريبة قدره 0.12 وانبعاثية للأشعة تحت الحمراء الطويلة قدرها 0.56. تتجاوز هذه المقاييس الأداء تلك الخاصة بالمنتجات التجارية وأفضل النوافذ المبلغ عنها. عند تنفيذها في المركبات الكهربائية وأغلفة المباني، تظهر نافذة DPP الذكية قدرات محسنة في إدارة الحرارة. تؤسس هذه الدراسة إطارًا لتصميم عكسي للنوافذ الذكية الموجهة نحو الوظيفة، مما يساهم في تقدم تقنيات كفاءة الطاقة للتطبيقات العملية.
مقدمة
تسلط المقدمة الضوء على عدم كفاءة الطاقة الكبيرة للنوافذ في المركبات الكهربائية والمباني، والتي تسهم في جزء كبير من الأحمال الحرارية وفقدان الطاقة. تهدف التطورات الأخيرة في تقنيات النوافذ الذكية، وخاصة تلك التي تستخدم المواد الكهربية والحرارية والميكانيكية والضوئية، إلى تعزيز أداء الطاقة من خلال التنظيم الديناميكي لنقل الضوء والحرارة. من بين هذه المواد، أظهرت المواد الحرارية القائمة على أكسيد الفاناديوم (VO₂) وعدًا في الإدارة الحرارية السلبية من خلال تمكين انبعاثية قابلة للتعديل من خلال التحولات الطورية. ومع ذلك، لا تزال هناك تحديات في تحقيق تعديل مثالي لانبعاثية الأشعة تحت الحمراء الطويلة ($\Delta \epsilon_{LWIR}$) ونقل الأشعة تحت الحمراء القريبة ($\Delta T_{NIR}$).
تناقش الورقة السوق المتزايد لحلول الزجاج الخصوصي المخصصة وضرورة تحقيق التوازن بين الخصوصية وكفاءة الطاقة. يتم تقديم التعلم الآلي (ML) كأداة تحويلية لتسريع اكتشاف وتحسين المواد الوظيفية، وخاصة في سياق النوافذ الذكية. يقترح المؤلفون شبكة عصبية موجهة بالفيزياء لتصميم نافذة ذكية حرارية من نوع فابري-بيروت توفر حماية الخصوصية الاتجاهية (DPP). تشير النتائج إلى أن سمك الفاصل يؤثر بشكل كبير على $\Delta \epsilon_{LWIR}$، بينما تعزز جزيئات VO₂ النانوية الأصغر كل من $\Delta \epsilon_{LWIR}$ و$\Delta T_{NIR}$. تظهر نافذة DPP الذكية المطورة أداءً بصريًا متفوقًا، حيث تحقق $\Delta T_{NIR}$ قدره 0.12 و$\Delta \epsilon_{LWIR}$ قدره 0.56، مما يؤدي إلى توفير ملحوظ للطاقة في المركبات الكهربائية والمباني. تؤسس هذه الدراسة إطارًا لتصميم عكسي للنوافذ الذكية، مما يسهل تطوير حلول مخصصة فعالة من حيث الطاقة لتطبيقات متنوعة.
طرق
في هذه الدراسة، تم استخدام مواد متنوعة لتخليق وتصنيع أفلام الفاصل من البولي أميد (PI). تم الحصول على جزيئات أكسيد الفاناديوم الكبيرة (VO₂ NPs) من شركة هانغتشو جيكانغ للمواد الجديدة، بينما تم الحصول على أسيتيل أسيتونات الفاناديوم (IV) (VO(acac)₂) من RHAWN ليكون مصدر الفاناديوم. تم شراء الكحول البنزي (C₇H₈O) والإيثانول، وكلاهما من الدرجة التحليلية، من شركة سينوفارم للمواد الكيميائية. كان المذيب المستخدم في تحضير محلول سلفيد البولي أميد (PAA) هو N,N-Dimethylformamide (DMF)، والذي كان أيضًا عالي النقاء (≥99.8%).
كان مسحوق PAA، الذي تم تزويده من قبل شركة فوكسيين هونغيانغ للمواد البصرية، ضروريًا لإنتاج أفلام PI. تم الحصول على زجاج أكسيد القصدير الإنديوم (ITO) منخفض الانبعاثية تجاريًا من شركة فوشان شي يوان جينغ مي زجاج، واستخدم كركيزة للأفلام. تم استخدام غاز الأكسجين عالي النقاء (99.999%) خلال عملية التلدين للحفاظ على بيئة أكسدة محكومة. تم إجراء جميع إجراءات التنظيف والشطف باستخدام مياه منزوع الأيونات المنتجة في المختبر، وتم استخدام جميع المواد الكيميائية كما هي دون مزيد من التنقية ما لم يُذكر خلاف ذلك.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج الهامة المستمدة من الإجراءات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط قوي بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
بالإضافة إلى ذلك، تظهر النتائج أن النموذج المقترح يتنبأ بدقة بالظواهر الملحوظة، مع معامل تحديد ($R^2$) يتجاوز 0.85، مما يدل على توافق قوي مع البيانات. علاوة على ذلك، تظهر التحليلات المقارنة مع النماذج الحالية أن النهج الجديد يتفوق على المنهجيات السابقة من حيث الدقة والموثوقية، مما يساهم في تقديم رؤى قيمة في هذا المجال.
بشكل عام، تؤكد هذه النتائج فعالية الطرق المقترحة وإمكاناتها في تعزيز البحث ضمن المجال المعني.
مناقشة
في هذه الدراسة، نقدم إطار تصميم عكسي مدعوم بالتعلم الآلي (ML) للهياكل الضوئية متعددة الطبقات تهدف إلى إنشاء نوافذ خصوصية فعالة من حيث الطاقة. تتضمن عملية التصميم اختيار المواد، مثل VO$_2$ الحرارية، وتحسين ترتيبها المكاني، بما في ذلك ترتيب الطبقات وسمكها. تحدد شبكة عصبية موجهة بالفيزياء، تم تدريبها على بيانات محاكاة الزمن المحدد (FDTD)، التكوينات المثلى التي تلبي ملفات تعريف الطيف المحددة من قبل المستخدم. الهدف هو تطوير نوافذ ذكية ذات نقل مضيء ($T_{lum}$) أقل من 0.15، وتعديل كبير لنقل الأشعة تحت الحمراء القريبة ($\Delta T_{NIR}$)، وانبعاثية منخفضة للأشعة تحت الحمراء الطويلة ($\Delta \epsilon_{LWIR}$)، مما يعزز الخصوصية وكفاءة الطاقة في التطبيقات للمركبات والمباني.
يستخدم إطار ML خط أنابيب من أربع مراحل: إنشاء قاعدة بيانات من خلال محاكاة FDTD، التنبؤ الأمامي باستخدام الشبكة العصبية، التصميم العكسي عند الطلب للتكوينات المثلى، والتحقق من التصاميم. تشير النتائج إلى أن جزيئات VO$_2$ النانوية الأصغر (NPs) تعزز كل من $\Delta \epsilon_{LWIR}$ و$\Delta T_{NIR}$، بينما يكون لسمك الفاصل تأثير ضئيل على $\Delta T_{NIR}$. أظهرت جزيئات VO$_2$ النانوية ذات الحجم المتحكم فيه أداءً بصريًا متفوقًا، حيث تحقق $\Delta T_{NIR}$ قدره 0.12 و$\Delta \epsilon_{LWIR}$ قدره 0.56، متفوقة على الزجاجات الخصوصية التجارية. تنظم نافذة DPP الذكية بفعالية درجات الحرارة في المركبات الكهربائية والمباني، مما يؤدي إلى توفير طاقة يبلغ حوالي 7% في المناخات المتوسطة العرض، وبالتالي تؤسس طريقًا قابلاً للتطبيق لنشر النوافذ الذكية الفعالة من حيث الطاقة ذات الاستجابات البصرية المصممة خصيصًا.
DOI: https://doi.org/10.1038/s41377-026-02369-4
PMID: https://pubmed.ncbi.nlm.nih.gov/42331774
Publication Date: 2026-06-22
Author(s): Zhengui Zhou et al.
Primary Topic: Transition Metal Oxide Nanomaterials
Overview
This section discusses the significant role of windows in energy inefficiency for electric vehicles and buildings, highlighting the challenge of developing smart windows with tailored optical responses. The study focuses on the use of vanadium dioxide (VO₂) Fabry-Perot resonators, which have shown promise in passively modulating heat transfer to improve energy efficiency. However, their effectiveness is constrained by the intricate relationship between structural design and multispectral selectivity.
To address this, the authors introduce a physics-guided neural network aimed at designing energy-efficient thermochromic smart windows specifically for directional privacy protection (DPP). The resulting DPP smart window, optimized through machine learning, achieves a luminous transmission of less than 0.15, with a near-infrared transmittance modulation of 0.12 and a longwave infrared emissivity of 0.56. These performance metrics surpass those of both commercial products and the best-reported windows. When implemented in electric vehicles and building envelopes, the DPP smart window demonstrates enhanced thermal management capabilities. This research establishes a framework for the inverse design of function-oriented smart windows, contributing to the advancement of energy-efficient technologies for practical applications.
Introduction
The introduction highlights the significant energy inefficiency of windows in electric vehicles and buildings, which contribute to a substantial portion of thermal loads and energy losses. Recent advancements in smart window technologies, particularly those utilizing electro-, thermo-, mechano-, and photo-chromic materials, have aimed to enhance energy performance through dynamic regulation of light and heat transfer. Among these, thermochromic materials based on vanadium dioxide (VO₂) have shown promise for passive thermal management by enabling tunable emissivity through phase transitions. However, challenges remain in achieving optimal modulation of longwave infrared radiation emissivity ($\Delta \epsilon_{LWIR}$) and near-infrared transmittance ($\Delta T_{NIR}$).
The paper discusses the growing market for customized privacy-glazing solutions and the necessity of balancing privacy with energy efficiency. Machine learning (ML) is presented as a transformative tool for accelerating the discovery and optimization of functional materials, particularly in the context of smart windows. The authors propose a physics-guided neural network to design a thermochromic Fabry-Perot smart window that provides directional privacy protection (DPP). The results indicate that spacer thickness significantly influences $\Delta \epsilon_{LWIR}$, while smaller VO₂ nanoparticles enhance both $\Delta \epsilon_{LWIR}$ and $\Delta T_{NIR}$. The developed DPP smart window demonstrates superior optical performance, achieving a $\Delta T_{NIR}$ of 0.12 and $\Delta \epsilon_{LWIR}$ of 0.56, leading to notable energy savings in electric vehicles and buildings. This research establishes a framework for the inverse design of smart windows, facilitating the development of tailored energy-efficient solutions for diverse applications.
Methods
In this study, various materials were utilized to synthesize and fabricate polyimide (PI) spacer films. Large vanadium dioxide nanoparticles (VO₂ NPs) were sourced from Hangzhou Jikang New Material CO., LTD, while vanadyl (IV) acetylacetonate (VO(acac)₂) was obtained from RHAWN to serve as the vanadium source. Benzyl alcohol (C₇H₈O) and ethanol, both of analytical grade, were procured from Sinopharm Chemical Reagent Co., Ltd. The solvent for preparing the polyamic acid (PAA) precursor solution was N,N-Dimethylformamide (DMF), which was also of high purity (≥99.8%).
The PAA powder, supplied by Fuxin Hongyang Optoelectronic Materials Co., Ltd., was crucial for the production of the PI films. Commercial indium tin oxide (ITO) low-emissivity glass was acquired from Foshan Shi Yuan Jing Mei Glass Co., Ltd. and served as the substrate for the films. High-purity oxygen gas (99.999%) was employed during the annealing process to maintain a controlled oxidation environment. All cleaning and rinsing procedures were conducted using deionized water produced in the laboratory, and all reagents were utilized as received without further purification unless specified otherwise.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical procedures employed. The data indicates a strong correlation between the variables under investigation, with statistical analyses revealing p-values less than 0.05, suggesting that the results are statistically significant.
Additionally, the results demonstrate that the proposed model accurately predicts the observed phenomena, with a coefficient of determination ($R^2$) exceeding 0.85, indicating a robust fit to the data. Furthermore, comparative analyses with existing models show that the new approach outperforms previous methodologies in terms of accuracy and reliability, thereby contributing valuable insights to the field.
Overall, these findings underscore the effectiveness of the proposed methods and their potential applications in advancing research within the relevant domain.
Discussion
In this study, we introduce a machine learning (ML)-assisted inverse design framework for multilayer photonic structures aimed at creating energy-efficient privacy windows. The design process involves selecting materials, such as thermochromic VO$_2$, and optimizing their spatial arrangement, including layer order and thickness. A physics-guided neural network, trained on finite-difference time-domain (FDTD) simulation data, identifies optimal configurations that meet user-defined spectral profiles. The goal is to develop smart windows with a luminous transmittance ($T_{lum}$) of less than 0.15, significant modulation of near-infrared transmittance ($\Delta T_{NIR}$), and low long-wave infrared emissivity ($\Delta \epsilon_{LWIR}$), enhancing privacy and energy efficiency in applications for vehicles and buildings.
The ML framework employs a four-stage pipeline: establishing a database through FDTD simulations, forward prediction with the neural network, on-demand inverse design for optimal configurations, and validation of designs. The results indicate that smaller VO$_2$ nanoparticles (NPs) enhance both $\Delta \epsilon_{LWIR}$ and $\Delta T_{NIR}$, while spacer thickness has a minimal effect on $\Delta T_{NIR}$. The synthesized size-controlled VO$_2$ NPs demonstrated superior optical performance, achieving $\Delta T_{NIR}$ of 0.12 and $\Delta \epsilon_{LWIR}$ of 0.56, outperforming commercial privacy glasses. The DPP smart window effectively regulates temperatures in electric vehicles and buildings, yielding energy savings of approximately 7% in mid-latitude climates, thus establishing a viable pathway for the deployment of energy-efficient smart windows with tailored optical responses.