研究背景与意义
热光伏（TPV）系统可将红外热辐射直接转化为电能，是零碳、高效的能量转换技术，但受限于发射器光谱与光伏电池外量子效率（EQE）严重失配，实际效率远低于理论极限（85%）。传统正向设计依赖专家经验、手动调参，难以在高维参数空间中找到全局最优结构，尤其当材料、波段、几何复杂性增加时几乎失效。
逆向设计（给定目标光谱，自动输出最优几何）是突破瓶颈的关键，但现有深度学习方法（如GAN、VAE）存在训练数据需求量大（动辄10⁴–10⁵条）、模式崩塌、缺乏可解释性等问题，严重限制其在复杂光子器件设计中的应用。
如何以极低数据成本实现高性能、可迁移的逆向设计，成为热光伏领域亟待解决的核心难题。
核心突破：归一化流（Normalizing Flow）+先验重塑（Prior Reshaping）
南京大学超导电子学研究所范克彬副教授、金飙兵教授团队联合杜克大学Willie J. Padilla教授，首次将归一化流（NF）引入热光伏发射器逆向设计，结合自主提出的先验重塑（PR）算法，实现数据高效、可解释、可迁移的高性能逆向设计（图1c）。
关键创新点：
1. 归一化流建模：将逆向设计转化为条件概率分布学习，通过可逆神经网络精确学习设计参数与光谱的映射，支持精确似然优化，避免GAN/VAE的模式崩塌（图2c）。
2. 先验重塑算法：无需重新生成数据，仅通过权重指数衰减（w=e⁻ᵅᵈ）动态调整训练数据分布，使模型聚焦于目标光谱附近的高潜力参数空间（图2a-b，图6）。
3. 迁移学习验证：在GaSb发射器（0.5–2.5 μm，Nb材料）上训练后，仅用5%新数据微调，即可成功设计GaInAsSb发射器（1–4 μm，W材料），性能相当（图4）。
实验验证与极致性能
1. GaSb发射器（Nb基）：带内发射效率达98.8%，带外发射仅占总发射的7.8%（图3）。
2. GaInAsSb发射器（W基，迁移学习）：仅800条数据（原数据量的5%），带内效率高达99.7%，带外发射仅占5.7%（图4c）。
3. 数据效率革命：传统方法需1.7万条数据，NF+PR仅需数千甚至数百条即可媲美甚至超越。
科学意义与应用前景
1. 方法论突破：首次将归一化流+先验重塑用于光子学逆向设计，提供数据高效、可解释、可迁移的新范式。
2. 性能指标领先：带内效率近99%，显著逼近理论极限，远超传统正向设计。
3. 应用潜力巨大：
高效热光伏：大幅提升系统转换效率，助力碳中和。
宽带光子器件：可推广至滤波器、天线、吸收器等复杂结构设计。
跨领域迁移：仅需少量新数据即可适配新材料、新波段，极大降低设计成本。
未来可结合主动学习进一步将数据需求降至百条量级。
图文导读
图1：热光伏系统与归一化流逆向设计框架
(a) 热光伏发射器示意图（超胞含4个子单元）。(b) 超胞控制参数（B样条平滑）。(c) 归一化流模型：双向精确映射设计参数x与潜在变量z。
图2：先验重塑算法与训练流程
(a) 原始先验分布。(b) 重塑后聚焦目标附近。(c) 结合PR的NF训练流程。
图3：GaSb发射器设计结果（Nb基）
(a) 预测发射谱（红）与归一化EQE目标（蓝）高度吻合，MSE仅0.0114。(b) 1900 K下归一化发射率与黑体辐射完美匹配，带内效率98.8%。
图4：迁移学习设计GaInAsSb发射器（W基）
(a) 迁移学习流程。(b) 仅800条数据，迁移学习MSE显著优于从零训练。(c) 预测谱与目标吻合，1600 K下带内效率99.7%。
图5：潜在变量对设计参数与光谱的影响分析
揭示NF模型如何通过解耦潜在变量高效探索高维参数空间。
图6：先验重塑超参数τ的影响
τ=10时获得最佳MSE，证明PR算法有效平衡探索与利用。
论文信息
成果以“Normalizing Flows for Efficient Inverse Design of Thermophotovoltaic Emitters”为题，发表于光子学领域顶级期刊《ACS Photonics》（影响因子7.0）
文献来源
Jia-Qi Yang, YuCheng Xu, Kebin Fan*, Jingbo Wu, Caihong Zhang, De-Chuan Zhan, Biao-Bing Jin*, Willie J. Padilla. “Normalizing Flows for Efficient Inverse Design of Thermophotovoltaic Emitters” ACS Photonics 2023, 10, 3778–3787