当 AI for Science 进入材料与传感交叉领域，真正有分量的突破，往往不只是“把算法加进去”，而是能否从材料设计、机理解析到智能应用，打通一整条创新链条。

近日，郑州大学团队在 Advanced Functional Materials 发表研究，围绕无铅双钙钛矿发光测温这一前沿方向，提出了一套“材料设计 + 色度编码 + 深度学习”协同的新方案，构建出一套便携式智能比色热成像平台，为高精度、低门槛、可移动的光学测温提供了新的思路。

这项工作的亮点，首先在于它抓住了光学测温领域的一个关键难题。自陷激子（STE）在无铅金属卤化物钙钛矿中具有很强的温度响应潜力，但如何精准调控其热激活去陷阱行为，让材料既有明显的热响应、又能保持良好的发光效率，一直并不容易。换句话说，大家都知道这类材料“有前途”，但怎样把这种前途真正变成可用、可控、可成像的测温能力，是最难的地方。

而这篇文章的突破，恰恰就在这里。

研究团队以一系列稀土掺杂无铅双钙钛矿为模型体系，通过调控三价阳离子位点，系统研究了晶格硬度、键离子性、电子-声子耦合以及声子非谐性对热致发光行为的影响。结果发现，不同B位离子的尺寸变化，会显著改变晶格软硬程度，从而影响自陷激子的形成、去陷阱势垒和热猝灭行为。

其中，铟基体系 Cs₂NaInCl₆ 的表现尤其突出。论文指出，这一体系中显著的四阶声子非谐性带来了更强的晶格热膨胀和更软化的键力常数，使材料具有仅 45.08 meV 的超低热激活能垒，同时依然保持 85.27% 的高光致发光量子效率。这个结果非常关键，因为它说明团队不仅看到了材料热响应增强，还真正把“高响应”和“高发光效率”同时做了出来。

从科学问题上看，这项工作不只是做出了一个性能更好的测温材料，更重要的是，它把背后的物理逻辑讲清楚了。

论文通过XRD精修、拉曼光谱、声子寿命分析、声子色散与原子分辨声子态密度计算等手段，系统揭示了铟基双钙钛矿为什么会表现出异常强的热猝灭和更高的温度敏感性。核心原因在于：更高的键离子性带来更大的热膨胀系数，更强的非谐振动导致激发态势能面变浅，从而让热激活非辐射跃迁更容易发生。这个过程，实际上把“材料结构—晶格振动—光学响应—测温性能”串联了起来。

这正是 AI for Science 特别有价值的地方。它不是简单做一个“黑箱预测”，而是在材料设计基础上，把复杂机理、可测信号和智能算法整合起来，形成可解释、可应用的完整体系。

在此基础上，研究团队进一步引入 Er³⁺ 作为光谱稳定发射中心，构建出具有明显热致变色行为的双发光体系。由于 Er³⁺ 的特征发射更稳定，而自陷激子发光对温度更敏感，二者组合之后，材料在升温过程中会表现出清晰的颜色变化，为后续比色热成像打下基础。

更进一步，这项工作并没有停留在“看颜色变化”这一层，而是提出了一个非常聪明的策略：把传统 RGB 颜色分析升级为 HSV 色彩空间编码。

原因很简单。如果只用 RGB 来做温度识别，环境光变化、亮度波动、拍摄条件不同，都会对结果造成很大干扰。而 HSV 色彩空间能够把色调、饱和度和明度分开，其中 H 值 对光照强度变化更不敏感，更适合做稳健的比色测温。论文中就明确展示了，在不同光照条件下，RGB 信号变化明显，而 H 值基本保持稳定。

但研究团队并没有止步于“更稳健的颜色空间”，而是继续往前走了一步——直接把深度学习引入热成像解码。

他们构建了一套基于 YOLO11 混合神经网络 的模型，让系统能够从原始荧光图像中直接学习温度特征，并自动校正环境光波动、拍摄角度偏差等实际使用中常见的问题。训练结果表明，这一深度学习模型在 21 个温度类别 上实现了 92.20% 的验证准确率。

这就让这篇文章真正有了“智能热成像平台”的意味。前端是经过精细晶格工程调控的高性能发光材料；中间是 HSV 编码带来的稳健颜色识别；后端则是深度学习完成端到端温度解码。

这不是单纯意义上的“材料论文”，也不是单纯意义上的“算法论文”，而是一个非常典型的 AI for Science 融合范式：用材料科学提供高质量信号源，用物理机制保证可解释性，用人工智能把复杂信号转化成更可靠、更便携的真实测温能力。

论文最后还把这套方法应用到了封装微电子器件的热成像中。结果显示，基于深度学习的比色热成像能够给出清晰的内部温度梯度分布，而传统红外热像仪对于封装内部线路温度往往无能为力。也就是说，这项技术不仅“能测温”，而且在一些传统手段难以胜任的场景里，展现出明显优势。

这篇 Advanced Functional Materials 的价值，就在这里。它回答了一个重要问题：面向下一代智能光学测温，能不能从材料本身出发，把热响应做强、把颜色识别做稳、再把温度解码做聪明？

郑州大学团队给出的答案是：可以，而且已经做出了非常漂亮的示范。

从声子非谐性工程，到稀土掺杂调控；从 HSV 比色测温，到 YOLO11 深度学习热成像；这项工作展示的，已经不是一个单点突破，而是一条从基础机理到智能平台的完整路径。

AI for Science，郑州大学，Advanced Functional Materials。这不仅是一篇高水平论文，更是一次关于“材料设计如何与人工智能深度耦合，进而重塑光学测温方式”的有力展示。

[Ref] Z.Wang, M.Jia, Z.Bai, et al. “Engineering Phonon Anharmonicity in Lanthanide-Doped Double Perovskites for Deep-Learning-Assisted Colorimetric Thermography.” Advanced Functional Materials (2026): e75233. https://doi.org/10.1002/adfm.75233

本文不含AI生成内容

欢迎留言分享你的看法