香港理工大學（理大）研究團隊研發出一款使用簡便、成本低廉的水凝膠塗層，不但可提升太陽能板散熱效能，大幅降低「熱斑」溫度，更能增加發電效益，助力香港實現城市碳中和目標。長久以來，大陽能板經常因局部被陰影遮蔽而形成熱斑，導致發電效率下跌，長遠更影響整個供電系統穩定，理大這項創新技術，正為解決這一行業痛點提供了有效方案。
理大能源與建築講座教授嚴晉躍教授（右二）連同建築環境及能源工程學系助理教授（研究）劉俊偉博士（右三），帶領團隊研發水凝膠塗層，可提升太陽能板的冷卻效能，以增加發電效益。
這項創新的水凝膠冷卻技術由理大能源與建築講座教授嚴晉躍教授，連同建築環境及能源工程學系助理教授(研究)劉俊偉博士領導的團隊研發而成。其研究結果顯示，在太陽能板應用此水凝膠塗層後，最高可將熱斑溫度降低 16 °C，並提升發電輸出功率達13%。在「建築集成太陽能系統」應用此水凝膠塗層，有望緩解近一半因熱斑造成的發電功率損失，長遠能有效提升太陽能光伏應用於建築物供電的穩定與效能。
理大團隊的研究結果顯示，在太陽能板應用其水凝膠塗層後，最高可將太陽能板的熱斑溫度降低16°C，並提升發電輸出功率達13%。
嚴教授表示:「我們團隊研發的水凝膠冷卻技術，毋須改動現有電路設計，就能有效緩解太陽能板熱斑問題，成本低且使用簡易，適合於不同城市應用。以香港和新加坡為例，團隊推算可分別提升其年發電量 6.5%和7.0%，預計投資回報期分別只需4.5年和 3.2年。放眼全球，這技術更可望減少城市建築集成光伏系統中約 50%因熱斑引致的發電損失，足見其在推動太陽能發展上的關鍵作用。」
理大能源與建築講座教授嚴晉躍教授（右二）連同建築環境及能源工程學系助理教授（研究）劉俊偉博士（右三），帶領團隊研發水凝膠塗層，可提升太陽能板的冷卻效能，以增加發電效益。
熱斑對太陽能光伏系統的影響不容輕視，除了會因系統運作溫度上升而降低發電效率，嚴重時更可能引致火警。現有研究顯示，330萬塊光伏組件中，有36.5%存在熱斑問題，這些有缺陷的組件平均溫度上升逾21℃，加速太陽能板老化耗損。理大研發的這款水凝膠塗層，除具優秀降溫效能，耐用性亦表現出色，適合在戶外長期使用。
劉博士補充:「我們團隊將天然高分子材料『羥乙基纖維素』、纖維質成分『葉狀棉線』，與水凝膠骨架材料結合，解決了傳統水凝膠長期使用易開裂、收縮的技術難題。傳統水凝膠經長期使用後，體積收縮最多可達46%，而我們的創新技術能大幅減少開裂與收縮情況，將體積收縮率降至34%。展望未來，我們希望以這項水凝膠蒸發冷卻技術為基礎，推動新興光伏技術的發展與普及應用。」
作為人工智能（AI）領域的新興技術，圖神經網絡（GNN）是一種專門處理圖結構數據的深度學習模型。目前，GNN 主要擅長處理數據中節點與邊之間的關係，但往往忽略了高階的複雜連結，香港理工大學（理大）研究團隊研發的新型異構圖注意力網絡成功解決這一挑戰，革新了圖結構數據的複雜關係建模，有望突破 AI 在神經科學、物流、電腦視覺、生物學等多個領域的應用限制。
研究團隊將 HL-HGAT 應用於功能性磁振造影數據分析，在神經科學與醫療診斷上有顯著應用價值。
簡單來說，傳統 GNN 主要考慮「A 連接 B」、「B 連接 C」這樣的成對關係，卻難以理解 A、B、C 三者的群體互動。由理大醫療科技及資訊學系教授、傑出創科人教授仇安琪教授及其研究團隊設計的新型「霍奇-拉普拉斯異構圖注意力網絡（Hodge-Laplacian Heterogeneous Graph Attention Network，HL-HGAT）」，能夠學習和分析不同層次的異質信號，捕捉多種圖結構間的複雜關聯。
在數學上，k-單體是高維幾何的基本元素，能夠捕捉多個節點之間的高階關聯：0-單體為單一節點，1-單體為連接兩個節點的邊，2-單體為三個節點構成的三角形，如此類推。HL-HGAT 模型將圖形解釋為單體複形，可同時捕捉節點、邊、三角形等多層次結構間的複雜互動，全面提升模型對數據複雜關係的理解能力。
HL-HGAT 的核心為霍奇-拉普拉斯（Hodge-Laplacian，HL）算子，它提供了一個可在單體複形上建模及傳播訊號的數學框架，使該網絡能夠突破成對關係的限制，為結構數據中的複雜、多層次的交互作用建構更精確的模型。在動態圖領域，HL-HGAT 的重大突破則在於它能將高階拓樸表徵擴展至時域，並結合高效的 HL 濾波、自適應注意力機制及異構訊號分解，揭示傳統靜態 GNN 無法捕捉的複雜時變模態。
理大醫療科技及資訊學系教授、傑出創科學人教授仇安琪教授設計了一種新型的「霍奇-拉普拉斯異構圖注意力
網絡」（HL-HGAT），革新了圖結構數據的複雜關係建模，有望突破 AI 在神經科學、物流、電腦視覺、生物學等多個領域的應用限制。
仇教授表示：「HL-HGAT 模型在各種基於圖的場景，包括是理論優化問題，或實際生物醫學應用等方面，皆展現廣泛效用及豐富功能。該模型已在各種圖應用中進行了全面評估，結果證明其作為統一框架的適應能力，能夠跨學科地處理優化、分類、回歸及多模態學習等任務。」
研究團隊在多個領域進行了全面測試：在物流領域，HL-HGAT 有效解決經典的「旅行商問題」（如何規劃最短配送路線），為物流公司節省大量時間和成本；電腦視覺領域，HL-HGAT 將影像轉換為圖形結構進行分析，其表現在 CIFAR-10影像分類測試中超越了傳統的 GNN，能更精準地捕捉影像中的細節特徵；在化學領域，HL-HGAT 在預測分子特性方面取得卓越準確度，有助加速新藥開發進程。
在神經科學與醫療診斷上，HL-HGAT 亦展現出極高的應用價值。團隊將其用於功能性磁振造影（fMRI）數據分析，能準確預測智力表現與大腦年齡，更能在抑鬱症患者的腦網絡中發現預設模式網絡和邊緣系統中異常的「三方神經區域互動」——這些細微變化是傳統方法無法察覺的。此外，在 HL-HGAT 也可檢測出阿茲海默症患者早期的皮質變薄與神經連接中斷，有助更及時發現病徵。
此創新的 HL-HGAT 模型不但在科學及工業應用中針對各種基於圖的複雜任務展現了卓越成果，更標誌着圖神經網絡技術的重要進展。該研究名為「HL-HGAT：霍奇-拉普拉斯算子的異構圖注意力網絡」，已發表於《IEEE 模式分析與機器智能學報》（IEEE Transactions on Pattern Analysis and Machine Intelligence）。
