據麥姆斯咨詢報道，一支由韓國國立首爾大學（Seoul National University）和明知大學（Myongji University）的研究人員組成的團隊在Scientific Reports期刊上發表了基于深度神經網絡的高感知雙共振全介電超表面（metasurface）比色傳感器的最新論文，該論文的研究成果可以為發展全介電納米光子比色傳感器奠定基礎。

圖1 論文所提出的比色傳感器總體設計示意圖

用于識別微觀粒子的基于光學的無標記生物分子傳感平臺由于在實時監測、壽命和操作帶寬方面的各種優勢，已引起人們的廣泛關注。在過去的幾十年中，基于納米光子換能器的生物分子傳感在氣體、溶液、核酸和蛋白質等各個領域的試驗方面取得了爆炸性進展。其納米級尺寸不僅有助于微型化和降低生產成本，而且有助于方便地集成到芯片實驗室（lab-on-a-chip）平臺中。

其中一種最具代表性的納米光子生物傳感器基于局部表面等離子體共振原理，利用了金屬粒子和主體電介質界面上的光-金屬相互作用。然而，由于其固有的歐姆損耗和等離子體振蕩的性質，這些由貴金屬制成的等離子體傳感器存在一些固有的關鍵問題。首先，由表面等離子體的快速相移引起的共振線寬變寬是提高讀出分辨率和效率的瓶頸。此外，由于金屬的高導熱率驅動的局部加熱而導致的分析物的光熱降解，一直是體內傳感的障礙。為了解決這些限制，人們已經研究了高折射率和低損耗的全介電納米結構作為替代方案。

在納米光子學中，全介電納米結構由于其以非凡而強大的方式操縱光的能力而成為有吸引力的解決方案。在各種組織機構中，由周期性納米結構陣列構成的全介電超表面已被用于平面超光學（metaoptics）、高飽和顏色生成以及高質量因子折射和比色傳感等應用。在傳感方面，近年來，全介電超表面傳感器正逐漸取代等離子體傳感器。

然而，對環境變化相對較低的靈敏度推遲了它的商業化。為了解決這一問題，以前的研究試圖利用光譜干擾共振特性，例如連續體中的束縛態或Fano共振，以增強近場和品質因子。然而，由于它們對幾何參數的微小誤差過于敏感，因此涉及到制造和測量過程的公差問題，從而導致產量降低。

另一方面，在比色傳感方法的情況下，人們可以從不同于近場光學的角度來解決全介電納米光子傳感器存在的問題。比色法是可應用于納米光子傳感的方法之一，它可以通過分析物和換能器之間的相互作用產生的顏色變化來實現肉眼讀出。由納米結構陣列產生的納米級結構著色已被用作比色檢測的信號。由于其直接的檢測過程，無需額外的測量設備，比色傳感作為一種極具吸引力的傳感平臺一直備受關注，讓人們看到超越實驗室水平的即時診斷（point-of-care）的可行性。由于其傳感性能取決于納米粒子的結合對微小環境變化的響應而產生的顯著顏色變化，因此可以通過在可見光區域形成特定的光譜線型來提高其靈敏度，該光譜線型表現出易于感知顏色變化的結構色。

因此，通過精心設計超表面結構，為光學操縱提供非凡的自由度，如果能夠實現精確模擬光譜線型的反射光學響應，以實現色差最大化的優化，這將成為解決全介電納米光子傳感器中上述問題的一種新方法。此外，作為實現這一目標的一種手段，通過數據驅動機器學習的先進參數優化技術可以成為一種高效的設計方法，其中經過訓練的深度神經網絡（DNN）支持設計程序。

近年來，結合深度學習（deep learning）的逆向設計技術在納米光學領域出現了各種應用，如精確結構色設計、寬帶吸收器、光學濾波器和光學數據存儲設備等。傳統的設計方法是通過迭代全場電磁（EM）仿真來尋找滿足所需光學響應的幾何參數，隨著多維表述的自由度的增加，這種方法通過遍歷巨大的設計空間進行處理，需要大量的計算成本。這非常耗時，而且很難保證所獲得的結果是否接近最優。然而，深度學習方法在通過EM仿真的一次性“投資”來更新DNN的權重后，會立即提出設計空間內的最優解。

在這篇論文中，研究人員通過引入前所未有的方法，利用由高折射率電介質制成的雙洛倫茲共振超表面，提出了一種高感知的比色傳感器。它通過提出一種特定的光譜線型來最大化色差，這與以前的研究方法不同，以前的研究只關注提高光譜或近場光學方面的單共振靈敏度。然后，他們從比色法和光譜學的角度分析了雙共振光譜具有顯著靈敏度的原因。此外，作為一種無誤差地形成目標反射率的精確光譜線型的手段，通過“嫁接”深度學習逆向設計方法，他們成功地實現了均方誤差（MSE）在0.005以內的目標。因此，所設計的全介電比色傳感器可以通過暗示葡萄糖溶液濃度的變化，用肉眼檢測折射率小于0.01的微小變化。這些研究成果可以為發展全介電納米光子比色傳感器奠定基礎。

圖2 論文所提出的比色傳感器的傳感性能

論文信息：

Son， H.， Kim， SJ.， Hong， J. et al. Design of highly perceptible dual-resonance all-dielectric metasurface colorimetric sensor via deep neural networks. Sci Rep 12， 8512 （2022）。

https://doi.org/10.1038/s41598-022-12592-9

編輯：黃飛