基于深度神经网络的比色传感器设计方案

据麦姆斯咨询报道，一支由韩国国立首尔大学（Seoul National University）和明知大学（Myongji University）的研究人员组成的团队在Scientific Reports期刊上发表了基于深度神经网络的高感知双共振全介电超表面（metasurface）比色传感器的最新论文，该论文的研究成果可以为发展全介电纳米光子比色传感器奠定基础。

图1 论文所提出的比色传感器总体设计示意图

用于识别微观粒子的基于光学的无标记生物分子传感平台由于在实时监测、寿命和操作带宽方面的各种优势，已引起人们的广泛关注。在过去的几十年中，基于纳米光子换能器的生物分子传感在气体、溶液、核酸和蛋白质等各个领域的试验方面取得了爆炸性进展。其纳米级尺寸不仅有助于微型化和降低生产成本，而且有助于方便地集成到芯片实验室（lab-on-a-chip）平台中。

其中一种最具代表性的纳米光子生物传感器基于局部表面等离子体共振原理，利用了金属粒子和主体电介质界面上的光-金属相互作用。然而，由于其固有的欧姆损耗和等离子体振荡的性质，这些由贵金属制成的等离子体传感器存在一些固有的关键问题。首先，由表面等离子体的快速相移引起的共振线宽变宽是提高读出分辨率和效率的瓶颈。此外，由于金属的高导热率驱动的局部加热而导致的分析物的光热降解，一直是体内传感的障碍。为了解决这些限制，人们已经研究了高折射率和低损耗的全介电纳米结构作为替代方案。

在纳米光子学中，全介电纳米结构由于其以非凡而强大的方式操纵光的能力而成为有吸引力的解决方案。在各种组织机构中，由周期性纳米结构阵列构成的全介电超表面已被用于平面超光学（metaoptics）、高饱和颜色生成以及高质量因子折射和比色传感等应用。在传感方面，近年来，全介电超表面传感器正逐渐取代等离子体传感器。

然而，对环境变化相对较低的灵敏度推迟了它的商业化。为了解决这一问题，以前的研究试图利用光谱干扰共振特性，例如连续体中的束缚态或Fano共振，以增强近场和品质因子。然而，由于它们对几何参数的微小误差过于敏感，因此涉及到制造和测量过程的公差问题，从而导致产量降低。

另一方面，在比色传感方法的情况下，人们可以从不同于近场光学的角度来解决全介电纳米光子传感器存在的问题。比色法是可应用于纳米光子传感的方法之一，它可以通过分析物和换能器之间的相互作用产生的颜色变化来实现肉眼读出。由纳米结构阵列产生的纳米级结构着色已被用作比色检测的信号。由于其直接的检测过程，无需额外的测量设备，比色传感作为一种极具吸引力的传感平台一直备受关注，让人们看到超越实验室水平的即时诊断（point-of-care）的可行性。由于其传感性能取决于纳米粒子的结合对微小环境变化的响应而产生的显著颜色变化，因此可以通过在可见光区域形成特定的光谱线型来提高其灵敏度，该光谱线型表现出易于感知颜色变化的结构色。

因此，通过精心设计超表面结构，为光学操纵提供非凡的自由度，如果能够实现精确模拟光谱线型的反射光学响应，以实现色差最大化的优化，这将成为解决全介电纳米光子传感器中上述问题的一种新方法。此外，作为实现这一目标的一种手段，通过数据驱动机器学习的先进参数优化技术可以成为一种高效的设计方法，其中经过训练的深度神经网络（DNN）支持设计程序。

近年来，结合深度学习（deep learning）的逆向设计技术在纳米光学领域出现了各种应用，如精确结构色设计、宽带吸收器、光学滤波器和光学数据存储设备等。传统的设计方法是通过迭代全场电磁（EM）仿真来寻找满足所需光学响应的几何参数，随着多维表述的自由度的增加，这种方法通过遍历巨大的设计空间进行处理，需要大量的计算成本。这非常耗时，而且很难保证所获得的结果是否接近最优。然而，深度学习方法在通过EM仿真的一次性“投资”来更新DNN的权重后，会立即提出设计空间内的最优解。

在这篇论文中，研究人员通过引入前所未有的方法，利用由高折射率电介质制成的双洛伦兹共振超表面，提出了一种高感知的比色传感器。它通过提出一种特定的光谱线型来最大化色差，这与以前的研究方法不同，以前的研究只关注提高光谱或近场光学方面的单共振灵敏度。然后，他们从比色法和光谱学的角度分析了双共振光谱具有显著灵敏度的原因。此外，作为一种无误差地形成目标反射率的精确光谱线型的手段，通过“嫁接”深度学习逆向设计方法，他们成功地实现了均方误差（MSE）在0.005以内的目标。因此，所设计的全介电比色传感器可以通过暗示葡萄糖溶液浓度的变化，用肉眼检测折射率小于0.01的微小变化。这些研究成果可以为发展全介电纳米光子比色传感器奠定基础。

图2 论文所提出的比色传感器的传感性能

论文信息：

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

编辑：黄飞