【杭电｜LPR】基于神经网络的手性超材料反向设计

文章信息

题目（中文）：用于手性超材料反向设计的神经网络研究

英文原题：Developing Neural Networks for Inverse Design of Chiral Metamaterials

作者：Xiaoye Zhang, Xinyi Chen, Jinglan Zhang, Fengyi Zhang, Yaxin Wang, Bin Ai*, Yongjun Zhang*, Xiaoyu Zhao*

单位：杭州电子科技大学材料与环境工程学院；重庆大学微电子与通信工程学院（重庆市生物感知与智能信息处理重点实验室）

期刊：Laser & Photonics Reviews（LPR），2025，Vol.19，2500051

DOI：10.1002/lpor.202500051

一句话概括核心亮点

该研究提出了一种双向深度神经网络（Bi-DNN）模型，实现了手性纳米结构的快速精确反向设计，在解决“一对多”映射难题的同时，使设计速度较传统FDTD仿真提高约3.9万倍。

研究背景与科学问题

手性超材料因其显著的圆二色性（CD）特征，在光谱、传感、成像等领域具有重要应用。然而其设计存在两大瓶颈：

结构非对称性复杂

，需同时控制左右圆偏振光响应；

传统设计低效

，依赖经验与FDTD数值仿真，难以快速得到理想结构。

人工智能，尤其是深度神经网络（DNN）的兴起，为复杂光学结构设计提供了全新思路——通过“数据驱动”直接建立结构与光谱间的映射关系，实现从目标光谱反推结构的反向设计。

技术原理与创新点

作者提出了**双向深度神经网络（Bi-DNN）**体系：由“正向网络（Forward NN）”与“反向网络（Inverse NN）”组成，通过共享中间层的结构参数空间实现双向约束。

主要创新包括：

解决“一对多”映射问题

：利用双向关联结构强化了预测的物理合理性；

多谱输入策略

：同时输入LCP、RCP与CD谱，提升预测精度（R²≈0.98）；

互预测机制

：实现用一类谱（如LCP）预测另一类谱（如RCP或CD），显著降低实验测量需求；

模型通用性强

：可迁移至多种手性光子结构的智能设计。

实验验证与性能

构建了3600组银/金双层手性纳米孔阵列（CNA）数据集，通过FDTD计算获得LCP、RCP、CD光谱；

Bi-DNN模型预测精度：

光谱重建R²最高达0.98；

结构预测误差降低至<5%；

计算速度提升≈38,571倍（0.014 s vs FDTD的9 min）；

实验制备验证了预测结构的CD峰值位置与仿真吻合良好，用于设计532 nm及633 nm激发下的高效SERS手性基底。

学术贡献

提出首个针对手性结构的多谱输入双向DNN体系，定量解决反向映射歧义问题；

建立通用化数据驱动平台，用于快速光谱重建与结构反推；

展示AI算法在手性纳米光学设计中的效率革命（数万倍加速）；

实现机器学习辅助的高性能SERS手性检测基底设计。

局限性与未来方向

CD谱预测仍受噪声敏感性和差分计算影响，精度略低；

需扩充结构多样性与训练数据规模以进一步提高泛化能力；

未来可引入生成模型或物理约束深度学习，应用于更复杂的三维手性结构与光学器件优化。

总结

该研究展示了人工智能在纳米光学中的巨大潜力：通过Bi-DNN模型，成功实现手性超材料的快速反向设计，为手性光谱学、SERS传感及新一代光子器件开发提供了高效范式。对光学设计工程师而言，它意味着——从“算结构”到“算光谱”的转变，最终走向“AI算器件”的新阶段。

图文赏析

图1. 研究总体框架

展示了从数据集构建、网络训练到模型验证的完整流程。

图2. 手性纳米孔阵列设计与光谱样例

(a) 采用球阴影光刻原理的CNA结构示意；(b) 不同角度参数生成的孔阵列形貌；(d–i) 对应的LCP、RCP及CD光谱。

图3. 双向神经网络结构与性能评估

(a) Bi-DNN结构示意：INN+FNN共享参数空间；(b) 验证集R²曲线与MSE收敛趋势；(c) 输入输出光谱间相似度分布。

图4. 多谱输入策略

比较LCP、RCP、CD及其组合输入在不同训练策略下的预测性能。

图5. 异谱预测实验

演示利用单谱（如LCP）预测RCP或CD光谱的结果，验证模型泛化能力。

图6. 实验验证与应用

(a) 利用Bi-DNN实现目标CD谱的反向重建策略；(d–g) 实际样品SEM图与实验光谱对比；(i–j) 电场增强与光学手性分布图。