两江科技评论

2024-11-23

导读：厦大朱锦锋团队四篇连发！AI赋能微纳电磁器件开发及传感应用！

四篇连发！本文索引：

1、Advanced Science：可解释深度学习赋能超表面传感设计

2、ACS Photonics：深度学习定制的平坦表面超构传感赋能痕量太赫兹指纹检测

3、Laser & Photonics Reviews：电路物理驱动的强泛化深度学习，实现超材料智能设计

4、Biosensors & Bioelectronics综述：等离激元外泌体传感进展-器件集成策略与人工智能辅助诊断

Part.

可解释深度学习赋能超表面传感设计

导读

近日，厦门大学朱锦锋教授课题组提出了一种面向超表面传感器快速智能设计的可解释深度学习框架。团队开发了Metaformer深度学习模型并对基于准连续域束缚态（Q-BIC）的全介质超表面进行了传感研究，实现了分子指纹传感器和折射率传感器的智能设计开发，并对深度学习框架和机制进行了探讨与阐述，解释了深度学习黑盒中的物理光学特征学习过程。该项研究成果以“Meta-Attention Deep Learning for Smart Development of Metasurface Sensors”为题发表于国际期刊Advanced Science上。

研究背景

超表面传感器广泛应用于生物化学等多个领域的无损检测中，其中分子指纹检测和折射率传感是两个重要的应用场景。连续域束缚态（BIC）具备调控辐射损耗、提升局域光场强度的能力。通过打破对称保护，BIC可转化为具有可控辐射损耗的准BIC模式（Q-BIC），其通常具有较大的共振寿命和极高的品质因子，有望增强超表面传感器的近场局域能力，从而增强其传感性能。

近年来，深度学习方法在微纳光学和超表面设计领域展示出巨大发展潜力，然而，对于超表面传感器的智能开发，尤其是分子指纹传感器和折射率传感器的智能设计，仍然缺乏深度学习范式。此外，深度学习模型在微纳光学设计领域中的关于底层物理的学习机制尚未得到深入的探索和阐明。气体、液体、生物分子或化学分子等引起的复杂的环境变化将会对于传感器性能产生重要影响，使得传统的黑盒模型较难实现对于传感器复杂物理光学特征的高精度预测。因此，开发一种针对超表面传感器智能设计的可解释深度学习框架十分具有必要性。

研究亮点

在本研究中，课题组基于Transformer模型开发了名为Metaformer的深度学习框架，用于实现超表面传感器的快速智能设计（如图1所示）。该网络框架实现了逆向设计与正向设计两个过程。逆向设计可以根据特征分子指纹光谱实现分子指纹检测，以及根据不同复杂环境下的光学响应实现不同面灵敏度和体灵敏度的超表面传感器按需定制。正向设计可以实现超表面传感器在不同环境下的光学响应实时预测，从而实现面灵敏度和体灵敏度的快速获取。

图1 超表面传感器智能设计Metaformer深度学习框架示意图

深度学习模型通常被认为是黑盒模型，难以解释其在学习过程中的学习机制，这阻碍了研究者对深度学习的理解和进一步开发。Transformer模型得益于其强大的多头自注意力机制，被广泛用于解释模型特征提取机制，并可根据输入序列的相关性分配不同权重，以实现准确的预测结果。正如苏轼曾在《题西林壁》中写到“横看成岭侧成峰，远近高低各不同”那样，不同的视角可以观测到事物的不同特征。多头注意力机制中的不同Head也可以从不同视角关注到不同的物理光学特征。该工作对不同网络层数以及不同Head的注意力权重进行了探讨分析（如图2所示），结果表明不同Head可以实现对光学响应的Q-BIC 1、Q-BIC 2以及其它非谐振区域的物理特征进行有效学习捕捉。此外，随着网络层数的不断增加，每个Head将会注意到更多特征不明显的非谐振区域，直至最后实现深度学习模型对光学响应中的主要物理光学特征学习从而实现精准预测。该结果阐释了深度学习模型对于光学特征的学习机制，有助于促进超表面传感器智能设计的理解与开发。

图2 可解释性架构形象揭示超表面BIC物理机制的深度学习过程

为了验证深度学习设计，课题组基于Metaformer深度学习框架设计了高性能Q-BIC超表面传感器并进行了表征与测量（如图3所示）。实验结果表明其共振波长与深度学习设计具有良好的一致性，这意味着所提出的深度学习设计方法在指导实际指纹检测传感器方面具有良好的潜力。此外，面灵敏度预测的实验结果表明：Metaformer框架预测得到的2个Q-BIC对应的面灵敏度与共形氧化铝后实验测得的超表面传感器对应的面灵敏度吻合良好，这证实了Metaformer在实现超表面传感器快速智能设计方面具有显著潜力。

图3 超表面传感器制备及实验测量结果

总结与展望

本文提出了一种高性能Q-BIC超表面传感器深度学习快速智能设计框架，用于指导光学指纹传感和折射率传感检测。所开发的Metaformer深度学习框架对复杂环境下的物理光学特征进行精准预测。研究对深度学习网络模型的工作机制进行了深入探讨与阐述，揭示了神经网络对于不同物理光学特征的学习机制。该设计方法为超表面传感器智能设计提供了解决方案，也为其它光学器件的智能设计提供了更多思路。

厦门大学电子科学与技术学院朱锦锋教授为该研究工作的通讯作者，课题组博士生高源和陈威以及李法君博士为论文的共同第一作者，合作者有浙江大学马蔚研究员、新加坡科技研究局DONG Zhaogang博士和厦门大学王翔研究员。该项工作得到国家自然科学基金(62175205)、国家自然科学基金联合基金项目（U2130112）、福建省青年拔尖人才“雏鹰计划”等研究经费的支持。

论文链接：

https://onlinelibrary.wiley.com/doi/10.1002/advs.202405750

Part.

深度学习定制的平坦表面超构传感赋能痕量太赫兹指纹检测

导读

近日，厦门大学电子科学与技术学院朱锦锋教授团队报道了基于深度学习定制的平坦表面超构传感赋能痕量太赫兹指纹检测。该团队提出了一种基于分治思想的双向神经网络架构，用于快速定制倒置全介质超构光栅（IAM）以实现高效的痕量太赫兹指纹传感。所提出的深度学习设计工具可以根据待测物的太赫兹指纹谱特性，灵活定制具有关键共振频率的超构光栅传感结构。通过将基于深度学习设计的IAM与角度多路复用技术相结合，可以在太赫兹宽频带范围内激发一系列导模共振，从而在平坦的传感表面上显著提升太赫兹指纹检测性能。该深度学习方法可有效指导IAM的制备和测量，最终实现痕量α-乳糖的指纹传感。研究成果以“Rapid On-demand Design of Inverted All-dielectric Metagratings for Trace Terahertz Molecular Fingerprint Sensing by Deep Learning”为题，发表在期刊《ACS Photonics》上。

（DOI: 10.1021/acsphotonics.4c01358）

研究背景

太赫兹分子指纹传感技术为许多生物和化学分子的痕量检测提供了一种强大的免标记检测手段。在太赫兹痕量传感的应用中，太赫兹波长与样品尺寸之间的不匹配通常会导致检测信号较弱，这阻碍了分子的有效识别。为了克服这一问题，研究人员设计了各种太赫兹超表面传感器，并利用它们的近场效应来提高检测性能。近年来，基于多路复用技术的超表面传感器已被广泛研究用于太赫兹痕量传感，因为它可以显著放大宽带指纹信号。在传统器件设计中，通常需要根据样品指纹频率范围，进行大量的参数扫描以确定最佳的多路复用超表面传感器结构、材料以及入射条件等参数，这样的设计流程既复杂又耗费巨大资源。

近年来，深度学习方法为超材料和超表面的设计领域注入了新活力。人工神经网络通过大量数据能快速建立超构单元与光学响应之间的关联，与传统求解麦克斯韦方程的数值方法相比，可以显著减少仿真模拟消耗和提升设计效率。当前已经有多种深度学习模型被用来设计多种类型的超表面，如多层感知器（MLP）、卷积神经网络、生成对抗网络、Transformer等，这些研究覆盖了从可见光到红外波和微波的宽带电磁频谱。但在太赫兹领域，基于深度学习方法针对痕量指纹传感的超表面实时按需设计研究鲜有报道。

研究亮点

研究团队基于分治思想构建了双向神经网络的深度学习框架（图1），用于倒置全介质超构光栅（IAM）的按需智能设计，以实现多路复用太赫兹痕量指纹传感。其中正向网络（FNN）采用分治思想构建多个分裂子网络用于光谱信号的分段预测，该方法大幅提升了网络的预测准确性。该深度学习框架根据给定目标分析物的指纹谱特性，实现IAM传感器的快速逆向设计和制造。结合角度多路复用平台，这些设备在平坦表面上实现了均匀的传感效果，并大幅增强了宽带指纹信号的太赫兹痕量检测。这项研究将激发更多基于深度学习的太赫兹超表面应用。

图1 基于双向神经网络深度学习架构设计的IAM用于痕量太赫兹指纹传感

研究人员首先对所提出的深度学习设计方法的性能进行了评估。图2展示了随机挑选的测试案例，结果表明，无论光谱呈单峰还是多峰/谷特征，前向神经网络（FNN）的预测结果与光学模拟的真实值高度一致。同时，逆向神经网络（INN）的预测误差相较于实际结构的真实值低于0.27%。这些结果充分表明该方法能够为超构光栅的正向和逆向设计提供可靠的深度学习架构。

图2 深度学习模型的性能展示

接下来，将训练好的FNN和INN进行级联构成双向网络，用于太赫兹指纹超构光栅传感器的实时按需设计。针对两种常见分析物α-蛔蒿素和α-乳糖，图3中呈现了相应的超构传感器设计范式。考虑到在角度分辨太赫兹光谱的实际测量中，实验入射角通常在16°到56°之间，并且IAM的共振峰会随着角度的增加向较低频率移动。因此，根据分析物指纹特征的频率位置，研究人员利用所设计的深度学习网络模型，对入射角度为36°的太赫兹指纹传感器件的反射光谱进行了按需设计，共振峰位置与待测物指纹特征频率非常吻合。进一步结合角度多路复用技术，通过识别样品加载前后反射谱线的宽带共振包络变化，从而实现痕量指纹检测。

图3 用于太赫兹指纹传感的角度复用IAMs按需设计

在上述理论分析的基础上，研究人员制备了硅基倒置超构光栅，并利用反射式的太赫兹光路进行了痕量α-乳糖分子的宽带指纹传感检测实验验证（图4）。结果显示在0.529 THz的指纹特征频率点处，对于20.4 μg/mm²和40.8 μg/mm²的痕量α-乳糖，指纹峰处的吸收强度分别从传统方法的1.3%和3.1%提升到了12.1%和17.7%，对应的最大增强因子分别为9.3倍和5.7倍。该IAM指纹传感的实验数据与图3中的仿真设计结果表现出了良好的一致性，证明我们的方法可以实现痕量分子指纹宽带增强检测。

图4 基于深度学习方法指导的痕量太赫兹指纹传感实验结果

总结与展望

综上所述，该工作构建了一个深度学习框架——基于分治思想的双向级联神经网络，用于痕量太赫兹指纹检测的超构传感器快速智能设计，深入探究了相关指纹传感增强的电磁机制，并开展了相应的实验验证，为实现高性能太赫兹痕量分子指纹检测提供了理论指导和实验依据。

厦门大学国家示范性微电子学院朱锦锋教授为该研究工作的通讯作者，刘雪莹博士、谢奕浓博士和严一鸣博士生为本论文的共同第一作者，宁波东方理工大学电子科学与技术学院院长柳清伙教授、中国工程物理研究院朱礼国研究员、新加坡科技研究局新加坡科技研究局 Zhaogang DONG研究员为研究开展提供了必要帮助。该工作得到国家自然科学基金联合基金项目（U2130112、U1830116）、国家自然科学基金(62175205、62405083)、福建省杰出青年科学基金(2020J06009)以及2022福建省“雏鹰计划”青年拔尖人才项目、深圳市科学技术发展基金(JCYJ20220530143015035)等研究课题的支持。

论文链接：

https://pubs.acs.org/doi/10.1021/acsphotonics.4c01358

Part.

电路物理驱动的强泛化深度学习，实现超材料智能设计

导读

近日，厦门大学电子科学与技术学院朱锦锋教授团队提出了一种基于电路物理驱动的强泛化深度学习框架，实现了等离激元超材料的智能灵活设计。研究团队将等效电路理论融入深度学习算法，开发了电路理论引导神经网络（circuit-theory-informed neural network, CTINN）。该网络仅使用少量训练数据，成功实现训练数据范围外的精准预测，展现出强泛化性。相关工作以“Highly Intelligent Forward Design of Metamaterials Empowered by Circuit-Physics-Driven Deep Learning”为题发表在《Laser & Photonics Reviews》期刊上。厦门大学朱锦锋教授为本工作的通讯作者，课题组博士生严一鸣和李法君博士为论文的共同第一作者，合作者有新加坡科技研究局DONG Zhaogang博士。

研究背景

近年来，随着人工智能的迅速发展，深度学习方法在微纳光学和超材料设计领域展现出了巨大的潜力。基于数据驱动的神经网络能够快速建立物理结构与光学响应之间的关系，已广泛应用于超材料的正向和逆向设计任务。然而，现有神经网络多被视作“黑盒”，缺乏物理原理的指导，这导致其在训练样本不足时难以有效泛化，网络容易产生不准确甚至违反物理规律的预测结果。因此，如何将物理机制融入神经网络，以增强其泛化能力，已成为超材料精准设计亟待解决的关键问题。

自超材料概念提出以来，多个物理理论被提出用于指导其设计。其中，光学纳米电路理论将超材料单元视作等效电路，并通过借鉴微波电子学的知识定性分析超材料的光学响应，受到了广泛关注。然而，由于电路参数提取的困难，这一理论在定量设计中的应用受到限制。尽管如此，等效电路模型仍可能为更先进的设计模型（如深度学习模型）提供有力的物理指导，促进其发展与应用。

研究亮点

该研究将电路理论知识与深度学习模型结合，提出了一种具有强泛化能力的CTINN，用于超材料的智能设计（如图1所示）。在传统的智能正向设计方法中，我们通常将结构参数作为输入，光学响应作为输出，通过训练神经网络来拟合输入和输出之间的复杂映射关系。与传统神经网络直接预测光谱响应不同，CTINN的输出为等效电路参数（电阻R、电感L、电容C）以及调谐因子，再通过电路物理公式得到预测的光谱响应。其中，调谐因子用于修正公式并提供额外的自由度，从而使神经网络能够更精确地逼近真实值。

CTINN的强泛化性体现在其在小样本数据下能够进行采样空间和预测光谱的外推。该深度学习模型不仅能对训练集结构参数范围外的数据进行准确的光谱预测，还能预测训练数据波长范围外的光谱响应。得益于物理先验知识的引导，CTINN无需对神经网络模型进行修改或再生成新的光谱数据，即可扩展预测波段，大大减少了对数据的依赖，这是传统神经网络模型无法实现的。

图1基于电路理论引导的强泛化CTINN框架示意图

首先，研究团队对单叠层等离激元超材料模型进行设计。在面对外推任务时，传统神经网络模型的测试集预测误差随着结构参数偏离训练集范围而快速增大（如图2c所示）。相比之下，基于物理知识引导的CTINN在测试集表现稳定，展现出优异的泛化能力。通过随机挑选测试集样本进行对比，CTINN不仅在原波长范围内的预测结果更接近真实值，而且在扩展波段也能预测出准确光谱。

图2 单叠层模型的样本空间和波长范围的深度学习泛化设计

进一步地，研究团队训练了逆向网络并将其与CTINN级联，从而实现等离激元叠层超材料的实时灵活设计。为验证深度学习设计的有效性，团队对基于CTINN设计的单叠层模型进行了表征与测量（如图3所示）。实验结果表明，测量光谱与深度学习设计结果具有良好的一致性，表明基于电路理论驱动的深度学习范式在设计和制造具有各种光学功能的等离激元叠层超材料具有巨大潜力。

图3 单叠层超材料模型制备及实验测试结果

为了进一步验证CTINN算法的普适性和鲁棒性，团队对多叠层模型进行设计。CTINN在双叠单层模型和单叠双层模型上均表现出优异的泛化性能（如图4所示）。随着模型叠层数量的增加，光谱响应变得愈加复杂，传统神经网络预测准确性显著下降，甚至出现不符合物理规律的异常结果（例如，光谱值小于0或大于1）。此外，CTINN在小样本场景下的表现也非常出色。在仅用10%训练样本的情况下，CTINN的预测准确度比传统神经网络提高了50%。同时，团队还对单叠三层模型进行设计，CTINN同样具有优异的泛化能力。

图4 双叠层模型的样本空间和波长范围的深度学习泛化设计

最后，根据CTINN在多个模型上的优异表现，研究团队开发了一个基于CTINN的通用软件平台，该平台支持在毫秒内快速设计出对应模型结构的光谱响应。

图5 基于CTINN的通用软件平台用于多种叠层超材料设计

总结与展望

该论文提出了一种基于等效电路理论的CTINN深度学习模型，旨在推动叠层超材料的智能设计。该模型通过学习模型结构参数与等效电路参数之间的物理关系，在仅有少量数据的情况下，能够快速且准确地进行训练，并实现精确预测。这一深度学习方法展现了出色的泛化能力，不仅能够精确预测训练数据范围之外的样本，还能够有效推断超材料在扩展波段上的光学响应。CTINN模型能够在实际应用中发挥重要作用，特别是在超材料设计的复杂性和多样性不断增加的背景下。它为基于物理驱动的深度学习模型的开发提供了新的思路，并为超材料的广泛设计提供了有效的解决方案。

该项工作得到国家自然科学基金面上项目、联合基金项目，福建省自然科学基金重点项目、杰出青年基金项目，福建省青年拔尖人才“雏鹰计划”计划，深圳市科创委科技项目等研究经费的支持。

论文链接：

https://doi.org/10.1002/lpor.202400724

Part.

综述：等离激元外泌体传感进展-器件集成策略与人工智能辅助诊断

导读

近日，厦门大学朱锦锋教授团队在《Biosensors and Bioelectronics》发表综述文章，系统阐述了等离激元传感技术在外泌体检测中的应用及人工智能辅助诊断策略。文章重点介绍等离激元生物传感平台的小型化和集成化进展，为未来便携式检测和临床应用提供了新思路，同时探讨人工智能（artificial intelligence, AI）在外泌体检测中的算法选择及提升诊断精度的潜力。厦门大学研究生林向钰婕、朱嘉恒为论文共同第一作者，厦门大学朱锦锋教授和章幼玉工程师为通讯作者。

研究亮点

1、外泌体与液体活检的优势

外泌体是直径30~150纳米的细胞外囊泡，作为生物标志物稳定存在于生物流体中，能穿越血脑屏障，反映活细胞状态。与传统标志物（如游离DNA、循环肿瘤细胞）相比，外泌体在癌症早期诊断及神经性疾病研究中显示更大潜力。然而，传统检测方法灵敏度和特异性有限，操作复杂，急需新型平台来实现更高效的分析。

图1.外泌体作为液体生物标志物的优势

2、等离激元传感器技术

等离激元传感器利用光与金属纳米结构的相互作用，通过表面等离激元共振（SPR）或信号增强实现高灵敏度的检测，尤其适用于微量样本和多重标志物分析。文章介绍了多种技术原理及其在外泌体检测中的应用：

棱镜型SPR传感：棱镜型SPR通过检测表面10-300纳米范围内的折射率变化，实现无标记、实时高灵敏度的检测，适合研究外泌体与受体相互作用。

纳米结构增强传感：利用纳米孔、纳米腔、纳米光栅等结构增强信号，展现灵敏度和功能化的优势。朱锦锋团队此前开发的基于纳米孔阵列的检测平台，在外泌体定量分析和个性化医疗中取得重要成果。

表面增强拉曼散射（SERS）：通过结合拉曼光谱的指纹识别和等离激元信号增强，SERS技术在癌症诊断中展示高灵敏度与空间分辨率。

等离激元增强荧光（PEF）：PEF通过放大荧光信号显著提高检测灵敏度，已广泛应用于多重生物标志物分析，为快速诊断提供便捷解决方案。

图2.等离激元生物传感平台的物理原理示意图

3、传感器集成与设备小型化

文章重点讨论了设备集成策略和小型化进展，以实现便携式外泌体检测。

实验室芯片系统（LoC）：将等离激元传感器与微流控技术结合，开发紧凑型LoC设备，优化样品处理流程。例如，利用SPR成像技术实时定量检测外泌体标志物，免去繁琐的富集步骤，为癌症诊断提供高效手段。

便携式检测设备：小型化策略促进了手持检测仪的研发。例如，基于纸张的SERS生物传感器和化学荧光信号增强设备，在癌症和结核病检测中表现突出。虽然便携设备提高了检测灵活性，但仍需解决激发波长选择性和系统噪声等问题。

图3. 传感器集成和设备小型化

4、人工智能在外泌体检测中的应用

AI技术尤其是机器学习算法，在外泌体检测的数据处理和疾病诊断中发挥了重要作用。文章分析了两类主要算法的应用场景：

可解释算法：主成分分析（PCA）、线性判别分析（LDA）等传统算法提供透明的决策逻辑，适合初步数据分析和医务人员理解模型决策。

不可解释算法：深度学习算法如卷积神经网络（CNN）和生成对抗网络（GAN）因其在特征提取和模式识别中的卓越表现，已成为处理大规模复杂数据的核心工具。例如，GAN可提升图像质量，CNN自动识别生物医学图像中的模式。

图4.用于外泌体检测和诊断的人工智能

总结与展望

此外，该综述提出了AI算法选择的原则：根据需求在可解释性和准确性间权衡，通过结合不同算法实现数据分析与决策透明度的统一。总结了等离激元传感和AI技术在外泌体检测中的关键进展，为便携式、精准化和智能化医疗提供重要支撑。未来需进一步提升设备稳定性、优化AI算法可解释性，并加强跨学科合作，实现外泌体检测技术的全面临床转化。

参考文献：

Advances in exosome plasmonic sensing: Device integration strategies and AI-aided diagnosis, Biosensors and Bioelectronics, 266, 116718, 2024