撰稿|由课题组供稿
近日，国防科技大学与中南林业科技大学、南京邮电大学等单位合作，提出了基于深度学习的光力增强探针设计方法，并通过实验证实了该方法的有效性。上述成果以“Optical trapping-enhanced probes designed by deep learning approach”为题，于近日在线发表在国际著名学术期刊《Photonics Research》上。论文的共同第一作者为国防科技大学肖光宗副教授和中南林业科技大学彭妙讲师，通讯作者是肖光宗副教授，南京邮电大学朱刚毅教授、国防科技大学理学院杨俊波教授、杜特博士等也为该工作做出了重要贡献。该研究得到国家自然科学基金、湖南省杰出青年基金项目、湖南省重大科技攻关“揭榜挂帅”项目、国防科技大学自主科研创新基金等项目的资助。
由于光镊具备无接触式操纵和无机械损伤的优势，已经成为量子物理、生命科学、精密测量等领域重要的研究工具。随着上述领域的快速发展，在生物活性单分子/单细胞操控、宏观物质基态冷却和极弱力传感等诸多热（噪声）敏感应用场合，要求具有更高效率的光力探针，即采用更小功率的激光实现更大的光力。超材料为光力调控提供了新的思路，已经应用于光力矩增强探针 [ACS nano, 2020, 14(11): 14895-14906.]、光学超车辆 [Nat. Nanotechnol., 2021, 16(9): 970-974.]、甚至太阳帆 [Nat. Photonics, 2019, 13(4): 289-295.]等研究中。当前，大多数超材料光力探针通常采用手动调参的方式来设计，需要反复迭代以逼近最优解。随着光力探针结构和功能复杂性的提高，所需的计算内存就会越来越大，所需的设计时间也随之增长，这在一定程度上阻碍了超材料光力探针的实用化进程。深度学习为实现高效率光力探针优化设计，替代计算成本高昂的有限元模拟，提供了重要工具。
研究人员采用深度学习算法设计了Si/Si3N4多层膜超材料（SSN）光力增强探针（图1）。通过优化SSN光力探针的层厚比ρ、宽度W、高宽比AR，从而得到最大轴向光阱刚度kz。
图1 采用深度学习算法设计光阱增强型探针。
首先采用大网格搜索法，缩小深度学习的寻优范围。通过设定ρ的范围为 0.1 - 0.9，W的范围为 50 - 500 nm，AR的范围为 1 - 5，像素间隔为∆ρ = 0.1，∆W = 10 nm，∆AR = 0.2，找到能更大参数范围实现SSN光力探针稳定捕获的ρ值，即ρ = 0.2。
图2 不同ρ值下SSN光力探针的kz与W、AR之间的关系。 (a) ρ = 0.1 (b)ρ = 0.2 (c) ρ = 0.3 (d) ρ = 0.4 (e) ρ = 0.5 (f) ρ= 0.6 (g) ρ = 0.7 (h) ρ = 0.8 (i) ρ = 0.9。图中的黑色像素表示SSN纳米颗粒在该尺寸条件下，不能实现3D捕获。
随后创建基于神经网络(NN)和粒子群优化(PSO)算法的深度学习模型（图3）。选取网格D1，在D1中等间隔选取Wi和ARi，计算得到相对应的kzi，得到训练集{(Wi, ARi, kzi), i = 1, 2, …, M}。将该训练集输入到NN，得到描述W、AR和kz之间映射关系的NN代理模型。在D1中随机选取Wi’和ARi’代入NN模型，快速预测相应的kzi’。这些kzi’被分组为初始种群，每个kzi’都有速度vi和位置pi (Wi’， ARi’)。vi决定了kzi’移动的速度，pi决定了kzi’移动的方向。计算每个kzi的适应度∆kzi，比较∆kzi以找到kzi’的最优解，即单个极值Pi。通过与总体共享Pi，可找到全局最优解Gj，其中j表示训练集数量。如果需求得到满足，迭代结束。否则，更新每个kzi’的vi和pi，进行下一次迭代，直到收敛于最优点。
图3 基于NN-PSO的深度学习算法，其中输入层为W和AR，输出层为kz。
ρ = 0.2的寻优路径如图4a白色箭头所示，最优kz1’（图4a蓝点）为1.7 pN μm-1mW-1，对应的参数组合为W = 450 nm，H = 1125 nm，AR = 2.5。为了验证算法在极端条件下的适用性，研究人员还针对ρ = 0.3的情况（存在较多无法稳定捕获的参数点）进行了同步寻优计算。ρ = 0.3的寻优路径如图4b黑色箭头所示，最优kz2’（图4b蓝点）为1.6 pN μm-1mW-1，对应的参数组合为W = 383 nm，H = 1110.7 nm，AR = 2.9。
图4 ρ= 0.2 (a)和0.3 (b)时，kz的寻优过程。箭头表示寻找最优解的路线，圆圈数字表示需要计算的网格编号，蓝点表示最优解。
研究所人员以上述优化参数为参考，采用基于铬（Cr）牺牲层的自顶向下加工工艺制备了SSN光力探针。SSN光力探针以20 μm的间隙排列在Si基底表面的铬牺牲层上（图5a），单个SSN光力探针的宽度和长度分别为450 nm和1125 nm（图5b）。采用湿法刻蚀工艺从Si基底剥离SSN光力探针。在180s时，Cr牺牲层完全溶解，基底表面留下了SSN光力探针剥离的痕迹（图5c）。在7min时，SSN光力探针可以在Si基底表面自由移动，表明刻蚀完成（图5d）。
图5 SSN光力探针的SEM表征。(a) SSN光力探针阵列的侧视图，(b)单个SSN光力探针的俯视图，(c) 湿法刻蚀180s后，SSN光力探针从Si基底剥离的痕迹，(d)湿法刻蚀7min后，SSN光力探针可以在Si基底表面自由移动。
采用光镊实验系统测试了SSN光力探针的光阱增强性能，三轴的功率谱密度曲线如图6所示。实验研究表明，SSN光力探针的横向（kx和ky）和轴向（kz）光阱刚度是非晶型TiO2微球的2倍和5倍（表1）。实验还发现，SSN光力探针在光阱中心会绕光轴自转，自转频率fγ为1276 Hz（图6c）。此外，在自转频率的右侧，还包括三个明显的倍频峰，这说明颗粒做非简谐自转。
图6 SSN和TiO2颗粒在水环境中被捕获时的x- (a)、y- (b)和z- (c)方向的功率谱密度曲线。
本工作报道了一种采用深度学习算法设计光力增强探针的方法，将仿真设计时间缩短了约一个数量级。与非晶型TiO2微球相比，所设计、制备的SSN光力探针的横向和轴向光阱刚度分别提高了2倍和5倍。同时，SSN光力探针的自转效应使得将其作为微马达来构建用于生物靶向治疗的流体动力光镊成为可能。本工作首次在光力探针的设计中引入深度学习算法，并开展了验证实验，为多功能光力探针的优化设计提供了新思路和新途径。
论文链接：
https://opg.optica.org/prj/fulltext.cfm?uri=prj-12-5-959&id=549498
