栏目介绍： “论文快讯”栏目旨在精简地分享一周内发表在高水平期刊上的Metasurface领域研究成果，帮助读者及时了解领域前沿动态，如果对专栏的写法或内容有什么建议欢迎留言，后续会陆续开启其他专栏，敬请期待。

论文基本信息

• 标题: AI-Enabled Inverse Design and Molecular Identification Using Phase Change Metamaterial Absorber

• 作者:

  Ram Prakash S(印度理工学院罗尔基分校物理系)；
  Aastha Jain(印度理工学院罗尔基分校物理系)；
  Rajesh kumar(印度理工学院罗尔基分校物理系)；
  通讯作者：Anirban Mitra(印度理工学院罗尔基分校物理系)

• 发表时间: 2024年12月13日

• 发表期刊: Advanced Optical Materials**（JCR-Q1，IF=8）**

论文快览

解决的问题：
当前中红外分子检测技术受限于灵敏度不足、谐振波长范围窄和设备复杂，难以实现宽带吸收和动态调控。现有方法缺乏智能化设计与高效分子识别的结合，难以满足便携式、精准分子检测的需求。

提出的方法：
本文设计了一种基于相变材料Ge₂Sb₂Te₅（GST）的智能相变超材料吸收器（PCMA）。通过神经网络和遗传算法实现自由形式逆向设计，生成宽带吸收结构；利用GST相变特性，通过电压控制光谱调谐；结合支持向量机（SVM）模型对SEIRA信号进行分析，实现分子指纹的高效检测，构建从设计到识别的智能化框架。

实现的效果：
PCMA实现了1095 cm⁻¹至1602 cm⁻¹的宽带吸收，吸收峰分辨率达10.33 cm⁻¹，分子识别准确率达100%。设备具备低能耗特性（结晶化44.9 μJ，非晶化28.4 μJ），为便携式分子检测设备提供了高效解决方案。

创新性分析：
本研究在理论和方法上取得了显著创新。首先，在理论创新方面，提出了利用GST相变特性实现宽带吸收与动态光谱调控的机制，有效解耦了近场与远场功能，为动态中红外分子检测提供了新的研究范式。其次，在算法创新方面，采用深度学习与遗传算法相结合的自由形式逆向设计方法，克服了传统超材料设计中局部最优问题，显著提高了设计效率与性能。

论文重要图文

• **摘要：**在中红外（MIR）区域为特定吸收需求设计超材料对于分子检测与识别具有重要意义。结合超材料的表面增强红外吸收（SEIRA）技术可以实现精确的分子指纹检测。然而，由于传统方法谐振波长窄且超材料设计空间庞大，其在精确分子检测中的应用受到限制。本文提出了一种基于人工智能的集成工作流程，设计出可电调谐的相变超材料吸收器（PCMA），以实现宽带分子指纹的检索与识别。利用基于神经网络的自由形式逆向设计方法，结合神经-伴随优化技术，预测满足特定中红外吸收光谱需求的PCMA设计参数。通过训练后的逆向神经网络模型与遗传算法的结合，生成覆盖800 cm⁻¹至2000 cm⁻¹光谱范围的纳米结构设计。PCMA通过集成低能耗微加热器，实现了相变调控，谐振吸收峰可通过电压脉冲进行调谐。逆向设计的PCMA成功检测到四种分子及其混合物的分子振动指纹，并通过基于支持向量机（SVM）的机器学习模型实现了100%的分子识别准确率。该基于AI驱动的PCMA设计与SEIRA分子识别方法在精确分子检测领域取得了显著进展。

• **结论：**综上所述，本文提出了一种集成AI的工作流程，用于基于相变超材料吸收器的设计与分子识别。基于神经-伴随优化方法并结合遗传算法的逆向神经网络模型被用于优化超材料设计参数，以满足特定吸收光谱需求。生成的PCMA覆盖宽广的MIR光谱范围，并被集成在微加热器上，通过施加电压脉冲实现相变，调控GST的结晶化分数以调节谐振吸收光谱。在1095 cm⁻¹至1602 cm⁻¹的光谱范围内，逆向设计的PCMA成功检测到四种分子及其混合物的特征分子指纹，并通过SVM模型实现100%的识别准确率。本文展示的完全AI驱动的自由形式PCMA设计与分子识别方法，为快速、紧凑的可调谐超材料吸收器设计，以及灵敏的分子指纹检索和精确识别提供了新路径。

• 重要图片：

图1. 基于人工智能的相变超材料吸收器（PCMA）设计与分子识别工作流程示意图
a) 自由形式设计PCMA，其结构由Au纳米结构的离散二元网格、底部100 nm金层以及GST间隙层组成。
i) 正向网络预测GST在非晶态和晶态下给定PCMA设计的吸收光谱；
ii) 逆向网络根据目标吸收光谱预测PCMA设计。
b) 逆向设计的PCMA通过微加热器实现吸收光谱的电调谐，电压脉冲调节GST的结晶化分数以控制吸收峰位置。
c) 使用逆向设计的PCMA进行分子指纹提取和机器学习识别，SEIRA信号的减弱源于分子振动指纹的吸收；支持向量机（SVM）模型通过决策边界实现分子分类与识别，检测了四种分子及其混合物。

图2. GST不同相态下正向网络吸收光谱预测
a) 正向神经网络结构示意图。
b) 三个随机测试样本的归一化吸收光谱比较：正向网络预测结果（虚线）与有限差分时域（FDTD）模拟结果（实线）。
二元颜色图展示了PCMA顶层金纳米结构的设计，其中 $0$ 代表金，$1$ 代表真空。

图3. 自由形式PCMA逆向设计
a) 逆向设计神经网络的结构示意图，结合遗传算法进行预优化，红色箭头表示WGAN网络的训练过程。
b) 逆向网络预测设计与目标设计的比较，以及GST非晶态和晶态下对应的归一化吸收光谱。
c) 针对手绘单洛伦兹谱目标，逆向设计PCMA光谱与FDTD模拟结果的比较，展示了不同目标频率，如：
$${\omega }_{aGST}=1250{\text{cm}}^{-1},{\omega }_{cGST}=952{\text{cm}}^{-1}$$
$${\omega }_{aGST}=1724{\text{cm}}^{-1},{\omega }_{cGST}=1136{\text{cm}}^{-1}$$
$${\omega }_{aGST}=1666{\text{cm}}^{-1},{\omega }_{cGST}=1176{\text{cm}}^{-1}$$
其中，${\omega }_{aGST}$ 和 ${\omega }_{cGST}$ 分别表示GST在非晶态和晶态下的共振频率。

图4. PCMA逆向设计与微加热器集成
a) 单元结构设计示意图，目标为非晶态的双洛伦兹光谱和晶态的单洛伦兹光谱。
b) 集成微加热器的PCMA示意图。
c) GST非晶态和晶态下PCMA目标光谱（实线）、逆向设计光谱（虚线）与FDTD模拟光谱（点线）的比较。
d) 应用脉冲电压时GST中心温度的时间变化，蓝色实线表示电压脉冲，红色虚线表示中心温度，插图展示了不同时间的温度分布。
e) 不同结晶化分数下的归一化吸收光谱模拟结果，色条表示结晶化分数。
f) 吸收峰位置与GST结晶化分数之间的线性关系。

图5. 多指纹检测的PCMA模拟
a) 逆向设计的PCMA在覆盖 $30\text{nm}$ 分子后的归一化吸收光谱模拟结果。
b) 对应的SEIRA信号，通过加载和未加载的吸收光谱差值计算得到。目标分子包括聚甲基丙烯酸甲酯（PMMA）、聚（乙基氰基丙烯酸酯）（PECA）、甲草胺（MET）和乙烯-醋酸乙烯酯共聚物（EVA）。垂直线条表示分子的指纹吸收位置。

图6. 基于机器学习的分子识别
a) 加载分子混合物的逆向设计PCMA的归一化吸收光谱模拟结果。
b) 对应的SEIRA信号。
c) 不同分子的SEIRA信号关于波数和分子厚度的热力图。
d) 机器学习模型中主成分分析（PCA）中波数与主成分权重的关系。
e) PCA模型解释方差比的分布。
f) 使用SEIRA进行分子识别的机器学习模型混淆矩阵。

参考文献

R. P. S, A. Jain, R. kumar, A. Mitra, AI-Enabled Inverse Design and Molecular Identification Using Phase Change Metamaterial Absorber. Adv. Optical Mater. 2024, 2402407.
DOI：https://doi.org/10.1002/adom.202402407

免责声明：
本公众号专注于超表面领域的最新研究动态、学术成果和技术应用分享。所有发布的内容和图片，均已标明来源，且仅供个人学术学习和知识积累使用，不得用于商业目的。如您发现任何版权或相关问题，欢迎通过邮箱 metasurface@126.com 联系我们，我们将尽快处理并协调相关事宜。