深度神经网络赋能：打造高感知双共振全介电超表面比色传感器

在日常场景中，我们常借助颜色变化来判断物质浓度或状态，比如pH试纸遇酸碱变色。如今，科学家将这一原理与纳米光子学深度融合，推出了一种新型比色传感器。本文带您深入解析韩国国立首尔大学和明知大学研究团队的最新成果：一种基于深度神经网络（DNN）设计的高感知双共振全介电超表面比色传感器。该技术能够通过肉眼识别微小折射率变化，为即时诊断（point-of-care）和生物分子传感领域带来突破性进展。

一、为什么需要无标记生物分子传感？

在医疗诊断、环境监测和食品安全等领域，实时精准识别微观粒子（如病毒、蛋白质、核酸）至关重要。基于光学的无标记生物分子传感平台凭借实时监测、长寿命和宽操作带宽等优势，成为研究热点。其中，纳米光子换能器能将分子结合事件转化为可测量的光学信号，其纳米级尺寸有助于设备微型化、降低成本，并方便集成到芯片实验室（lab-on-a-chip）平台中。

二、传统等离子体传感器的局限

最具代表性的纳米光子生物传感器是基于局部表面等离子体共振（LSPR）原理的金属等离子体传感器。然而，它存在两个固有缺陷：

• 共振线宽变宽：表面等离子体的快速相移导致共振峰较宽，降低了读出分辨率和效率。
• 光热降解：金属的高导热率引起局部加热，可能导致分析物在体内传感时降解。

为克服这些限制，研究者将目光转向高折射率、低损耗的全介电纳米结构作为替代方案。

小提示：全介电材料（如硅、氮化镓）在可见光波段几乎没有欧姆损耗，因此能实现更尖锐的共振峰，有助于提高传感灵敏度。

三、全介电超表面：光操纵的新利器

全介电超表面是由周期性纳米结构阵列组成的二维平面，能够以非凡的方式调控光场。它被广泛应用于平面超光学（metaoptics）、高饱和颜色生成以及折射率传感与比色传感。在传感领域，全介电超表面传感器正在逐步取代等离子体传感器。

然而，全介电传感器面临一个关键挑战：对环境变化的相对灵敏度较低，这推迟了其商业化进程。此前研究尝试利用连续体中的束缚态（BIC）或Fano共振来增强近场和品质因子，但这些方案对几何参数误差过于敏感，导致制造良率下降。

四、比色传感：用眼睛直接“读数”

比色法提供了另一视角：通过分析物与换能器相互作用产生的颜色变化实现肉眼读出。纳米结构阵列产生的结构色可作为比色传感的信号。其优势在于：

• 无需额外测量设备，检测过程直接、快速。
• 适用于即时诊断（point-of-care），超越实验室环境限制。
• 通过设计可见光波段的特定光谱线型，能够产生易于辨别的颜色变化，从而提高灵敏度。

五、深度学习逆向设计：高效获取最优结构

传统设计方法依赖迭代全场电磁（EM）仿真，随着多维设计空间增大，计算成本极高，且难以保证结果接近最优。而深度神经网络（DNN）方法只需一次性“投资”进行EM仿真训练，即可在更新权重后快速提出设计空间内的最优解。

近年来，深度学习逆向设计已成功应用于精确结构色设计、宽带吸收器、光学滤波器与光学数据存储等领域。研究团队正是利用这一方法，实现了高精度光谱线型匹配。

常见问题：

• 问：深度学习逆向设计如何避免传统方法的“试错”过程？
  答：传统方法需要逐个尝试几何参数组合并仿真，耗时巨大。而DNN通过大量仿真数据训练后，能直接学习从目标光谱到几何参数的映射关系，一步输出最优设计，均方误差（MSE）可控制在0.005以内。
• 问：为什么选择双共振光谱而不是单共振？
  答：双共振光谱在可见光区域产生更陡峭的色差变化，相比单共振能更显著地放大微小折射率变化引起的颜色差异，从而提升传感器感知能力。

六、核心创新：双洛伦兹共振超表面设计

研究人员提出一种前所未有的方法：利用高折射率电介质制成双洛伦兹共振超表面，通过设计特定的光谱线型来最大化色差。与以往只关注单共振灵敏度的研究不同，本工作从比色法和光谱学双重角度分析了双共振光谱具备高灵敏度的原因。

为实现精准的光谱线型，团队“嫁接”了深度学习逆向设计方法。训练后的DNN能够根据目标反射光谱直接生成超表面几何参数，最终实现了均方误差（MSE）小于0.005的精确匹配。

图1 论文所提出的比色传感器总体设计示意图

七、实验性能验证：肉眼可见的微小变化

所设计的全介电比色传感器被用于检测葡萄糖溶液浓度的变化。实验结果令人振奋：传感器能够通过肉眼直接观察到颜色变化，从而检测出折射率小于0.01的微小变化。这一性能远超传统比色传感器的感知极限，充分展示了全介电纳米光子传感器的巨大潜力。

图2 论文所提出的比色传感器的传感性能

常见问题：

• 问：这种传感器能否直接用于真实生物样品（如血液）？
  答：目前研究以葡萄糖溶液为模型验证概念，但原理适用于任何引起折射率变化的分析物。实际应用时需考虑生物样品的非特异性吸附和干扰，但该平台已展示出向即时诊断转化的可行性。
• 问：深度学习模型需要大量数据训练，这会不会成为瓶颈？
  答：虽然初始训练需上万组EM仿真数据，但这一过程可离线完成。一旦模型训练完成，后续设计即时生成，综合效率远高于传统方法。且随着迁移学习等技术的发展，训练成本将进一步降低。

八、总结与展望

本研究通过结合双洛伦兹共振超表面与深度学习逆向设计，成功开发出一种高感知的全介电比色传感器。它既能利用结构色实现肉眼读取，又借助DNN避免了传统设计的计算难题，为发展全介电纳米光子比色传感器奠定了坚实基础。未来，该技术有望应用于医疗快检、环境监测、食品安全等场景，推动传感设备向小型化、低成本、高灵敏度的方向持续演进。