近红外智能光谱传感器：将AI深度集成于InGaAs芯片之中

传统光谱仪的瓶颈十分显著：体积笨重、集成度不足、边缘计算能力薄弱。这些短板长期制约着近红外光谱技术向更广泛应用场景——尤其是消费电子与物联网领域——的大规模拓展。然而，真正令非专业用户感到困扰的，并不仅仅是尺寸问题，更在于分析模型能否真正“嵌入”设备。说得更直白些，即便设备做得再小巧，如果每次分析都需将数据传输回计算机进行算法处理，那它与传统大体积设备本质上并无差异。

InGaAs光电探测器在此扮演着核心角色——它能在接近室温条件下，覆盖从可见光到短波红外波段，探测性能极为优异，堪称近红外光谱传感领域的主力器件。

近期，同济大学精密光学工程技术研究所与中国科学院上海技术物理研究所携手取得重大突破。他们在Advanced Photonics Research上发表论文，核心成果是：利用三维异质混合集成技术，将边缘AI分析模块与InGaAs光谱传感器直接“融合”为一体，成功研制出一款近红外智能光谱传感器。

简单来说，该传感器将线性可变滤光片（LVF）、线性焦平面阵列（FPA）以及专门运行神经网络的芯片处理器集成于单一模组。过去依赖外部算法分析的困境，由此被彻底打破。这一方向为近红外光谱技术向小型化、集成化、智能化发展开辟了新路径，同时也为与消费电子、物联网的深度融合打通了关键环节。

结构拆解：三种核心元件如何实现三维堆叠？

这款InGaAs智能光谱传感器的构造十分清晰：可调谐波长的LVF、负责信号采集的InGaAs FPA，以及内置分析模型的AI芯片。图1a清晰展示了其结构和工作原理——LVF采用高能物理气相沉积工艺制备的薄膜滤光片，中心波长在900 nm至1700 nm范围内随位置呈线性变化，相当于一枚片上“光谱分光机”。

图1 InGaAs智能光谱传感器原理图及基于AI识别模型的片上集成流程图

关键问题在于：LVF与光敏元件均非硅基材料，如何与CMOS工艺兼容？研究团队的答案是采用三维异质混合集成——将不同材料、工艺与功能元件垂直堆叠。这种结构的优势显而易见：它使摩尔定律在密度、功能、性能及器件多样性方面得以延续，同时降低了成本。更重要的是，为ROIC和AI芯片各自的CMOS制造工艺保留了充足的灵活性。

当然，仅有硬件远远不够。AI分析模型能否真正“驻留”在传感器上，才是智能光谱传感器能否走向实际应用的核心所在。流程图1b则将这一过程阐释得十分详尽。

实测表现：光谱性能媲美商用便携仪器

在投入实际应用之前，先检验传感器本身的“硬实力”。图2展示了测试结果——图2a与2b呈现了900 nm~1700 nm范围内部分像素对单色光的归一化光谱响应，带通特征呈现经典洛伦兹-高斯分布，截止值低于OD2。图2d则给出了所有可用像素的半峰全宽（FWHM）。结论是：该传感器的基本性能，已可与商用的InGaAs便携式光谱仪正面抗衡。

图2 InGaAs智能光谱传感器的光谱性能

实战案例：绿茶掺糖，一“测”便知

随后，团队利用该传感器对糖与茶的混合物进行分类——简而言之，就是检测绿茶中是否混入了蔗糖。图2f展示了训练集和验证集中120个样本的原始光谱，蔗糖含量各不相同。这些光谱曲线特征与早期研究及其他商用仪器的测量结果高度吻合，表明基础数据可靠。

边缘识别的“杀手锏”：深度学习模型成功植入芯片

团队还希望验证一点：部署在传感器上的深度学习模型，能否达到与传统计算机算法同等的效果？他们首先构建了一个基于CNN的绿茶掺糖识别模型，在计算机上验证通过后，直接部署到传感器的芯片处理器中。结果如何？请见图3。

图3 建模与边缘识别结果

总结：一枚小芯片，开启全新应用版图

总体而言，研究团队将内嵌AI分析模型的ARM Cortex-M7芯片，与LVF及线性FPA光谱传感器整合为一体，打造出真正的InGaAs智能光谱传感器。基于异质混合集成的三维结构，单次快照即可在900 nm~1700 nm范围内获取超过200个光谱通道，分辨率达到中心波长的1.25%，并支持自由选择输出原始光谱或即时识别结果。

作为边缘AI应用的一次“实战检验”，该传感器对绿茶掺糖的实时识别准确率超过90%。它彻底摆脱了近红外光谱对外部算法的依赖，为原位分析和现场测量提供了即时、可靠的参考结果。未来，通过集成片上准直光学器件、改用陶瓷或塑料封装，传感器尺寸还可进一步缩减。可以预见，这款智能光谱传感器将在科研与工业领域，尤其是消费电子和物联网应用中，催生诸多富有价值的新机遇。