Machine Learning-Assisted Analysis and Inverse Design of Prism-Based Surface Plasmon Resonance Sensors
本文提出了一种数据驱动的机器学习框架，该框架利用基于物理的代理模型和可解释人工智能，实现了 Kretschmann 配置 SPR 传感器的快速、高精度逆向设计与优化，与传统的传输矩阵模拟相比，将计算成本降低了数个数量级。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
能够检测出极其微量的病毒、细菌或化学物质，且无需使用荧光染料进行标记的光学传感器，长期以来一直是科学家和医生追求的目标。这些设备依赖于一种被称为表面等离激元共振（surface plasmon resonance）的现象，即光击中一层薄金属时，会引起电子产生波动，这种波动对接触表面的任何物质都极其敏感。为了制造出性能良好的传感器，工程师必须将不同的材料层——玻璃、金属和特殊涂层——层层堆叠在一起。最终设备的性能完全取决于每一层的精确厚度和所选材料的具体光学特性。然而，寻找完美的组合就像是在一个不断扩大的草堆中寻找一根针；每当增加一种新材料或将某一层做得稍厚一点，可能的方案数量就会呈爆炸式增长。传统上，测试这些设计需要为每一个变化运行复杂的计算机模拟，这个过程对于每一次尝试可能需要数秒，但若要探索所有的可能性，仍需耗费数年时间。
一组研究人员现在展示了如何通过教计算机几乎瞬间预测最佳设计，从而绕过这种缓慢且乏味的搜索过程。该团队并没有重复进行繁重的模拟，而是首先利用标准的物理方法生成了一个包含超过15万种模拟传感器设计的庞大库。随后，他们利用这些数据训练了多种不同类型的机器学习模型，教它们识别物理结构与性能之间的关联模式。其目标是找到一种能够作为快速、准确的替代方案的机器学习模型，以取代缓慢的物理模拟，从而让工程师能够瞬间得知新设计的表现。研究人员测试了四种不同的机器学习方法，比较了它们在预测两个关键成功指标方面的表现：传感器信号的锐度以及探测目标时信号下降的深度。
研究发现，虽然所有的机器学习模型都很好地掌握了这项任务，但最成功的模型是基于一种称为梯度提升（gradient boosting）的技术，这种技术通过结合许多简单的决策树来构建预测。这些模型的准确度极高，其预测结果与缓慢的传统物理模拟几乎完美匹配，误差通常小于1%。更重要的是，这些经过训练的模型可以在几分之一毫秒内做出预测，而传统方法则需要数秒。这实现了数千倍的加速，将原本需要数月计算时间的过程缩短到了眨眼之间。
除了预测性能之外，研究人员还利用这些快速模型进行反向工作，这一过程被称为逆向设计（inverse design）。他们不再问：“如果我建造这个，它会表现如何？”，而是问：“为了达到特定的结果，我应该建造什么？”他们将目标性能指标输入机器学习模型，并让优化算法搜索实现该目标所需的材料和厚度的精确组合。结果令人震惊：当不同的优化算法被赋予相同任务时，它们独立地收敛到了几乎相同的传感器设计。为了确保这些设计是真实的而非仅仅是数学上的产物，研究人员将机器学习找到的最佳设计重新放入原始的缓慢物理模拟中进行测试。现实世界的物理规律证实了机器的预测，实际性能与预测结果在极小的误差范围内保持一致。
该研究还深入探讨了模型做出决策的原因，使用了能够分解每个输入重要性的方法。分析显示，影响传感器性能最关键的因素是金属层的吸光特性及其厚度。虽然其他层（如玻璃棱镜或介电涂层）也起到了作用，但相对于金属支持或抑制电子波动的能力而言，它们属于次要因素。通过理解这些关系，机器学习模型不仅仅是在猜测，而是学习了系统的底层物理学。研究人员还通过轻微改变输入数值来模拟现实制造过程中产生的微小误差，以此测试模型的鲁棒性。即使存在这些现实中的变化，表现最好的模型依然保持稳定可靠，这表明它们可以被信赖用于实际器件的制造。
这项工作表明，设计先进光学传感器的瓶颈不再是缺乏模拟物理的计算能力，而是使用这些模拟进行每一次设计选择时的低效。通过用训练好的快速机器学习模型取代缓慢、重复的计算，工程师现在可以在几分钟而非数年内探索广阔的传感器设计宇宙。研究证实，这种方法不仅速度更快，而且在物理上是准确的，为开发用于医疗诊断、环境监测和安全领域的超灵敏传感器提供了可靠的路线图。研究结果表明，传感器设计的未来在于人类直觉与机器速度之间的这种协作：由计算机处理穷举式的搜索，从而让研究人员能够专注于最有希望的发现。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。