[超表面论文快讯-10] Advanced Optical Materials-人工智能相变超材料逆向设计-印度理工学院_德国马普所团队提出“相变材料-超表面”复合结构,利用gst(ge sb te )的-CSDN博客

本文链接：https://blog.csdn.net/zyh19980527/article/details/144477159

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。
在这里插入图片描述

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：

在这里插入图片描述

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。

在这里插入图片描述