导读

近日，来自北京科技大学新材料技术研究院白洋、刘传宝团队，联合苏州国家实验室与清华大学周济团队等，在手性光子学与智能超表面设计领域提出了一套深度神经网络（deep neural network, DNN）与贝叶斯优化（Bayesian optimization, BO）结合的自动化逆向设计框架。手性分子在生物医药、生命科学和不对称合成等领域具有核心意义，但天然分子的圆二色性（circular dichroism, CD）响应通常非常微弱，限制了痕量手性检测的灵敏度。超表面能够通过亚波长结构调控产生强局域光场与光学手性增强，但传统设计往往依赖专家经验和大量全波电磁仿真扫描，效率低且难以迁移到新的目标波长。

该工作将“结构参数—本征模态—超手性响应”之间高度非线性、强耦合的映射转化为可学习、可优化的设计问题：首先利用DNN快速预测超表面的本征模态位置和品质因数（Q factor），再通过包含目标波长、双模简并、高Q筛选与几何可制造约束的物理启发型BO目标函数，自动搜索能够在指定波长处产生超手性场的超表面结构。优化后的超表面可实现最高约6000倍光学手性增强，使CD响应相较无超表面参考提高近三个数量级，同时将设计速度较专家知识引导的参数扫描提升五千多倍，为超灵敏手性传感以及智能光子器件设计提供了新的通用范式。

图文解读

图1展示了本文提出的自动化反向设计流程。研究团队选择一种非手性的全介质超表面作为模型体系：高折射率薄膜中周期性刻蚀圆孔，并在圆孔附近引入微小圆柱扰动以打破C2对称性，从而将理想连续域束缚态（BIC）转化为具有高Q特征的准连续域束缚态（q-BIC）。值得注意的是，圆柱扰动沿y轴布置并保留整体镜面对称性，因此超表面本身不产生固有手性，最终测得的CD信号主要来自待测手性分子，而非结构本身的手性响应。

在这一框架中，DNN输入为三个关键结构参数[r, d, t]，分别对应圆柱半径、圆柱与圆孔中心距离以及薄膜厚度；输出为四个相关本征模态的复频率信息。DNN完成快速前向预测后，BO模块根据用户设定的目标波长寻找满足双高Q模态简并的候选结构；随后再将仿真评估结果反馈给优化器，不断收缩搜索空间。这样，研究者不再需要手动逐一扫描参数，而可以直接从“目标波长处需要超手性场”出发，自动获得满足条件的几何结构。

图1：面向超手性场的自动化反向设计框架。(A) 超表面结构参数；(B) DNN前向预测模型；(C) DNN预测本征模态；(D) 贝叶斯优化过程；(E) BO推荐结构参数组合；(F) DNN + BO框架获得的优化本征模态分布。

图2进一步说明了DNN前向预测模型的可靠性。对于超表面模态预测而言，一个长期容易被忽视的问题是“模态标签切换”：随着结构参数连续变化，不同本征模态可能发生靠近、耦合、交叉或反交叉，按波长大小导出的第1、第2、第3、第4个模态并不一定始终对应相同物理模态。若直接采用普通均方误差进行有序多输出回归，模型会把这种标签错位当作真实误差，从而引入人为监督冲突。

为解决这一问题，作者将本征模态预测重新表述为“模态集合预测”问题，并引入置换不变损失函数：训练时不强制四个输出模态按固定编号一一对应，而是在所有可能匹配中选择误差最小的一组作为优化目标。基于100043组COMSOL仿真数据训练后，该模型在约600个epoch后稳定收敛，测试损失达到6.35 × 10^-4，且94.9%的测试样本满足MSE < 0.5 × 10^-3。随机结构参数下的对比也表明，DNN预测的模态位置与COMSOL仿真结果高度一致，为后续BO快速搜索提供了可信代理模型。

图2：DNN前向预测模型性能评估。(A) 采用置换不变模态集学习时的训练/验证损失曲线及测试损失；(B) 测试集MSE分布；(C-F) 四组随机结构参数下DNN预测本征模态与COMSOL仿真本征模态的对比。

在此基础上，图3展示了DNN + BO框架对目标超手性场的逆向设计能力。以657 nm为目标波长时，优化目标同时要求两个高Q模态的平均波长接近目标值、两个模态彼此简并，并保持Q因子的一致性；同时引入高Q惩罚项和几何可行性惩罚项，以避免算法找到低品质或不可实现的结构。实际搜索过程中，DNN先快速评估100个随机初始结构，随后BO继续进行200轮迭代，在第43轮左右即出现明显收敛趋势。

更重要的是，该框架并非只能给出单一“幸运解”，而是能够在不同随机种子下稳定地将两条目标模态推向目标波长附近，并提供多组低损失、结构互异的候选参数。图3B-D给出的三个代表性结构分别在654、656和658 nm附近实现双模简并，且保持相同晶格周期。这说明该框架可针对不同检测波长进行快速迁移，不再受限于传统经验调参的效率瓶颈。

图3：DNN+BO框架用于超手性场逆向设计。(A) BO反向设计过程的优化轨迹，插图为三个代表性结构参数组在优化过程中的本征模态演化；(B-D) 三个代表性逆向设计候选结构，分别在654、656和658nm目标波长附近表现出双模简并，插图为选定谐振模的场分布。

图4给出了该逆向设计超表面在超灵敏手性传感中的性能。对于右旋圆偏振（RCP）入射，超表面附近产生正的光学手性增强；对于左旋圆偏振（LCP）入射，则产生符号相反的光学手性增强，说明双模简并形成的超手性场在相互作用区域内具有良好的螺旋性保持能力。若局域区域中存在符号相反的光学手性贡献，远场CD信号会相互抵消；因此，空间均匀且高幅值的光学手性增强是实现高灵敏检测的关键。

仿真结果显示，优化结构的近场光学手性增强最高可达入射圆偏振光的约6000倍。引入手性对映体后，体系出现上下两个杂化分支，并在零失谐附近产生强耦合特征。通过比较RCP与LCP入射下的吸收差异，作者获得了显著增强的CD响应：100% D-对映体样品的CD幅值可达0.35；不同D-/L-比例样品的CD谱峰幅值和符号均发生有规律变化，可用于判别手性组成。相较无超表面的参考体系，最大CD响应提升近三个数量级，即使在较低填充分数下仍保持明显增强，显示出该平台用于痕量手性分子检测的潜力。（来源：EngineeringJournals微信公众号）

图4 逆向设计超表面增强的超灵敏手性传感：(A) RCP与LCP入射下的光学手性增强（CE）分布；(B) 含100% D-对映体样品的吸收与CD光谱；(C) 含不同比例D-和L-对映体样品的CD光谱；(D) 有/无超表面增强时CDmax响应对比。

相关论文信息：https://journal.hep.com.cn/etm/EN/10.2738/ENGTM.2026.0008