超越傅里叶光学：自驱动实验室发现调控自发辐射的新原理

《Nature Communications》：Self-driving lab discovers principles for steering spontaneous emission beyond conventional Fourier optics

本刊推荐：为解决自发辐射缺乏时空控制及传统方法难以预测非周期性超表面发射模式的难题，研究人员开发了一种自驱动实验平台，结合变分自编码器、主动学习与神经网络方程学习器，发现了通过组合透镜与光栅的空间折射率梯度与曲率来高效调控自发辐射的新原理。该研究实现了高达77%的发射方向性，在74°视场内提升3.77倍，为高效LED及全息显示提供了新途径。

　　

在当今追求高效能源与先进显示技术的时代，控制光的发射方式成为一项关键挑战。传统光源如发光二极管（LED）和热辐射灯发出的光往往缺乏方向性，如同一个灯泡向四周均匀发光，这导致能量利用率低下。想象一下，如果能够像手电筒一样精确控制光线的方向，使其集中照射在需要的地方，将极大提升照明效率，甚至催生全新的应用，如远程传感和全息显示。然而，实现这一目标并非易事，尤其是对于“自发辐射”这种非相干光而言。传统的相干光控制技术，如用于激光的相控阵光学，并不适用于自发辐射。近年来，一种名为“超表面”的纳米结构材料带来了曙光。这些由亚波长谐振器组成的平面结构，通过改变其局部折射率，理论上可以像操纵海浪一样操控光波的传播行为。特别是可重构半导体超表面，其折射率能够通过超快光学脉冲进行动态调节，为实现任意光场调控提供了可能。但一个核心难题依然悬而未决：如何预测并设计复杂的、非周期性的折射率分布，才能使得超表面发射的光线精准地指向特定角度？现有的理论模型，主要基于傅里叶光学中的动量匹配原理，即通过类似光栅的周期性结构来偏转光线，其预测能力在面对复杂的非周期性结构时显得力不从心。这就像只知道用简单的棱镜分光，却无法设计出功能复杂的复合透镜组。因此，探索超越传统傅里叶光学的新原理，成为纳米光子学领域一个亟待突破的前沿。

为了攻克这一难题，由Saaketh Desai、Sadhvikas Addamane、Jeffrey Y. Tsao、Igal Brener、Remi Dingreville和Prasad P. Iyer组成的研究团队，在《Nature Communications》上发表了他们的最新成果。他们并非依靠传统的人工试错或纯理论推导，而是构建了一个高度智能化的“自驱动实验室”。这个实验室的核心是一个强大的机器学习框架，它能够自主地设计实验、执行测量并从数据中学习物理规律。研究人员利用该平台，成功发现了调控自发辐射方向性的新原理，并首次以数学方程的形式揭示了其内在的物理关系。这项研究标志着人工智能驱动科学发现迈出了重要一步，为设计下一代高效光源开辟了全新路径。

研究人员为开展此项研究，主要应用了以下几项关键技术：首先，构建了基于可重构砷化镓超表面的超快动量分辨光致发光测量系统，通过空间光调制器动态投射泵浦图案以调制超表面局部折射率；其次，开发了机器学习框架，其核心包括利用变分自编码器从低维潜空间生成高维复杂泵浦图案，采用主动学习代理结合高斯过程模型以贝叶斯优化策略指导实验，并运用基于神经网络的方程学习器从数据中提取可解释的物理方程；最后，对学习到的潜空间与物理特征（如空间梯度和曲率）进行了Spearman相关性和Sobol敏感性指数分析以验证发现。

Results and Discussion

Improving Emission Directivity with Active Learning

为了最大化超表面自发辐射的方向性，研究团队让主动学习代理在变分自编码器的潜空间中进行搜索。结果显示，在没有先验知识的情况下，经过约300次闭环实验迭代，主动学习代理成功地将自发辐射的峰值方向性在74°的视场内平均提升了2.2倍，其中在14.4°方向上的提升幅度最高达到3.77倍，绝对方向性峰值高达67%。这一性能超越了目前最先进的锯齿形光栅图案，并且与需要笨重反射镜和准直器的商用LED性能相当，同时保留了在宽视场内偏转发射的能力。

Latent space discovery with active learning

对变分自编码器潜空间的深入分析揭示了其与物理特征的关联。研究发现，潜空间维度与空间光调制器泵浦图案的物理特性存在统计相关性，其中空间曲率与潜变量z₄弱相关，而平均泵浦强度与z₃负相关。更重要的是，Sobol敏感性分析表明，空间梯度与潜变量z₁-z₄的组合强相关。这意味着主动学习代理发现了一个与高性能发射模式相关的、可解释的潜子空间。通过实验验证，研究人员确认特定的透镜（由空间曲率a表征）和光栅（由空间梯度b表征）泵浦图案组合能够产生高方向性。

Equation learner framework

为了将机器学习发现转化为人类可理解的知识，研究团队采用了神经网络方程学习器。该网络使用物理启发的激活函数，经过训练和迭代剪枝后，最终得到一个描述方向性与空间曲率a和梯度b关系的简洁方程。例如，对于0°方向的发射，其方向性方程为 D_g(0°) = 0.18(a - 0.033b)²+ 0.029b²+ 0.04 sin(3.52a - 0.04b) + 0.65。该方程捕捉了数据集中的振荡行为，并明确了其对空间曲率的依赖关系，为理解自发辐射调控提供了一个可推广的现象学模型。

研究结论与意义

本研究成功展示了一个能够发现并阐明纳米尺度光-物质相互作用中新结构-性质关系的自驱动纳米光子学实验室。该平台将生成模型、主动学习代理和方程学习网络有机结合，构成了自驱动实验室的核心要素。研究发现，通过结合透镜和光栅特性的空间折射率分布（即同时考虑动量匹配和动量梯度），可以比单纯依靠光栅（动量匹配）更有效地调控自发辐射。具体而言，正透镜与正光栅组合，或负透镜与负光栅组合，均能有效偏转光线；而正透镜与负光栅组合则几乎丧失偏转能力，这与经典光学直觉相悖，揭示了超越传统傅里叶光学的新原理。

这项工作的重要意义在于多个方面。首先，在方法论上，它为实现高维科学问题的可解释性发现提供了可行框架，将人工智能从“黑箱”优化工具提升为能够揭示物理规律的科研伙伴。其次，在技术应用上，所发现的新原理为设计高方向性、可动态重构的自发辐射源（如高效LED、热光源）奠定了理论基础，无需笨重的光学元件即可实现光束调控，有助于推动清洁能源和先进显示技术的发展。最后，在基础科学上，它挑战了仅基于动量匹配来理解光-物质相互作用的传统范式，表明在纳米尺度上，折射率分布的空间梯度（类光栅特性）和曲率（类透镜特性）共同决定了自发辐射的方向性，为后续的理论建模和实验探索开辟了新的方向。这项研究预示着自主实验平台在物理科学其他领域的广泛应用潜力，有望克服人类直觉和现有理论框架的局限，驱动新的科学发现。