基于超分辨率学习与双CNN架构的钙钛矿多波段吸收体逆向设计研究

为解决铅卤钙钛矿完美吸收体设计依赖耗时复杂的有限元模拟（如COMSOL）问题，北京理工大学团队提出了一种创新的深度学习框架。该研究通过超分辨率阶段解决"5输入-300输出"的维度不匹配问题，并采用多尺度CNN降低光谱冗余性，成功实现了单/多波段吸收体及宽带反射器的逆向设计，精度媲美传统仿真工具，为光学超表面（metasurface）的智能化设计提供了新范式。

　　

在光学超表面（metasurface）研究领域，铅卤钙钛矿材料因其优异的光电特性成为完美吸收体（perfect absorber）的理想候选。然而传统依赖有限元模拟（如COMSOL）的设计方法存在计算复杂度高、周期长等瓶颈，尤其对于多波段吸收体的逆向设计更是举步维艰。尽管深度学习在材料设计领域崭露头角，但在完美吸收体设计中的应用仍属空白。这一矛盾促使北京理工大学的研究团队开展突破性探索。

该研究创新性地构建了双路径深度学习框架。正向设计路径采用超分辨率学习技术，通过预-超分辨率-后处理三阶段架构，有效解决了5个几何参数到300个光谱数据点的映射难题；逆向设计路径则开发了多尺度卷积神经网络（CNN），利用并行卷积核捕捉光谱特征，显著降低了光谱冗余性干扰。实验样本基于甲基铵碘化铅（CH₃
NH₃
PbI₃
）和a-Si空心圆柱结构，通过固定720 nm周期参数确保模型普适性。

Metasurface Model
研究选用CH₃
NH₃
PbI₃
作为高折射率非手性材料，构建了包含Al基底、Al₂
O₃
介电层、钙钛矿功能层和a-Si空心圆柱顶层的超表面结构。通过固定晶格周期参数，确保了模型在可见-近红外波段的适用性。

Manufacturing defects impact analysis
针对制造过程中a-Si空心圆柱层的尺寸偏差（厚度、内外径），研究量化分析了其对局部表面等离子体共振（LSPR）与磁偶极共振耦合条件的扰动规律，为工业级制备提供了容差设计依据。

Application
模型成功拓展至二维材料和过渡金属二硫属化物（TMDCs）等新兴材料体系，验证了其在多类光学超表面设计中的迁移能力，单次预测耗时较传统仿真缩短三个数量级。

Conclusions and Perspectives
该研究首次实现了深度学习驱动的钙钛矿完美吸收体智能化设计，其超分辨率学习框架将设计效率提升98.7%，逆向设计精度达商用仿真软件水平。特别在四波段吸收体设计中，模型准确预测了91.2%的共振峰位，为智能光学材料设计开辟了新途径。

这项发表于《Journal of Alloys and Compounds》的工作，由Ming Liu团队通过Winter奥运会科技专项（2018YFF0300804）和国家自然科学基金（61935001）支持完成，其建立的"几何参数-光学响应"智能映射范式，为下一代光电器件的按需设计提供了关键技术支撑。