基于主动学习增强扩散模型的高不对称超表面：太赫兹共振的新解决方案及其在生物传感中的应用潜力

本刊推荐：本文提出了一种基于主动学习增强扩散模型的新方法，用于高效设计具有高性能太赫兹（THz）共振的高不对称超材料。传统设计方法受限于对称结构，而深度学习方案需要大量数据集。本研究创新性地结合先验知识引导的生成模型和物理约束的主动学习机制，仅使用68个经典结构作为初始训练集，成功生成超越传统设计的高不对称结构，在关键共振指标上实现超过30%的提升。这项工作为高灵敏度太赫兹元器件（metadevices）提供了新解决方案，显著降低了深度学习对数据量的需求，在生物医学传感和成像领域具有重要应用前景。

　　

太赫兹超材料设计的新范式

太赫兹（THz）电磁波在微波和红外光谱之间的过渡区域具有独特优势，而实现高性能太赫兹共振的超材料对于推进传感器、探测器和成像器的发展至关重要。传统设计方法主要关注对称或低不对称几何结构，而高不对称设计由于试错式理性设计的低效性一直未被充分探索。

主动学习增强的创新框架

研究团队提出了一种新颖的先验知识引导生成模型，通过物理约束的主动学习机制来设计高不对称超材料。该方案的核心在于采用先进的扩散模型从少量经典高FOM（品质因子）太赫兹共振结构中学习特征，并生成新的高不对称结构。为解决经典结构数量有限的问题，生成的高不对称结构根据其物理特性被主动选择并整合到初始训练数据集中。

该框架模拟了理性设计过程，从文献调研开始，收集一小部分经典结构作为初始训练数据集来拟合生成模型。这些经典结构的高性能太赫兹共振已在现有研究中得到证实，它们作为先验知识指导生成模型学习其潜在特征，然后生成具有太赫兹共振的新结构。

物理约束的主动学习机制

主动学习循环包括两个主要步骤：基于有效折射率n_eff的数据查询和基于共振FoM的注释。首先根据n_eff区分具有潜在共振的高不对称结构，当n_eff的实部在0.3-0.8 THz工作频率范围内出现负值时，将该结构筛选为具有潜在太赫兹共振的结构。第二步计算第一步中选择的结构的FoM来评估其共振性能，FoM = Q × I，其中Q = f_r/FWHM，f_r是共振频率，FWHM测量共振峰的半高全宽，I是每个共振峰最大值和最小值之间的对比强度。

先进的扩散模型架构

与现有使用VAE或GAN作为生成模型的深度学习逆向设计不同，该研究采用具有卓越生成能力的扩散模型来产生高不对称太赫兹超材料结构。扩散模型包括前向扩散过程和反向扩散过程，使用残差U-Net作为图像到图像转换网络，通过训练良好的参数θ来估计每个时间步的噪声图像，最终从输入的随机噪声x_T经过T步去噪扩散重建结构图像x₀。

经典结构的数据基础

研究收集了14种类型共68个对称或低不对称太赫兹超材料结构作为初始训练数据集，这些结构基于法诺共振（Fano resonance）、连续体中的束缚态（BIC）、电磁诱导透明（EIT）和环形偶极子等物理机制。所有经典结构的不对称因子均低于0.15，最大Q、FoM和IFoM分别达到18.16、2.69和4.53。

高不对称结构的卓越性能

经过10次迭代训练后，生成的高不对称结构在共振性能方面显著优于初始训练数据集中的经典结构。实验结果表明，高不对称超材料在平均FWHM^-1、Q、FoM和IFoM方面分别实现了17.48%、19.27%、33.65%和31.11%的提升。更重要的是，生成的结构展现出新颖的三共振现象，这在初始训练数据集中是不存在的。

应用前景与未来方向

这项工作验证了高不对称超材料结构作为高FoM太赫兹共振的有前景的替代解决方案，拓宽了它们在高灵敏度太赫兹元器件中的潜在应用。即使超材料结构的设计目标发生变化，所提出的方案也可以通过修改小型经典数据集和主动学习过程中的选择标准来很好地应用。

未来的工作将通过扩展具有更多样化经典结构的初始数据集，并将更多的物理洞察整合到生成过程中来解决这些限制。该方法不仅为设计复杂超材料结构提供了高效有效的方法，而且在发现打破现有限制的新超材料方面具有巨大潜力。

实验方法与技术支持

该研究的实验部分包括主动学习增强扩散模型的实现、数值模拟、样品制备和太赫兹表征。数值模拟使用3D有限差分时域（FDTD）程序进行，样品制备采用标准光刻和金属沉积工艺，太赫兹表征使用商业光导天线基太赫兹光谱系统在氮气填充室中进行。

这项研究得到了新加坡科技研究局（A*STAR）计划性基金和国家先进集成光子学中心的支持，为太赫兹超材料设计领域提供了创新性的解决方案，特别是在生物医学传感和成像应用方面具有重要价值。