利用正向设计与反向设计方法研究金纳米棒的光学特性
《ACS Omega》:Investigating the Optical Properties of Gold Nanorods Using Forward and Inverse Design
【字体:
大
中
小
】
时间:2026年05月14日
来源:ACS Omega 4.3
编辑推荐:
高分辨率图像
下载MS PowerPoint幻灯片
纳米颗粒由于其大小、形状和材料成分,表现出独特的光学特性,因此在光子学、传感和生物应用中非常有用。Mie理论和Mie-Gans理论可以用来计算球形和棒状纳米颗粒的光学特性,但这些理论的适用范围受到表面散射和辐射衰减的限
高分辨率图像
下载MS PowerPoint幻灯片
纳米颗粒由于其大小、形状和材料成分,表现出独特的光学特性,因此在光子学、传感和生物应用中非常有用。Mie理论和Mie-Gans理论可以用来计算球形和棒状纳米颗粒的光学特性,但这些理论的适用范围受到表面散射和辐射衰减的限制;然而,它们无法解释双锥形、哑铃形、立方形和矩形纳米颗粒的光学特性。先进的计算技术,如时域有限差分法(FDTD),可以用来模拟复杂形状纳米颗粒的光学特性,但这种方法耗时且复杂。为了解决这个问题,我们提出使用基于机器学习和深度学习的方法来进行正向和反向设计,以探索金纳米棒的光学特性。在正向设计中,我们评估了五种不同的模型,并确定XGB回归器为表现最佳的模型(MSE:0.0041,MAE:0.0190,R2:0.994),该模型能够准确预测400–1500纳米波长范围内金纳米棒的吸收和散射截面。对于反向设计,我们发现了叠层模型(MSE:0.000116,MAE:0.004476,R2:0.9521),该模型能够准确确定金纳米棒的长度(L)、宽度(W)和纵横比(AR),以实现所需的光学响应。这些结果为纳米颗粒中的光学效应提供了关键的见解,并展示了集成正向-反向方法在系统设计光子器件和应用方面的潜力。这项研究的发现将有助于通过合成和数值复杂性以及光学响应来研究复杂形状纳米颗粒的光学特性,为在光热治疗、生物成像、生物传感、太阳能电池、光子器件、纳米天线和细胞生物学中使用具有特定尺寸和形状的纳米颗粒铺平道路。
1. 引言
金纳米颗粒由于其尺寸、形状和依赖于几何形状的光学特性(如局域表面等离子体共振、优异的量子产率以及近场和远场特性)而在纳米光子学和生物应用中被广泛使用。(1) 球形纳米颗粒表现出单一的等离子体模式;然而,金纳米颗粒则表现出两种等离子体模式,即纵向模式和横向模式。(2,3) 纵向模式具有很高的可调性,可以控制近红外(NIR)区域的吸收和散射,而横向模式则位于可见光范围内。(4?6) 通过调整纵横比、尺寸和周围的介电环境,我们可以调节纵向模式,从而将其应用于生物传感、(7?9) 成像、(10,11) 光热治疗、(4) 药物输送、(12) 以及光电设备。(13) 金纳米棒由于在NIR区域具有强烈的吸收能力,能够深入组织而对周围组织造成的损伤较小,因此被用于光热癌症治疗。(4) 金纳米棒增强的散射有助于实现高对比度的光学成像技术,从而实现早期疾病检测。(14) 金纳米棒还因其能够在表面附近放大电磁场而用于等离子体增强光谱学和传感,从而提高分子分析物的检测灵敏度。(15) 然而,这些应用的有效性取决于对金纳米颗粒光学特性的准确预测和精细调整。(1,16) 但由于纳米颗粒的形状、尺寸、材料特性以及周围介质的复杂相互作用,这颇具挑战性。(1) 文献中已经进行了多项研究,以探讨纳米颗粒的光学特性,如吸收、散射、消光、场增强、光致发光等。(10,17,18) 如Mie理论和Mie-Gans理论这样的分析模型可以描述球形和棒状纳米颗粒的光学特性。(19,20) 然而,这些分析模型无法解释双锥形、纳米星形、纳米立方体等复杂结构的光学特性。(21) 尽管Mie-Gans理论为纳米棒中的等离子体行为提供了基本理解,但在表示实际纳米棒的复杂性方面存在诸多局限性。(21) 它假设纳米颗粒具有简单的几何形状,如球体或椭球体,但真实的纳米颗粒往往偏离这些理想几何形状。(21) 在真实的纳米棒中,纵横比、边缘圆润度以及形状不规则性等方面存在变化,而这些模型无法考虑这些因素,导致预测不准确。例如,模型中忽略了纳米棒尖端处的场增强效应。Mie-Gans理论也无法处理纳米棒的复杂介电环境;它简单地假设了均匀的介电环境。数值方法如DDA(22)在处理大型结构时计算成本较高,并且难以处理近场相互作用。FEM(23)可以处理复杂结构,但需要大量的内存和处理能力,而FDTD(24,25)则需要精细的网格以确保准确性,这也导致了较高的计算成本和更长的仿真时间。
最近,机器学习/深度学习(ML/DL)模型因其准确的预测能力、较低的计算成本和较少的时间消耗而成为传统方法(分析模型、数值模型)的流行替代方案。(26) 尽管ML/DL模型已经取得了进展,但它们在准确预测纳米颗粒光学特性方面的可靠性仍有待验证。尽管许多研究将正向预测与理论模型和实验测量结果进行了比较,但这些模型的验证仍然不够深入,而且这些模型基本上像黑盒子一样工作,与背后的物理原理联系不多。大多数研究仅关注神经网络模型,而没有探索集成架构或更高级的模型。对于不同模型的比较分析尚未进行,这阻碍了获取结构参数或光谱数据的最有效和最准确的方法。此外,在大多数研究中,ML/DL模型主要用于预测纳米颗粒的光学特性;它们往往无法解释预测背后的物理原理,这使得这些结果难以置信,并延缓了纳米颗粒设计的改进过程。
Wang等人(27)的研究探索了使用反向设计和机器学习预测球形、棒形纳米颗粒及二聚体远场和近场光学特性的可行性。结构分类模型在测试和验证中达到了100%的准确率。用于预测物理参数的光谱深度神经网络的平均RMSE小于2纳米。预测时间少于10–2秒,而传统的FDTD仿真则需要103–105秒。E场DNN对于间隙为1纳米的二聚体结构预测的Pearson系数(ρ)为0.95,对于纳米球体为0.9978,对于纳米棒多个测试案例的ρ > 0.98,且速度比FDTD快6个数量级。Mekki-Berrada(28)引入了一种新颖的两步ML框架,旨在优化具有目标光学特性的三角形银纳米棱柱的合成。在从BO生成数据集后,使用深度神经网络(DNN)可以预测新的合成条件,从而生产出光学特性接近DNN模型的纳米颗粒,实现的MSE小于0.02。TEM(透射电子显微镜)用于验证他们最佳实验中制备的纳米颗粒的形状和尺寸。在另一项由Mun等人(29)进行的研究中,他们引入了一种深度学习方法,同时设计具有外半径约束的球形三层核心-壳层纳米颗粒的材料和结构。使用了两个深度网络,其中一个设计网络用于从消光谱网络预测材料,另一个结构参数网络用于从设计参数预测目标ED和MD共振条件下的消光谱。这些网络(DN和SN)通过共享任务同时支持正向和反向设计。2313个测试数据集的预测值与目标值之间的平均MSE约为9.43 *10–3,SN加权因子为0.5,表明DNN提供了准确的设计。Kim等人(30)使用了三种全连接深度神经网络模型:折射率模型(RI)、体积比模型(VR)和颗粒尺寸模型(PS),以预测由SiO2、TiO2、Si3N4、Al2O3和HfO2组成的纳米颗粒的最佳折射率、材料体积比和颗粒尺寸分布。使用基于物理的模拟创建了合成数据集,包括Maxwell-Garnett有效介质理论(EMT)计算折射率,Transfer Matrix Method(TMM)计算发射率,以及Rigorous Coupled-Wave Analysis(RCWA)计算反射率。RI模型和VR模型的MSE分别为0.00662和0.000891。最近,Jahan(31)探索了多种深度学习模型,用于金(Au)、银(Ag)和氢化非晶硅 dioxide(a-SiOx:H)纳米孔阵列的正向和反向设计。他们使用全连接神经网络进行正向设计以预测透射光谱。对于反向设计,使用了全连接神经网络(FCNN)、一维卷积神经网络(1D-CNN)和叠层神经网络来预测结构参数。全连接网络显示厚度(1.19纳米)、半径(1.52纳米)和周期性的MAE分别为1.19、1.52和0.78。最佳的反向设计模型(叠层网络)在厚度(0.93纳米)、半径(1.21纳米)和周期性(0.56纳米)方面的MAE最低。
在参考文献(27?31)中,只有Wang等人(27)和Mun等人(29)研究了单颗粒的反向设计。Wang等人开发了一个用于球形、棒形和二聚体纳米颗粒的反向设计DNN,但他们的正向和反向模型是分别训练的,未能解决非唯一性问题。Mun等人(29)引入了一个用于核心-壳层纳米颗粒的双网络系统,但正向模型并未固定,因此未能形成稳定的反馈循环以实现物理上一致的预测。其余的研究(Mekki-Berrada, (28), Kim等人(30), 和Jahan(31))关注的是非单颗粒系统。Mekki-Berrada优化了合成参数,Kim应用了独立的DNN进行集成级辐射冷却器的设计,而Tasnia Jahan使用叠层网络设计了周期性纳米孔阵列,虽然实现了数值精度,但没有进行物理解释。据我们所知,此前尚未有研究将叠层神经网络应用于400–1500纳米宽光谱范围内具有实际金纳米棒几何形状的单颗粒。我们生成了一个FDTD模拟的数据集,并对多种机器学习模型进行了基准测试,发现XGB回归器在正向预测方面最为准确,而叠层网络在反向设计方面最为可靠。尽管机器学习并不能直接解决背后的物理问题,但它能够学习纳米颗粒的几何形状(长度、宽度、纵横比)与产生的光谱特征(峰位置、宽度和强度)之间的相关性。FDTD方法在空间和时间上数值求解Maxwell方程,捕捉到了Mie-Gans等分析模型无法完全描述的延迟效应、多极共振和近场耦合现象。通过在FDTD生成的光谱上训练我们的ML模型,该框架能够快速准确地再现这些物理效应,而无需每次都求解Maxwell方程。通过在反向训练期间固定正向模型,我们确保了光谱的一致性,从而使预测的纳米颗粒几何形状重新生成与输入响应匹配的光谱,减少了非唯一性并提高了可解释性。我们分析了纵横比效应、多极引起的峰分裂、尺寸依赖的强度变化以及阻尼机制,以将模型预测与等离子体物理联系起来。我们还使用Mie-Gans理论和实验TPL分析了我们的结果,以帮助弥合模拟与实际系统之间的差距。这一框架为等离子体纳米结构的准确和可解释设计提供了一个稳健的方法。
2. 方法论
2.1. 使用分析模型进行光学参数研究
Mie-Gans理论是Mie理论的扩展,用于计算纳米棒的营养和散射截面。(21) 在该理论中,我们假设颗粒远小于入射光的波长。根据这一理论,光学响应主要由两种共振模式主导:纵向模式和横向模式。(32,33) 这些模式是由于颗粒主轴上的退极化因子L2和L3的不同而产生的。(34,35) 纳米棒被近似为椭球体,主轴上的极化率表示为??p=4????????(??1???m)3??m+3??p(??1???m)αp=4πabc(?1??m)3?m+3Lp(?1??m)。
以下符号的含义如下:a、b、c为椭球体(纳米棒)的半轴;?1为纳米棒的介电常数;?m为周围介质的介电常数;Lp为主轴的退极化率;L1为长轴的退极化因子=1???2??2(?1+1/2ln1+??1???)1/2e2(?1+1/2ln1+e);L2、L3为短轴的退极化因子=1?L12;e为颗粒的偏心率=1?(????)2。
消光截面是由于散射和吸收导致的光损失总和。如参考文献(36)中所呈现的,计算消光截面的公式为??ext=??Im(??)σext=kIm(α)(2),其中以下符号的含义为:k = 波数 = 2????2πλ,α = 粒子的极化率,Im(α) = 极化率的虚部。散射截面是粒子重新导向的光的部分。计算散射截面的公式为??scat=??46??|??|2σscat=k46π|α|2(3),这里的符号含义为:k4 = 与粒子大小密切相关,|α|2 = 极化率的平方。吸收截面是消光截面与散射截面之差。(36) 公式为??abs=??ext???scat。存在一种延迟效应,可以解释为什么在较大的纳米棒中我们会看到光学性质的偏差。(37) 延迟效应解释了与较小纳米棒相比,等离子体共振峰更宽且共振强度降低的原因。当纳米棒的大小与光的波长相当时,它会在纳米棒内部产生相位差,因为光无法同时照射到粒子的每个部分。因此,粒子的等离子体共振变得更加模糊。 (37) 更多的能量被散射或吸收,从而降低了强度。在较小的纳米棒中,偶极模式占主导地位,而在较大的纳米棒中,则会有四极和八极等更复杂的振荡模式。这些复杂的振荡会在消光光谱中添加更多的峰。这种现象称为延迟效应。(36,37) 纳米棒的尖锐几何形状导致其尖端的场强度增强,相比纳米球体而言。(17) 这是因为在纳米棒的尖端有高度集中的局域表面等离子体共振。因此,在纳米棒的尖端,由于局域表面等离子体共振的作用,光的散射和吸收会增强。(37?39)2.2. 使用数值(FDTD)模型进行光学参数研究在我们的研究训练阶段,我们使用FDTD方法进行了数值模拟,以确定不同长度(L)、宽度(W)和长宽比(AR)组合的金纳米棒的吸收和散射截面。研究使用的是半球形金材料。我们研究了单颗纳米棒,以分析单个纳米棒的光学性质和行为。为了提高模拟的准确性,我们使用了总场散射场源(TFSF),网格分辨率为0.5纳米。在FDTD中,纳米棒被表示为一个两端带有半球的有限圆柱体。极化沿着主轴设置,网格大小为0.5纳米,折射率为1.33。2.3. 数据集生成数据集是通过FDTD模拟生成的,包含403列和626行。在本研究中,金纳米棒的尖端被建模为圆润的(半球形),类似于TEM图像中看到的形状。为了与实际实验条件匹配,尖端形状保持不变,因为改变尖端半径会显著改变局域表面等离子体共振(LSPR)的位置。(17) 第一列表示长度,第二列表示宽度,第三列表示长宽比。接下来的200列提供了400至1500纳米波长范围内的吸收截面值,最后200列包含相同波长范围内的散射截面值。我们拥有不同尺寸的金纳米颗粒,长度从40纳米到100纳米不等,步长为1纳米,宽度从10纳米到30纳米不等,步长为2纳米。观察到光学性质对长度的敏感度远高于宽度(见第3.1节),因此我们采用了2纳米的步长,这能够捕捉到等离子体共振位置变化的关键趋势,而不会丢失一般性。数据集中长宽比的分布可以在补充图S1中找到。基于长度和宽度的组合总数为626种。正向设计预测的关键输入参数是长度(L)、宽度(W)和长宽比(AR)。初始的吸收和散射截面值被乘以10^12,因为模型无法处理极小的数值。数据集的范围和步长总结在补充表S1中提供。2.3.1. 预处理数据集的第一行是“Header”,我们在模型中提到了这一点。特征矩阵中的一个非数值被转换为“NaN”并用零填充,以避免处理模型时出现问题。特征使用“StandardScaler”进行标准化,使其均值变为零,方差为单位值。这将改善模型训练,因为每个特征都会按照比例贡献,而不会在数据集中产生偏差。我们保留了未经标准化的特征数据以供比较。2.3.2. 测试-训练数据集被分为80-20的训练-测试比例。所有模型的随机状态都设为42,以保持相同的数据分割,这样可以消除结果中的随机方差。为了提高串联学习框架的性能,我们重新训练了之前被识别为表现最佳的神经网络正向模型,使用的数据分割比例为:72%用于训练,18%用于验证,10%用于最终测试。对于串联模型,我们将数据集分为70-15-15的训练-验证-测试比例,以平衡模型训练、泛化和最终性能评估。2.4. 正向和逆向模型的架构与训练我们测试了5种不同的模型(混合神经网络、1D CNN、优化后的Transformer模型、随机森林回归器和XGB回归器),以了解哪种方法最适合我们的数据集。根据它们的学习架构和用于回归任务的方法,正向模型可以分为三类:1. 基于神经网络的模型;2. 基于Transformer的模型;3. 基于集成学习的模型。在将数据集输入模型之前,我们对数据集进行了预处理步骤。所有正向模型都使用MSE作为损失函数,定义为MSE=1??∑??=1??(???????????)2(5),其中n是每个光谱中的波长点总数,yi是第i个波长点的真实目标值,y?i是第i个波长点的预测值。在训练模型性能指标后,我们使用三个指标来评估测试集:均方误差(MSE)、平均绝对误差(MAE)和决定系数(R2)。这些指标是在每个光谱的相同波长点上定义的,然后对所有测试光谱进行平均。MAE=1??∑??=1??|???????????|(6),R2=1?∑????=1(???????????)2∑????=1(???????ˉ??)2(7),其中y? = 该光谱的平均真实强度。正向模型的任务是回归任务,目标是在训练过程中最小化预测值与实际值之间的平方差异。基于神经网络的模型(见图1的架构图)包括混合神经网络(Hybrid NN)和1D CNN。对于混合神经网络,我们使用了五层密集层,每层有512个单元,这决定了模型捕捉光谱数据中非线性模式的能力。使用了ReLU作为激活函数。一个有400个单元的密集层用于将光谱输出映射到中间表示,然后是一个重塑层。应用了两个1D卷积层,每个层有64个滤波器,核大小为3,也使用了ReLU激活函数。Adam优化器用于加速收敛。alpha值设置为0.000836,输出层的学习率保持不变。卷积层使用了线性激活函数。1D CNN层包含不同的层,以捕捉光谱数据中的局部和全局模式。使用了两个卷积层,分别有32个和64个核大小为1的滤波器。在两个卷积层之后使用了Dropout层,丢弃率为0.3。使用了最大池化层,池化大小为1,以及有128个单元的密集层。对于卷积层和密集层,我们使用了ReLU激活函数;对于输出层,使用了线性激活函数。训练过程中使用了64的批量大小。图1显示了基于纳米棒结构参数(i)长度(L)、(ii)宽度(R)和(iii)长宽比(AR)的深度神经网络预测的吸收和散射截面数据。逆向设计可以从吸收和散射截面数据预测这些结构参数。高分辨率图像下载MS PowerPoint幻灯片基于学习架构和用于预测纳米棒结构参数的回归任务的方法,我们使用的模型是串联神经网络(Tandem Neural Network)作为逆向模型。(40) 在将数据集输入模型之前,我们对数据集进行了预处理步骤。由于逆向模型的任务是回归任务,因此使用MSE作为其损失函数,因为它可以捕获较大的误差,并通过最小化所有样本的平方误差来指导模型改进预测。Adam优化器用于高效收敛。串联模型结合了两个相互连接的网络:一个预训练的正向模型和一个可训练的逆向模型。正向模型根据几何参数(长度(L)、宽度(W)和长宽比(AR)预测光谱数据(吸收和散射)。逆向模型从给定的光谱响应预测这些几何参数。然后,预测的几何形状通过冻结的正向网络生成重建的光学响应(Rpred)。为了确保物理一致性,串联模型使用MSE损失函数最小化重建的光学响应与目标光学响应之间的差异,定义为loss=1??∑??=1??(??true,?????pred,??)2(8),其中n是每个光谱中的波长点总数,Rtrue,i是真实(目标)强度,Rpred,i是通过正向模型生成的重建强度。在训练过程中,只有逆向网络的权重会更新,而正向网络保持不变。这种设置确保了逆向网络从光谱到结构参数的物理一致性映射,由预训练的正向模型指导。整个串联模型在图3a,b中进行了说明。图3(a)串联神经网络的架构,包括一个连接到预训练正向网络的逆向网络(预训练正向网络的架构见图1,正向设计)。这里,L、W和AR分别表示长度、宽度和长宽比。(b)解决逆向设计问题的串联模型工作流程。高分辨率图像下载MS PowerPoint幻灯片基于用于预测纳米棒结构参数的回归任务的学习架构和方法,我们使用的模型是串联神经网络(Tandem Neural Network)作为逆向模型。(40) 在将数据集输入模型之前,我们对数据集进行了预处理步骤。由于逆向模型的任务是回归任务,因此使用MSE作为其损失函数,因为它可以捕获较大的误差并通过最小化所有样本的平方误差来指导模型改进预测。Adam优化器用于高效收敛。串联模型结合了两个相互连接的网络:一个预训练的正向模型和一个可训练的逆向模型。正向模型根据几何参数预测光谱数据(吸收和散射),而逆向模型从给定的光谱响应预测这些几何参数。然后,预测的几何形状通过冻结的正向网络生成重建的光学响应(Rpred)。为了确保物理一致性,串联模型使用MSE损失函数最小化重建的光学响应与目标光学响应之间的差异,定义为loss=1??∑??=1??(??true,?????pred,??)2(8),其中n是每个光谱中的波长点总数,Rtrue,i是真实(目标)强度,Rpred,i是通过正向模型生成的重建强度。在训练过程中,只有逆向网络的权重会更新,而正向网络保持不变。这种设置确保了逆向网络从光学光谱到结构参数的物理一致性映射,由预训练的正向模型指导。图3展示了串联模型的整体架构。图3(a)串联神经网络的架构,包括一个连接到预训练正向网络的逆向网络(预训练正向网络的架构见图1,正向设计)。这里,L、W和AR分别表示长度、宽度和长宽比。(b)解决逆向设计问题的串联模型工作流程。高分辨率图像下载MS PowerPoint幻灯片为了从光谱数据预测设计参数,我们设计了一个可训练的逆向网络。逆向网络的架构包括两个密集层:第一个密集层有512个神经元和ReLU激活函数,以及一个核正则化器,值为1e–5。应用了一个丢弃率为0.2的丢弃层,然后是一个具有256个神经元和ReLU激活函数的第二个密集层,以及一个核正则化器,其值为1e–5。最后,输出层生成预测的设计参数。这五个前向模型主要使用Optuna(一个自动超参数优化框架)进行优化,并通过添加丢弃层来减少过拟合。五个前向模型的完整详细优化过程在支持信息中的补充表S2中有所提及。共有五个前向模型。前向设计模型首先从结构参数(纳米棒的长度、宽度和纵横比)开始接收输入。接收到输入后,它会对数据集进行预处理,包括将非数值转换为空值(NaN)、插补以及标准化。然后将数据集分为80:20的训练集和测试集。在初始化参数之后,进入训练阶段。在测试阶段的模型性能指标之后,我们决定是否需要进一步优化。如果需要优化,就会使用Optuna进行优化。在Optuna优化过程中,我们会找到最佳参数,并用测试集分析性能指标;之后,如果不再需要优化,就可以得到光谱数据的最终预测结果(400至1500纳米波长范围内的吸收和散射截面)。为了评估前向模型的训练性能,我们跟踪了训练集和测试集的损失曲线。这一过程的整个工作流程如图4所示。
图4:前向设计模型流程图,展示了从初始参数(长度、宽度和纵横比)到光谱数据预测(400–1500纳米波长范围内的吸收和散射截面)的逐步过程。
补充图S3展示了前向模型(包括1D CNN、优化后的Transformer和混合神经网络)的损失曲线。逆模型在没有优化的情况下表现良好,因此不需要进一步优化。补充图S4展示了逆模型(Tandem Model)的损失曲线。详细的5折交叉验证性能在补充文本S1.2中有提供。
3. 实验细节
本研究中使用的金纳米棒购自NanoSeedz Ltd.(香港)。在制备样品时,将AuNR溶液与2%的PVA水溶液按1:1的比例混合。随后,将纳米粒子溶液按1:20的比例稀释,其中一部分是(Au)纳米粒子,其余19部分是水。AuNR与SH-PEG结合,直径为20 ± 2纳米,长程侧向等离子体(LSPW)为780 ± 10纳米,由CTAB稳定,[CTAB]浓度低于1 mM。使用光致发光光谱法测量金纳米粒子在特定波长(785、800和820纳米)下受到激光激发时发射的光。分析过程中使用了Shimadzu RF 6000荧光光度计,激发和发射带宽设置为5.0纳米/秒,扫描速度为每分钟6000纳米,光源采用氙灯。记录的光谱范围为200至900纳米,间隔为1.0纳米。
嵌入玻璃片中的纳米粒子通过暗场倒置显微镜(Ci-L Plus,尼康三目立式LED显微镜)捕获,该显微镜配备了1.2–1.43的NA(尼康)暗场聚光器和CFI Plan Achromat 100倍油浸物镜。使用白光进行激发,散射图像(见补充图5)由冷却的数码相机(尼康DS-Fi3Microscope Camera,配有CMOS图像传感器)拍摄。样品放置在手动平台上以便精确扫描。使用浸油来匹配镜头和样品之间的折射率,从而避免背景干扰。
3. 结果与讨论
3.1. 半球形金纳米棒的光学响应:依赖于纵横比、长度和宽度
图5a和b中x轴的波长范围为400至1500纳米,用于了解纳米棒的光学特性,因为这是等离子体共振发生的波长范围。吸收、散射和消光截面图中的峰值对应于纳米棒的局部表面等离子体共振(LSPR和TSPR),这些共振源于电子的集体振荡。纵向表面等离子体共振(LSPR)发生在电子沿纳米棒长度方向振荡时,而横向表面等离子体共振(TSPR)则发生在电子沿纳米棒宽度方向振荡时。
当比较纵横比为3.5和5的纳米棒时(见补充表S3–S6、补充图S6–S9和图5a,b),可以观察到LSPR峰值随着纵横比的增加而明显红移。对于纵横比为3.5的纳米棒,LSPR吸收峰从42 × 12纳米时的767.85纳米(0.57 × 10–12纳米2)移动到98 × 28纳米时的901.81纳米(4.19 × 10–12纳米2)。当纵横比增加到5时,LSPR吸收峰进一步移向近红外区域,从60 × 12纳米时的957.50纳米(1.08 × 10–12纳米2)移动到100 × 20纳米时的1070.85纳米(4.10 × 10–12纳米2)。这种红移表明,纵横比更高的纳米棒支持更长的电子振荡,导致共振能量降低。对于纵横比为3.5的纳米棒,TSPR吸收峰大约位于506–542纳米之间;而对于纵横比为5的纳米棒,TSPR吸收峰则保持在567–592纳米附近。与LSPR相比,TSPR的强度较低(大多低于0.1 × 10–12纳米2),这证实了TSPR对纵横比的敏感性较低。在散射方面,LSPR也随纵横比的增加而红移并增强。当纵横比为3.5时,LSPR散射从845.61纳米(0.047 × 10–12纳米2)增加到901.81纳米(2.93 × 10–12纳米2);而当纵横比为5时,LSPR散射从1040.07纳米(0.089 × 10–12纳米2)增加到1070.85纳米(1.27 × 10–12纳米2)。这表明,更大且纵横比更高的纳米棒在近红外区域散射光更强。对于纵横比为3.5的纳米棒,TSPR散射稍微蓝移,从595纳米变为约550纳米,强度从0.00024增加到0.019 × 10–12纳米2。相比之下,纵横比为5的纳米棒散射几乎保持不变,强度增加幅度较小(从0.00042增加到0.008 × 10–12纳米2)。
在W=30纳米且长度和纵横比(1.33至3.0)不变的情况下(见补充图S10–S12和补充表S7、S8),随着长度和纵横比的增加,LSPR吸收峰从579纳米(0.65 × 10–12纳米2)红移到826纳米(3.70 × 10–12纳米2),而TSPR的吸收峰范围在501至550纳米之间,强度较低(0.35至0.19 × 10–12纳米2)。在散射方面,LSPR从528纳米(0.0038)增加到626纳米(1.12),强度增强;而TSPR则基本保持在其MD501至549纳米范围内,变化较小(0.003至0.047)。偶尔,在低纵横比(约1.3)的情况下,LSPR和TSPR会出现在相似的波长处。这是因为对于接近球形的颗粒(长度接近宽度),纵向和横向的电子振荡几乎相同,或者由于阻尼和尺寸效应导致它们的宽峰重叠。
对于W=16纳米的情况(见补充图S13–S15和补充表S9、S10),随着纵横比(2.5至6.25)的增加,LSPR吸收峰远移至近红外区域,从656纳米(0.386)移动到1150纳米(3.09),而TSPR吸收峰主要保持在501至598纳米之间,强度较低(约0.03至0.05)。在散射方面,LSPR从727纳米(0.078)增加到1215纳米(0.578),显示出明显红移;而TSPR散射范围在567–598纳米内,强度变化很小(约0.001至0.003)。对于固定长度的情况(见补充图S16–S21和补充表S11–S14),随着纵横比的增加,LSPR峰呈现出明显的红移和强度增长,而TSPR在可见光范围内基本保持不变,强度较弱。当L=50纳米时,纵横比从5降低到2.08,LSPR吸收峰从1020纳米(0.80 × 10–12纳米2)降至615纳米(0.51 × 10–12纳米2);散射LSPR也呈现出相同趋势,从1020纳米(0.032)移动到676纳米(0.287)。相比之下,TSPR几乎保持不变,大约在590纳米附近。对于L=90纳米的情况,LSPR吸收峰从826纳米(AR=3.0)红移到1175纳米(AR=6.4),强度从3.70增加到2.33 × 10–12纳米2;而TSPR的吸收峰变化较小,仍在501至598纳米之间。补充图S8显示,在775纳米之后的消光图中观察到的两个相邻峰值对应于金纳米棒的不同纵向等离子体模式。随着纳米棒整体尺寸的增大,沿长轴的延迟和相位延迟效应使得基态偶极模式和高阶(多极)纵向模式能够共存。这些模式在能量上接近,因此在消光光谱中表现为两个相邻的峰值。消光谱中的这种分离是因为消光同时包含了吸收和散射,且随着粒子尺寸的增加,散射贡献增加,使得高阶模式在光学上更明显。这种分离现象从纵横比为2.5到4.5时就可以观察到。对于纵横比非常高(AR≥5)的纳米棒,这两种模式在波长上分离得非常明显,因此在近红外区域只有主导的偶极共振可见。
对于前向模型,我们测试了5种不同的模型,目的是根据它们的几何参数(长度、宽度和纵横比)来估计单个金纳米棒的吸收或散射截面。XGB回归器(MSE=0.0041)和随机森林回归器(MSE=0.0064)的较低均方误差值表明模型的预测与实际光谱数据更为接近。XGB回归器(MAE=0.0190)和随机森林回归器(MAE=0.024)的较低MAE值表明它们能够以较低的误差一致地预测光谱数据,从而确保了预测的可靠性。XGB回归器和随机森林回归器能够捕捉特征(长度、宽度和纵横比)与光谱数据之间的复杂关系,因为它们的决定系数(R2)分别为0.994和0.968。如表1所示,全连接神经网络在预测光谱数据方面的表现也不错,但其性能略逊于XGB回归器和随机森林回归器。1D CNN和优化后的Transformer模型在预测光谱数据方面的表现较差,这一点从表1中可以明显看出。
为了提高混合神经网络模型的性能,我们通过72:18:10的比例分配训练集、验证集和测试集。从所有测试模型中观察到这一点,因为混合神经网络在最初的80:20训练-测试划分下实现了最低的均方误差(MSE)和平均绝对误差(MAE)以及最高的R2分数。重新训练后,混合神经网络实现了最低的MSE(0.0016)和最低的MAE(0.0120),R2值约为98%,表明在预测散射和吸收截面值方面误差非常小。现在,综合考虑表1中的三个指标,可以说XGB回归器在准确性和泛化能力方面表现最佳,其MSE为0.0041,MAE为0.019,R2分数为0.994。混合神经网络 también表现良好,因为它的MSE和MAE也是最低的。我们使用混合神经网络作为逆向设计的前向模型。图6a中的预测误差直方图显示,超过23,000个预测的误差接近零,这表明在所有波长上都有良好的性能。图6b中,测试样本图的MSE分布图中,每个点代表一个测试样本的400个光谱点的平均MSE,红线是所有测试样本的平均MSE(0.001218)。图6展示了使用72:18:10训练-验证-测试划分训练的混合神经网络前向模型的性能评估。(a) 所有光谱输出的预测误差直方图。(b) 测试样本的平均平方误差(MSE)分布,其中每个点代表单个几何输入(长度、宽度和纵横比,AR)的整个光谱的平均MSE。红线表示测试集的平均MSE。
高分辨率图像
下载MS PowerPoint幻灯片
3.2. 使用逆向模型(串联神经网络)研究不同纵横比(AR)下金纳米棒(AuNR)的光学性质
在传统的逆向模型中,我们面临的是一对一多问题,即对于相同的光谱,可能存在许多可能的参数设计。传统逆向模型的损失函数取决于预测设计参数与实际设计参数之间的误差。因此,损失函数可能有许多竞争性的最小值,在训练过程中,优化器会在不同的可能参数设计集(最小值)之间跳跃,导致物理上无意义或随机的设计参数。串联模型通过将损失函数转移到唯一预测的响应上,而不是模糊的设计参数上来解决这一限制。由于给定结构的光谱是唯一的,这种方法消除了歧义,并引导逆向网络产生物理上有效的解决方案,而无需探索所有设计参数。串联模型不会探索所有设计参数;相反,它能够收敛到一个有效的解决方案。如图3b所示,这种安排使逆向模型能够一致地收敛,并从光学响应到设计参数之间学习到可靠的映射。
从补充表S15中我们分析得出,串联模型的平均平方误差(MSE)较低,为0.000116,这意味着它可以以最小的偏差预测纳米棒的结构参数。即使串联模型的平均绝对误差(MAE)也为0.004476,表明它在不同波长下预测纳米棒尺寸时更加可靠。串联模型在反向传播过程中使用固定的前向模型进行训练,并施加了前向一致性约束。因此,通过前向模型传递的预测结构参数能够再现原始的光谱。在支持信息中提供了重建光谱和真实光谱的代表性示例(补充图S22a,b)。重建的光谱与目标光谱几乎完全重叠,证实了串联模型保持了前向一致性,并准确再现了从预测几何形状得到的原始光学响应。串联模型的R2值为0.9521;对于非唯一性的逆向问题来说,它可以作为一个可靠的逆向映射。
图7a–c表明,在结构参数预测精度方面,该模型对所有三个结构参数(长度、宽度和纵横比)的预测值和真实值都表现良好。散点图显示,大多数预测值都接近理想的对角线,尤其是对于长度和宽度而言,偏差很小。在纵横比的情况下有轻微的偏离,但仍在可接受的范围内。
图7
图7. 使用串联模型进行逆向光谱映射得到的预测结构参数与真实结构参数的比较:(a) 长度,(b) 宽度,(c) 纵横比。
高分辨率图像
下载MS PowerPoint幻灯片
在图8和补充图S23以及S24中,我们看到串联模型在所有纵横比范围内都表现良好。对于1.33 ≤ AR ≤ 2(样本数量n = 8),我们获得了R2 = 0.991、MAE = 0.009和MSE = 0.0004;由于样本量较小,其性能良好。在中等纵横比范围内,性能仍然很高:对于2 < AR ≤ 4(n = 54),R2=0.987、MAE = 0.017和MSE = 0.002。对于4 < AR ≤ 6(n = 21),R2提高到了0.992,误差更低(MAE = 0.013、MSE = 0.002)。在较高范围内,6 < AR ≤ 8(n = 11),我们得到R2=0.979、MAE = 0.014和MSE = 0.002,由于极化含量和辐射阻尼的增加,方差略有下降。总体而言,绝对误差保持较低,R2值很高,显示出在低到中等纵横比区域内的稳健泛化能力。
图8
图8. 使用MSE和MAE评估不同纵横比组下串联模型的性能。
高分辨率图像
下载MS PowerPoint幻灯片
对于逆向设计来说,串联模型是最合适的,因为它能够以最高的精度预测光学响应和结构参数。表现最佳的模型的架构如图9所示。串联模型的架构在第2.4节“前向和逆向模型的架构与训练”中有详细描述。
图9
图9. (a) 用于正向设计的XGB模型架构;(b) 串联逆向设计架构。
高分辨率图像
下载MS PowerPoint幻灯片
4. 实验光学响应(TPL)与FDTD模拟(散射)和ML预测散射响应的比较
光致发光(PL)是由于物质吸收光子而产生的光。金纳米粒子(AuNPs)由于其局域表面等离子体共振(LSPR)而展现出独特的光学性质。除了众所周知的与SPR相关的吸收和散射外,一些AuNPs在激发时还可以发出光致发光。大量的实验和分析研究探索了这一现象,发现尽管机制不同,它们的响应与散射截面相似。(41?48) 散射是一个弹性、非发射过程,它放大或重新定向入射光,产生局域表面等离子体共振,如经典电磁理论(Mie理论)所描述。相反,光致发光(PL),包括双光子发光(2PL),涉及同时吸收两个近红外(NIR)光子来激发电子,从而产生光辐射。
图10a中的TPL发光曲线来源于文献资料(41?43),并与金纳米棒的散射截面进行了比较,因为两者都源自相同的等离子体共振,这种比较使我们能够评估实验中的非线性TPL响应是否遵循模拟的线性散射行为。
图10
(a) 金纳米棒(AuNR)的长度为76纳米、宽度为20纳米、纵横比为3.8时的实验双光子发光(TPL)、预测散射(XGB回归器)和实际散射(FDTD)的比较。(b) LSPR峰值波长和半高宽(fwhm)的比较。
高分辨率图像
下载MS PowerPoint幻灯片
实验中的TPL光谱是在特定波长(820纳米)下用激光激发的,而FDTD模拟的散射光谱是在400–1200纳米的宽带范围内激发的。强度值以任意单位(a.u.)进行归一化,以便在金纳米棒(AuNRs)的散射(FDTD)、预测散射(XGB回归器)和实验TPL之间进行有意义的比较。虽然两种光谱都受纵向表面等离子体共振(LSPR)的主导,但TPL光谱在414纳米处显示出一个次级峰,对应于横向等离子体共振(TSPR),而在FDTD散射中,次级峰出现在590纳米。相比之下,TPL过程对局部场增强非常敏感,这使得在实验TPL光谱中能够检测到横向共振。(41?43) 预测的散射(XGB回归器)在半高宽(fwhm)和峰值强度波长上与FDTD结果相匹配(相应数据见补充表S16)。这表明XGB回归器模型能够高精度地捕捉金纳米棒(AuNRs)的光学响应,验证了其在预测散射特性方面的可靠性。实验TPL光谱与散射相比会有所偏差,其LSPR的半高宽(fwhm)较窄(11.00纳米),而FDTD和预测散射的fwhm为30纳米(见补充表S16和图10b)。峰值强度波长的红移(TPL为823纳米,散射为901.81纳米)表明了激发/发射机制的差异(见补充表S16和图10b)。
5. 比较表现最好的模型(XGBoost)与解析模型(Mie-Gans)
解析模型Mie-Gans理论为特定尺寸范围内的金纳米棒的吸收、散射和消光截面提供了可靠的计算。长度在40到50纳米之间,宽度在10到20纳米之间的计算结果是可靠的。如果超出这些范围,模型的准确性将会下降。我们选择了45纳米的长度和15纳米的宽度,以平衡Mie-Gans理论的有效范围和对准确光学性质计算的需求。这样可以确保解析模型的可靠性,同时允许与数值方法(FDTD)和XGB回归器的预测数据进行有意义的比较。预测时间为0.17894秒,明显快于数值和实验方法,证明了研究的可靠性。
在图11a,b中,我们可以看到Mie-Gans理论和实际FDTD数据在LSPR强度方面的趋势相似。在Mie-Gans理论中,LSPR消光最大强度大约是LSPR吸收最大强度的1.275倍;而在实际FDTD中,LSPR消光最大强度是LSPR吸收最大强度的1.016倍。同样,在Mie-Gans理论中,LSPR消光最大强度是LSPR散射最大强度的4.584倍;而在实际FDTD中,LSPR消光最大强度是LSPR散射最大强度的5.06倍。在Mie-Gans理论中,LSPR消光峰相对于LSPR吸收和散射向蓝移了5纳米。在实际FDTD数据中,LSPR消光峰与LSPR吸收相匹配,而LSPR散射向红移了约59纳米。在Mie-Gans理论中,LSPR的fwhm在吸收、散射和消光时均为30纳米;而在实际FDTD数据中,LSPR消光和吸收的fwhm仍为35.99纳米,但LSPR散射的fwhm为37.77纳米(见补充表S17)。
图11
(a) 具有折射率1.33的金纳米棒(45纳米×15纳米,AR = 3)的吸收、散射和消光截面的Mie-Gans理论计算。(b) 使用XGB回归器预测的吸收、散射和消光截面与从FDTD模拟得到的实际值的比较,实际金纳米棒(45纳米×15纳米,AR = 3,折射率为1.33)。消光光谱显示由于散射贡献的增加而出现分裂,这使得高阶模式在光学上更亮。这种分裂出现在纵横比2.5–4.5之间,而对于AR ≥ 5的情况,模式分离得更明显,只有极性共振在近红外区域可见。
高分辨率图像
下载MS PowerPoint幻灯片
如果我们将实际FDTD数据与XGB回归器的预测数据进行比较,可以看到他们的fwhm和吸收、散射以及消光的峰值波长保持相同,实际FDTD的最大强度与XGB回归器的最大强度之间有微小差异(相关数据见补充表S17)。
对于横向表面等离子体共振(TSPR)模式,比较总结在补充表S18中。Mie-Gans理论中的TSPR吸收峰出现在510纳米,最大强度为4.28 × 10–15 m2,而没有发现明显的TSPR散射峰。相比之下,实际FDTD的TSPR吸收峰位于590纳米,强度为0.0342 m2,而TSPR散射峰不明显。XGB回归器的预测显示TSPR吸收峰同样位于590纳米,强度也为0.0342 m2。由于纳米棒短轴上的辐射耦合较弱,以及金在500至600纳米处的带间跃迁产生的强烈阻尼效应,TSPR散射峰仍然不明确。(1,34) 因此,在该区域吸收占主导地位,而散射对总消光贡献甚微。(1,34) 我们纳入Mie-Gans计算并不是为了直接与FDTD进行比较,而是作为一种基本的分析参考,它能够提供关于强度变化的类似趋势(例如,消光大约是吸收的1.2倍,而消光是散射的4.5到5倍)。这两种模型(Mie-Gans和FDTD)的结果不会完全一致,因为FDTD使用的是具有半球端部的实际纳米棒和实际的材料属性,而Mie-Gans理论假设了一个理想椭球形状和均匀的环境。此外,FDTD通过数值方法求解麦克斯韦方程,但Mie-Gans理论无法解释详细的场分布或复杂的几何形状。两种结果之间的差异展示了分析模型的局限性,并强调了需要使用FDTD和机器学习等更精确方法的重要性。我们比较了多种正向和反向设计模型,以确定预测和检索纳米棒属性的最有效和最准确的方法。这种比较分析有助于研究人员选择合适的机器学习模型。与传统基于模拟的方法相比,我们的机器学习模型显著降低了预测光学属性(正向设计)和检索结构参数(反向设计)所需的计算成本和时间。将理论(Mie-Gans模型)和实验结果结合起来,可以让我们对金纳米棒的光学行为有定性的了解。
本研究采用正向和反向设计方法对纳米粒子的光学属性进行了全面分析。在正向设计方法中,我们探讨了纳米粒子的大小、形状和材料如何影响光吸收、散射、消光和共振现象等光学响应。这种方法为我们提供了对基本光-物质相互作用的关键理解。反向设计方法则确定了实现特定光学功能的最优纳米粒子结构。这种对单个金纳米棒光学属性的基础理解可以用于研究更复杂的等离子体系统,如纳米簇和周期性阵列。通过理解单纳米棒级别的几何形状与光学响应之间的精确关系,我们的方法可以扩展到研究多纳米棒组装体中的集体等离子体相互作用。例如,纳米棒簇具有强烈的近场耦合效应;这种可调的等离子体共振可以应用于增强拉曼散射、(49) 生物传感、(7?9) 和纳米光子电路。(50,51) 另一方面,金纳米棒阵列可以用于超材料(52) 和等离子体波导(53),通过控制它们的共振行为来推动光学和通信技术的发展。
总之,我们的工作整合了分析模型(Mie-Gans)、实验表征、计算建模(FDTD模拟)和基于机器学习的正向及反向设计优化技术,以增强对光-物质相互作用的理解,并创建了一个灵活的框架,用于设计和开发新型纳米光子器件。这些发现将有助于确定具有所需光学响应的纳米粒子的精确大小、形状和几何结构,应用于光热治疗、(4) 生物成像、(10,11) 诊断、(54,55) 以及基于SERS的传感器等多种领域。此外,它还将促进等离子体传感方面的进展,包括SPR生物传感器(7?9) 和化学传感器(56),以及太阳能电池、(57?59) 吸收剂、(60) 纳米天线、(61) 和细胞生物学(36)。
正向和反向设计方法为未来识别金纳米棒的光学响应提供了许多新颖性、潜在应用和挑战。使用正向和反向模型可以预测和表征金纳米棒的不同光学属性,如散射、吸收和消光截面。反向设计方法优化金纳米棒的参数,以实现所需的光学响应,从而能够为特定应用设计纳米结构。反向模型可以从实验光学数据中获取金纳米棒的几何和材料属性,这为纳米级表征提供了重要能力。定制的金纳米棒光学属性可以用作生物医学成像和传感应用的对比剂或探针,例如癌症检测和监测。设计具有工程光学响应的金纳米棒将进一步推动新型纳米光子器件和超材料的发展,这些器件可用于光操纵、能量收集和光学信息处理。金纳米棒的等离子体属性可以改善光驱动的催化过程和太阳能转换器件。
尽管在开发准确且具有普遍适用性的模型方面仍存在许多挑战,但我们的研究集中在具有固定介电常数(折射率=1.33)的受控环境中。然而,在实际条件下,周围介质的变化、基底相互作用或聚集和氧化等动态效应会显著影响金纳米棒的光学响应。如补充图S25所示,将折射率从1.33增加到1.60会导致LSPR峰的近似线性红移,同时保持相似的光谱特征。这说明一旦模型学会了这种线性关系,即使不完全重新训练,也能使用一致的灵敏度因子预测中间折射率。未来的工作是扩大数据集和模型能力,以提高泛化和可扩展性。数据集可以扩展到包含具有不同折射率、基底层和粒子间距离的纳米棒(例如二聚体和簇)。该框架还可以通过使用FDTD或DDA模拟生成的新数据集来扩展到更复杂的几何形状,如锥形、不对称、双锥形、立方形或哑铃形纳米结构。对于具有许多设计参数的复杂形状,可以使用降维和特征选择技术来识别最具物理意义的变量。主动学习和迁移学习也可以通过结合粗略模拟和少量高质量模拟来高效生成大量准确的数据集,从而减少计算和训练时间。我们可以将极化、照明角度和环境折射率等参数作为模型输入,帮助模型在多种实验条件下进行泛化。先进的实验方法,如原位光谱学和电子显微镜,可以应用于正向和反向设计模型中,以验证纳米棒的光学响应。对于大规模优化和参数探索,可以进一步提高正向和反向模型的计算效率,从而支持其在现实世界中的应用和集成。通过克服这些挑战,我们可以利用正向和反向设计模型进行系统设计、表征和应用这些多功能等离子体纳米结构。
本研究深入探讨了金纳米棒的光学属性,采用了正向和反向设计方法。正向设计过程解释了纳米粒子参数与其光学响应之间的关系,而反向设计过程为所需的光学功能提供了最优的纳米粒子结构。先进的计算建模技术有效探索了本研究中的各种纳米粒子设计可能性。这些发现有助于我们 fundamentally 理解纳米尺度上的光-物质相互作用,并为基于具有所需光学属性的纳米粒子的光子器件的系统设计提供了概念框架。进一步的研究在传感、能量收集、光通信和纳米光子学等多个应用中具有前景。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号