ReflectoRNN：基于循环神经网络的AI赋能原位光学反射测量用于演化材料

《ACS Nano》：ReflectoRNN: AI-Enabled In-Operando Optical Reflectometry for Evolving Materials Using a Recurrent Neural Network

　　

材料的复折射率（complex refractive indices）编码了光与物质相互作用的基本信息，对于先进光子学和光电器件的设计至关重要。在许多新兴材料中，折射率在外部刺激（如温度、电场或应变）下发生变化。原位操作（in-operando）追踪这些变化对于有源光子和光电器件设计至关重要，但仍然具有挑战性。传统方法如椭偏仪依赖劳动密集型的模型拟合，通常不适用于多层堆叠或原位操作测量。光学反射测量提供了一种更简单的替代方案，但存在从反射光谱中模糊提取折射率以及在动态调制下适用性有限的问题。在此，研究人员提出了ReflectoRNN，一种基于循环神经网络（recurrent neural network，RNN）的人工智能（artificial intelligence，AI）驱动的反射测量框架，用于实时提取演化材料中的复折射率。ReflectoRNN从热、电、磁或机械刺激下的反射光谱中提取折射率。它在生成的数据集上实现了中位皮尔逊相关系数（Pearson's correlation coefficient，PCC）为0.998和相对准确度分数（relative accuracy score，RAS）为0.968。在MoS₂和WS₂上跨多种基底（包括单层和多层介电堆叠以及分布式布拉格反射器（distributed Bragg reflectors，DBRs））的验证实验证明了高准确性和物理一致性，其中温度依赖的激子共振能量与玻色-爱因斯坦（Bose–Einstein）预测相匹配。ReflectoRNN能够实现复杂光子结构中材料的原位操作光学表征，并为自动化实时监测和加速材料发现提供了途径。

**论文解读：ReflectoRNN——基于循环神经网络的AI赋能原位光学反射测量框架**

**研究背景与问题**
材料的复折射率（complex refractive index，\(n+ik\)）是描述光与物质相互作用的基本参数，对先进光子学与光电子器件（如光学腔、谐振传感器）的设计至关重要。许多新兴材料（如二维半导体、相变化合物）在热、电、磁或力学等外部刺激下会表现出动态演化的光学响应，因此，在原位操作（in-operando）条件下实时追踪这些折射率变化，成为有源器件设计与性能优化的关键需求。然而，传统方法存在显著局限：椭偏仪虽然精确，但实验装置复杂、数据采集时间长、模型拟合需要人工参与且不适用于多层堆叠或热/电调制场景；光学反射测量虽易实施，但折射率提取存在非唯一性，特别是当基底引入强烈干涉效应（如分布式布拉格反射器（distributed Bragg reflector，DBR））时，从单一反射光谱中准确分离材料属性极为困难。现有基于人工智能（artificial intelligence，AI）的逆光学求解方法多局限于静态条件，无法处理调制依赖的连续折射率变化。因此，亟需一种能够直接从反射光谱中实时、准确提取演化材料复折射率，且不依赖人为主观拟合的通用框架。研究人员在《ACS Nano》上发表的论文提出了ReflectoRNN，一种基于循环神经网络（recurrent neural network，RNN）的原位操作反射测量方法，首次实现了在外部刺激下对动态折射率的实时反演，为自动化材料表征与加速材料发现提供了新途径。

**主要关键技术方法**
（1）**仿真数据生成**：基于Tauc-Lorentz振荡器模型模拟调制依赖的折射率变化，结合Sellmeier公式描述介电层，利用转移矩阵法（transfer matrix method，TMM）计算400–800 nm波长范围内含目标材料与不含目标材料的反射光谱（\(R\)和\(R_0\)），生成800,000种不同堆叠结构（单层、多层、10层DBR）及5种调制状态的数据集。
（2）**CNN自编码器**：分别对折射率图谱（\(n,k\)）和反射光谱（\(R, R_0\)）训练一维卷积神经网络（convolutional neural network，CNN）自编码器，将原始400维光谱压缩至448维潜在向量，作为前端特征提取器。
（3）**序列到序列RNN**：采用门控循环单元（gated recurrent unit，GRU）构建编码器-解码器架构，编码器从基线（初始调制状态）的折射率与反射光谱中学习材料特异性光学行为，解码器逐步处理调制后的反射光谱序列，输出每个调制状态对应的\(n\)和\(k\)。
（4）**实验验证**：以机械剥离的MoS₂和WS₂薄片（厚度9–62 nm）为样本，基底包括SiO₂/Si、Al₂O₃/SiO₂/Si多层及10层TiO₂/SiO₂ DBR（由电子束蒸发制备），在20–140°C温度范围内使用显微反射测量系统与椭偏仪分别采集反射光谱和折射率真值。

**研究结果**
**Model Performance on Simulated Materials（模拟材料模型性能）**：研究人员构建仿真数据集，验证ReflectoRNN在独立测试集上的中位PCC为0.998、中位RAS为0.968。针对不同基底复杂度（单层、多层、DBR），模型均保持中位PCC > 0.998，且DBR基底因反射特征更丰富而获得最高RAS（0.975）。预测的\(n\)和\(k\)光谱与真值在形状和数值上高度一致。

**Model Performance on Experiment Materials（实验材料模型性能）**：对5种MoS₂和WS₂样品进行温度调制实验，ReflectoRNN从实时反射光谱中预测折射率，与椭偏仪真值对比，所有样品RAS在0.931–0.976之间、PCC在0.986–0.998之间，实验数据点落在模拟测试集分布的高密度区域，表明模型对真实复杂结构（包括DBR）具有良好的泛化能力，且优于传统人工神经网络（ANN）和转移矩阵拟合方法。

**Optimization Strategies for ReflectoRNN（ReflectoRNN的优化策略）**：通过消融实验确定最优配置：CNN自编码器较无自编码器和全连接自编码器显著提升RAS（0.968 vs 0.934）；潜在空间维度448为最佳；GRU优于LSTM和Transformer；5层GRU、dropout 0.1、保留GRU编码器实现最高验证RAS（0.968）和PCC（0.998）。训练损失快速收敛，200 epoch后验证RAS保持稳定，无明显过拟合。

**Further Evaluation of ReflectoRNN’s Capability（ReflectoRNN能力的进一步评估）**：模型可推广至9个连续调制状态（训练仅4个），前6个状态RAS > 0.92；对不完全数据集（跳过中间调制步）仍能可靠插值，跳过前2个状态后RAS仍>0.950（\(n\)）；对表面粗糙度和缺陷层的模拟测试显示RAS波动极小（中位约0.967）；模型可扩展至其他材料类型，仅需替换振荡器模型重新训练。

**Physical Consistency and Validation of ReflectoRNN（ReflectoRNN的物理一致性与验证）**：从预测折射率中提取的MoS₂A激子和B激子峰值能量随温度的红移与玻色-爱因斯坦（Bose–Einstein）模型高度吻合（电子-声子耦合强度30 meV，特征温度250 K，0 K激子能量1.89 eV）。后验克拉莫斯-克勒尼希（Kramers–Kronig，KK）一致性分析表明预测的\(n\)和\(k\)满足因果律约束（中位PCC 0.99）。可解释性分析显示模型主要关注反射光谱中物理相关的特征波长区域（如460 nm和580–650 nm的高灵敏度区），进一步证实其预测的物理可靠性。

**结论与意义**
研究人员提出了ReflectoRNN，一种基于AI的反射测量框架，用于在外部调制下原位操作提取演化材料的复折射率。通过结合CNN自编码器与基于GRU的序列到序列架构，ReflectoRNN学习材料特异性光学行为，并根据反射光谱预测调制依赖的折射率。通过大规模仿真，研究人员证明了ReflectoRNN在单层、多层和DBR基底上的鲁棒性和准确性，在独立测试集上实现了中位PCC 0.998和RAS 0.968。研究人员进一步在热调制材料的实验数据上验证了ReflectoRNN，这些材料覆盖单层、多层和DBR基底。模型在多种实验条件下（包括扩展的调制序列和不完整数据集）展现出可靠的准确性。重要的是，ReflectoRNN不仅以高准确度复现了折射率光谱，还保留了关键的物理特征，例如与玻色-爱因斯坦模型一致的激子能量。ReflectoRNN为复杂光子环境中演化材料的实时光学表征提供了强大工具，其超越训练条件的泛化能力和物理可解释性广泛适用于材料发现、器件监测以及AI驱动的实验自动化。