《Optics & Laser Technology》：Compact latent-space encoding of WGM microlaser spectra for fast and accurate sensing
编辑推荐：
回音壁模式（WGM）微激光器与人工智能的协同作用正成为一种新的范式，能够克服传统方法在分析测量结果方面的长期局限性。自动化数据分析是开发快速、可靠且稳健传感器的关键步骤。神经网络自编码器目前被视为光谱分析的优秀候选方案，当使用选定特征作为输入参数时已取得了显著
回音壁模式（WGM）微激光器与人工智能的协同作用正成为一种新的范式，能够克服传统方法在分析测量结果方面的长期局限性。自动化数据分析是开发快速、可靠且稳健传感器的关键步骤。神经网络自编码器目前被视为光谱分析的优秀候选方案，当使用选定特征作为输入参数时已取得了显著成果。本研究提出一种自编码器，直接使用回音壁微激光器的完整发射光谱作为输入。研究人员从瓶颈层提取一个紧凑的潜空间表示，该表示编码了由外部折射率变化引起的光谱变化。所得潜参数能够精确复现实验观测到的波长偏移和模式强度变化，从而提供一种低维且具有物理意义的传感器响应描述。这些发现证明了人工智能辅助光谱分析在增强下一代微激光器光子传感器的灵敏度和稳健性方面的潜力。
基于深度学习的光谱分析：WGM微激光器传感中的潜空间编码研究
**1. 研究背景与问题**
回音壁模式（Whispering-Gallery Mode, WGM）微腔凭借其超高品质因子、窄线宽和极低功耗，已成为实现微激光器的重要光子平台，并在光谱学、计量学、片上光源及超灵敏生物传感等领域展现出广泛应用前景。近年来，WGM微激光器已被成功用于精确折射率传感、高灵敏磁场探测、高分辨率温度测量及精准免疫传感，展示了有源光学腔在传感领域的多功能性和卓越能力。然而，传统WGM传感主要依赖检测精细光谱线的偏移，这一方法虽然灵敏度优异，却严重依赖人工或半自动的光谱拟合，成为技术发展的主要瓶颈。此外，在实际应用中，光谱仪的 spectral resolution 往往不足以可靠分辨发射光谱中微小的波长偏移。因此，亟需一种能够充分利用全光谱信息、而非仅依赖峰值位置，并将其压缩为一组稳健参数的工具，以推动下一代光子传感器的发展。
近年，深度学习技术在光子学中的集成为此类挑战提供了新的解决路径。卷积神经网络、序列架构和生成模型已被用于分析复杂光谱、自动识别模式族、预测激光动力学以及加速微腔逆向设计。其中，自编码器（Autoencoder）作为一种强大的光谱分析工具，能够将高维光谱压缩至紧凑的潜空间并以最小信息损失重建，从而实现去噪、分离细微光谱特征以及识别难以用传统拟合方法捕捉的潜在物理变化。然而，目前大多数基于自编码器的方法仍依赖预选光谱特征作为输入，尚缺乏直接使用完整光谱、让网络自主从原始数据中学习紧凑潜特征的研究。此外，现有基于人工神经网络（Artificial Neural Network, ANN）的WGM光谱分析大多针对无源微腔，其传感信号来自透射光谱，可由具有皮米级光谱分辨率的光电探测系统获取。相比之下，WGM微激光器通过荧光发射工作，其检测通常借助光谱分辨率较低的摄谱仪，使得解析由分析物结合或环境变化引起的微小波长变化更具挑战。因此，本研究旨在探索一种基于自编码器的深度学习框架，直接以实验获取的WGM微激光器发射光谱为输入，通过无监督方式提取低维潜空间表示，并验证该表示是否能够对应物理参数，从而实现快速、稳健且灵敏的传感分析。
**2. 研究目标与主要技术方法**
研究人员设计并训练了一种卷积自编码器神经网络，用于自动提取WGM微激光器光谱中的关键特征。该网络由编码器和解码器组成，中间通过瓶颈层连接。编码器采用一维卷积层构建，解码器由反卷积层构成，瓶颈层为全连接层。研究训练了两种架构：具有2节点瓶颈的2D自编码器和具有3节点瓶颈的3D自编码器。模型使用PyTorch框架实现，训练数据集包含1250个光谱，来自三个不同微球在甘油/水混合溶液中的测量，折射率范围覆盖1.33至1.47。共采集25组测量，每组50个光谱。其中，图1-b所示的子集（折射率1.36–1.43，对应浓度24%–69%）包含550个光谱，用于与拟合参数进行比较。训练过程中，20%数据作为验证集，损失函数为输入与输出的均方误差（Mean Square Error, MSE），学习率初始为0.005，并在100和250个epoch后减半。当验证集损失连续10个epoch无改善时停止训练，且强制最少训练75个epoch。为对比潜变量与实验参数的关系，研究人员还采用高斯拟合提取共振波长和峰值强度，并计算了折射率灵敏度（Sensitivity, S）和检测限（Limit of Detection, LOD）。
**3. 研究结果**
**3.1 潜空间的聚类与趋势**
研究人员将不同折射率下采集的光谱输入自编码器，得到瓶颈层的编码数据。二维和三维散点图显示，不同折射率对应的数据集在潜空间中良好分离，并随折射率变化呈现清晰趋势。这表明自编码器能够从原始光谱中自主提取与外部环境折射率相关的低维表示。
**3.2 潜变量与光谱偏移的对应**
将编码后的第一维潜变量（dim1）与实验测得的光谱偏移Δλ（定义为各折射率下平均峰值位置与水中的参考位置之差）进行比较，发现两者高度一致。该对应关系在2D和3D自编码器中均成立，说明潜空间的第一个维度捕捉了共振波长的位移信息。
**3.3 潜变量与模式强度的对应**
编码后的第二维潜变量（dim2）与模式强度变化进行对比。结果表明，2D自编码器的dim2与高阶模式（λ0、λ1、λ2）的平均强度变化趋势吻合，这些模式的强度随折射率增加而上升；而3D自编码器的dim2则与中阶模式（λ3、λ4）的平均强度趋势相近，后者表现出非单调变化并在某处达到最大值。这表明潜空间的不同维度能够分别编码不同的物理特征。
**3.4 灵敏度与检测限评估**
通过线性拟合计算灵敏度S和检测限LOD。传统光谱拟合得到的S为(13.38 ± 0.51) nm/RIU，LOD为(0.0057 ± 0.0002) RIU。由于自编码器潜变量的灵敏度为任意单位（a.u.），无法与nm/RIU直接比较；但LOD均为折射率单位（RIU），可直接对比。2D自编码器的LOD为(0.0092 ± 0.0035) RIU，3D自编码器的LOD为(0.0074 ± 0.0024) RIU，二者与光谱拟合的LOD处于同一数量级，表明基于潜空间的传感策略性能与传统方法相当。
**3.5 效率优势**
自编码器测试阶段约需两分钟，参数提取在数秒内完成。与传统方法相比，该方法无需用户定义拟合参数、无需峰值选择、也无需预先平均，原始光谱可直接输入神经网络进行分析。
**4. 总结与结论**
研究人员提出了一种由人工智能赋能的WGM微激光器沉浸式微传感器，用于快速灵敏的光谱分析。通过设计并训练自编码器，从完整发射光谱中提取压缩的潜参数，研究人员验证了潜空间中的维度与共振波长偏移及模式强度变化直接相关。这项工作首次展示了深度学习模型学习的潜表示与WGM微激光器传感物理参数之间的直接关联，为无需预处理、能捕捉系统细微物理变化的通用光谱分析框架奠定了基础，推动了人工智能辅助光子微传感器向快速、稳健、可靠方向发展。
