《Nanomaterials》：NanoPhotoNet-Lase: Physics-Informed Neural Networks for Accelerated Design of Coherent Metasurface Nanolasers
编辑推荐：
人工智能与物理建模的融合为加速有源纳米光子器件设计提供了变革性途径。研究人员提出NanoPhotoNet-Lase，一种物理信息神经网络（physics-informed neural network, PINN）框架，将激光发射的电磁方程和速率方程直接嵌入学
人工智能与物理建模的融合为加速有源纳米光子器件设计提供了变革性途径。研究人员提出NanoPhotoNet-Lase，一种物理信息神经网络（physics-informed neural network, PINN）框架，将激光发射的电磁方程和速率方程直接嵌入学习过程，以加速超表面纳米激光器设计。通过将麦克斯韦矢量亥姆霍兹方程与染料增益介质的四能级粒子数动力学耦合，该模型实现了物理引导的光学响应预测，能够在任意纳米结构几何与材料构型下快速估算激光阈值。利用高折射率超表面腔，NanoPhotoNet-Lase识别出支持准连续谱束缚态（quasi-bound state in the continuum, quasi-BIC）、具有强场束缚和高品质因子的优化几何结构。以若丹明B（Rhodamine B）染料为增益介质，研究人员实验实现了所预测的激光发射。实测激光阈值（Pth~565 μJ/cm?2）和发射波长（λ~620 nm）与模型预测偏差小于1%。重要的是，该框架可实现相位梯度纳米激光超透镜和光束偏转设计，数值演示了相干、定向、聚焦或偏转发射。这项工作将物理信息机器学习与实验纳米光子学相连接，为相干发光超表面的实时、物理可解释设计建立了可扩展范式。
论文解读：NanoPhotoNet-Lase实现有源超表面纳米激光器的物理信息加速设计
研究背景与目标：光子学与光电子学的持续小型化推动了对亚波长相干光源，即纳米激光器的研究。这类器件在片上光通信、量子信息处理、高分辨率生物成像和相干光场调控等领域具有重要应用前景。其中，基于连续谱束缚态（bound state in the continuum, BIC）的超表面纳米激光器因具有超高品质因子（quality factor, Q因子）、低辐射损耗和紧凑腔体内的强场局域能力而受到广泛关注。然而，BIC纳米激光器的设计面临高维参数空间带来的根本性挑战：谐振腔几何参数、折射率分布、增益-腔耦合效率以及有源介质的非线性载流子动力学相互耦合，导致模式特性和激光阈值对多个变量高度敏感。传统三维时域有限差分（finite-difference time-domain, FDTD）或有限元方法（finite element method, FEM）虽然能有效求解这类结构，但每轮耦合麦克斯韦-布洛赫或激光速率方程的仿真往往需要数小时高性能计算，使大规模参数扫描、随机搜索和逆向设计在实际中几乎不可行。已有数据驱动的人工智能方法通常需要数万次带标签电磁仿真，且缺乏物理可解释性；而此前用于光子学的标准物理信息神经网络（physics-informed neural network, PINN）多集中于无源问题，未将决定增益、饱和和激光阈值的非线性速率方程嵌入网络。因此，研究人员提出NanoPhotoNet-Lase，以自洽耦合全波电磁模拟与有源四能级增益动力学的统一可微架构，同时实现前向预测和逆向设计。
研究内容与结论：NanoPhotoNet-Lase将矢量亥姆霍兹方程和四能级激光速率方程直接嵌入复合损失函数，以三维空间点云表示超表面超原子的几何与折射率信息，利用共享多层感知器（multilayer perceptron, MLP）提取局部特征，并通过对称最大池化聚合全局结构信息。模型通过最小化物理残差，可在毫秒级预测
