在现代硅基光电子器件中，吸收率是衡量性能的关键因素之一。传统的光电子器件通常通过增厚吸收层来提升吸收效率，但这往往会导致成本上升。近年来，学者们探索了多种增强光吸收的方法，如硅层与超构材料或表面等离极化激元技术的交互。然而，在控制材料厚度的前提下提高吸收效率依然是一个亟待解决的挑战。
近日，沙特阿拉伯阿卜杜拉国王科技大学的吴莹教授课题组和美国圣母大学张响亮教授课题组合作，采用深度学习技术突破传统设计方法的限制，提出了一种基于神经网络的优化框架。该框架利用双向神经网络分别解决前向和反向设计问题，能够快速预测微纳结构的光学响应并优化设计参数，显著提高了设计效率和准确度，实现了高效的微纳结构设计。该成果发表于《Light: Science & Applications》，题为"Machine learning assisted plasmonic metascreen for enhanced broadband absorption in ultra-thin silicon films"。
尽管硅层表面的微结构能够增强可见光频段的吸收，但其设计过程仍然复杂，因其涉及高结构自由度下多个参数的优化调节。传统的优化方法需要较大的计算量，且其效率低下，难以高效地找到最佳设计方案。此外，反向设计（即根据目标吸收谱预测设计参数）更为复杂，因为多组不同的物理参数可能拥有相同的响应，这使得求解过程变得更加困难。因此，高效、精确地设计宽频带吸收的光电子器件一直是相关研究中的关键问题。近日，来自沙特阿拉伯阿卜杜拉国王科技大学的吴莹教授课题组和美国圣母大学张响亮教授课题组合作，采用深度学习技术突破传统设计方法的限制，提出了一种基于神经网络的优化框架。该框架利用双向神经网络分别解决前向和反向设计问题，能够快速预测微纳结构的光学响应并优化设计参数，显著提高了设计效率和准确度，实现了高效的微纳结构设计。研究团队采用的反向设计网络和响应预测网络显示出卓越的性能。响应预测网络能够在数毫秒内准确预测吸收谱，其速度相较传统方法提高了多个数量级。而反向设计网络则能够从目标吸收谱反向预测出最佳的设计参数，且预测结果与实验数据高度一致。
![]()
图1. 用于增强宽带吸收的微纳结构。(a) 上：微纳结构由嵌入硅层的同心银纳米环阵列、二氧化硅间隔层和纯银反射层组成；下：该结构受光源照射，光源频率覆盖太阳光谱的能量密集区域。(b) 响应预测网络能够根据微纳结构的几何参数预测吸收谱，而逆向设计预测网络能够根据给定的吸收谱预测微纳结构的几何参数。(c) 基于机器学习设计的微纳结构的宽带吸收谱。研究人员通过将半径为几十纳米，厚度为十几纳米的双银环阵列嵌入20 nm厚的无定型硅层，极大提高了吸收效率。这种提升源于入射光与表面等离激元的共振。实验结果表明，相比平面硅器件，优化后的设计对可见光的宽频吸收率提高了100% 以上。研究人员在400 nm到860 nm的光谱范围内实现了显著的吸收效率增强，器件的光电流密度大幅提升。 前景展望
该研究不仅为超薄硅光电器件提供了新型设计方案，也为基于深度学习设计波动功能器件提供了新思路，具有潜在的应用前景。
论文信息
Ahmed, W.W., Cao, H., Xu, C. et al. Machine learning assisted plasmonic metascreen for enhanced broadband absorption in ultra-thin silicon films. Light Sci Appl 14, 42 (2025).
https://doi.org/10.1038/s41377-024-01723-8
免责声明：本文旨在传递更多科研资讯及分享，所有其他媒、网来源均注明出处，如涉及版权问题，请作者第一时间后台联系，我们将协调进行处理，所有来稿文责自负，两江仅作分享平台。转载请注明出处，如原创内容转载需授权，请联系下方微信号。
