Science：光学传感新概念！
学研汇 技术中心
纳米人
2023-04-06
特别说明：本文由学研汇技术 中心原创撰写，旨在分享相关科研知识。因学识有限，难免有所疏漏和错误，请读者批判性阅读，也恳请大方之家批评指正。
研究背景
光学传感装置可测量入射光束的丰富物理性质，如其功率、偏振态、光谱、强度分布等。大多数传统的传感器，如功率计、偏振计、光谱仪和相机，功能单一且体积庞大。在过去的十年中，通过使用微型化器件和先进的机器学习算法开发集成传感解决方案的速度迅速加快，光学传感研究已经发展成为一个高度跨学科的领域，包括器件和材料工程、凝聚态物理和机器学习。为此，未来的光学传感技术将受益于器件结构的创新、新量子材料的发现、以前未被表征的光学和光电现象的演示以及定制机器学习算法的快速发展。为此，耶鲁大学Fengnian Xia等人于2023年3月16日在Science上发表综述文章，介绍了一个被称为“几何深度光学传感”的新兴概念。作者介绍了这一概念的物理、数学和工程基础，特别强调了经典几何和量子几何以及深度神经网络的作用。此外，还讨论了这个新兴方案可以带来的新机遇以及与未来发展相关挑战。研究进展
从信息理论的角度来看，(光学)传感过程可以理解为如下:传感器充当编码器，将未知的高维物理量转换为传感器输出;与噪声测量过程相对应的通道读取传感器输出;解码器对编码后的高维信息进行解码。在传统的传感方案中，直接确定这样一个矢量需要一系列测量，这些测量使用不同类型的光学组件，如分束器、波板、滤波器、色散光栅和功率计，然后是数据处理步骤。与传统传感方案相比，几何深度光学传感方案的编码和解码过程都可以是隐式的。此外，不同种类的信息可以并发编码到传感器输出中。因此，该传感方案允许检测光的多种物理特性和功能复用。
编码器的作用是将Rn中的物理信息映射到Rm中的光响应，作者分别讨论了如何针对不同属性的入射光实现信息编码。几何在光-物质相互作用中起着关键作用，具有不同几何特征的光学器件可以对光表现出不同的偏振依赖响应。此前，偏振成像已经通过使用由具有不同几何形状的光学元件组成的2D光栅矩阵进行了演示。除了传感器的几何特征外，布洛赫电子的量子几何，即Berry曲率和量子度量也可以用于极化信息的编码。非线性响应不仅依赖于光的偏振，而且这种依赖也是可调的。具有不同几何特征的光学元件也可以直接与互补金属氧化物半导体(CMOS)传感器集成，对光谱信息进行编码。在这种光谱仪中，每个元素通过利用合理设计的几何特征来捕获特定的光谱特征，已被广泛用于光谱和偏振成像中的信息编码。然而，光学元件的物理布局在制造后很难重新配置，这限制了它们在高级应用中的潜力。除了使用具有不同几何特征的元素外，半导体带隙的工程设计也可用于对光谱信息进行编码;带隙决定了能发生带间跃迁的光子能量，带隙的调谐可以使光谱信息编码成光响应矢量。除了光谱和偏振信息外，光强度的空间变化(光学图像)也可以在光响应中编码。为此，可重构光电探测器阵列作为图像传感器和人工神经网络已用于超快机器视觉。图像编码过程直接捕获空间特征，降低了传输带宽要求。在编码过程中，足够大的信噪比是很重要的。这一观察结果类似于编码理论中的信道容量，其中容量随着噪声的减小而增加。除了降噪，在测量中引入冗余(m > n)可以缓解简并问题。
虽然光响应向量X本身可能包含关于W的某些特征的有价值的信息，但通常需要解码器来破译和重建原始物理信息，以完成传感过程。作者重点讨论了光学传感中用于将Rm中的传感器响应映射到Rn中的原始物理信息的两类模型:分析型和数据驱动型。分析型模型需要对编码器有全面的理解，而数据驱动型模型通常使用具有实验光响应数据的神经网络。此外，还存在其他不属于上述两种模型中的任何一种，但可以代表未来解码光学信息的替代途径的方法。例如，未经训练的随机初始化神经网络已被证明在图像生成和恢复方面是有效的，并且已使用卷积神经网络之后的分析算法来解决逆问题。无论使用哪种模型，光响应向量的维数m由测量参数空间决定。用于表征光响应矢量的参数可以是不同的。
接着讨论了人工神经网络在光学传感器信息编码和解码中的潜在作用。自编码器是一种特殊的神经网络，由两部分组成:一个编码器将输入数据压缩到m < n维的瓶颈层，另一个解码器在输出处再现原始数据。这一概念不仅限于成像，也可以应用于其他光学传感任务，如光谱测量。为了实现深度自编码器，可以在编码器和解码器中添加额外的隐藏层，以加深网络并增加其复杂性和性能。
未来展望
l单个TDBG传感器可以同时检测中红外波段未知光的波长、强度和偏振状态。将这种能力扩展到其他波长范围，并能够检测角动量等其他物理性质，将进一步增强这种传感方案的能力。这将需要创新材料来演示超越中红外的深度光学传感。l可调谐BPVE是TDBG可重构传感器概念的核心，是一种二阶光学效应，将可重构线性和光响应和高阶光响应结合使用，可以进一步增强深度光学传感的能力和性能。l扩展功能复用的能力。一组可重构光电探测器可以实现基于人工神经网络的图像编码和分类功能。具有更高分辨率和更多层次的可重构传感器阵列构建将使深度神经网络与增强的成像能力结合使用，以完成更具挑战性的机器定位任务。同时编码光谱和空间信息可能会导致新一代高通量高光谱成像系统。可以执行各种不同任务的小型化传感器是未来发展方向，其主要材料包括2D材料，如黑磷、过渡金属二卤属化合物、moiré石墨烯和钙钛矿。范德华异质结构代表了具有强可调性的材料系统的不同光谱，可以与波长范围从微波到紫外线的光相互作用。因此，层内和层间的光学跃迁以及非线性光学效应都可以通过电场重新配置，这为在宽波长范围内实现深度光学传感提供了充足的机会。此外，硅锗和III-V量子阱等传统薄膜半导体也表现出电场下的可调谐性，这使得基于高度成熟的半导体平台构建可重构传感器成为可能。在传感器附近或传感器内部开发集成记忆单元的信息处理方案可能至关重要。预计由2D材料、钙钛矿和其他薄膜半导体制成的可重构传感器与用于数据处理的硅电子器件的混合集成可能为新一代深度传感技术铺平道路。光学计算是另一种有前途的高通量信息处理途径，它有利于编码器和解码器，使编码器设计具有更高的自由度。基于光学深度神经网络的计算机视觉和语言处理等功能已经得到了验证。具有可重构传感器的深度光学传感方案的开发为测试和开发机器学习的最新发展提供了一个独特的机会。生成对抗网络(GAN)可以应用于提高深度传感性能，减少所需的测量。长短期存储器(LSTM)，它可以与可重构光学传感器一起使用，以检测计算机视觉和化学反应中的超快事件。信息编码中的一个挑战是最小化所需要的字符数，并确定最优的编码策略。如果可以在不影响传感性能的情况下执行更少的测量，那么不仅可以提高采集速度，而且还可以减少后续步骤中的数据处理要求。相比之下，通过选择较大的m，可以引入冗余，从而降低光响应简并的概率。因此，需要一套数学指导方针来弥合这两个相互冲突的要求之间的差距。SHAOFAN YUAN, et al. Geometric deep optical sensing. 2023.DOI: 10.1126/science.ade1220https://www.science.org/doi/10.1126/science.ade1220
加载更多
1807
版权声明：
1） 本文仅代表原作者观点，不代表本平台立场，请批判性阅读！
2） 本文内容若存在版权问题，请联系我们及时处理。
3） 除特别说明，本文版权归纳米人工作室所有，翻版必究！
