【KAUST｜Light: Science & Applications】机器学习辅助等离激元超表面实现超薄硅膜宽带增强吸收

文章信息

题目：

Machine learning assisted plasmonic metascreen for enhanced broadband absorption in ultra-thin silicon films

作者：

Waqas W. Ahmed, Haicheng Cao, Changqing Xu, Mohamed Farhat, Muhammad Amin, Xiaohang Li, Xiangliang Zhang*, Ying Wu*

单位：

沙特阿卜杜拉国王科技大学（King Abdullah University of Science and Technology，KAUST）

塔伊巴大学工程学院

圣母大学计算机与工程系

期刊：

Light: Science & Applications，2025年，第14卷，第42期

DOI：

https://doi.org/10.1038/s41377-024-01723-8

一句话核心结论

通过机器学习逆向设计的银纳米环等离激元超表面，在仅20 nm厚的非晶硅中实现了可达100–180% 的宽带吸收与光电流增强。

研究背景与科学问题

在光伏器件、光探测器和光学滤波器中，薄有源层同时实现高效率与宽带吸收始终是核心挑战。

增加材料厚度虽能提升吸收，但会引入载流子复合与传输损耗；

传统等离激元或超材料结构通常只能在窄带工作；

复杂纳米结构的设计空间巨大，依赖参数扫描与数值优化的方法计算成本高、效率低。

关键科学问题在于：

如何在不增加硅膜厚度的前提下，实现可调、宽带、高效率的光吸收，并高效完成结构设计？

技术原理与创新点

核心技术原理

在20 nm 非晶硅（a-Si）薄膜中嵌入双同心银纳米环阵列；

通过局域表面等离激元（LSPR）与Fabry–Pérot 腔模的耦合，实现强近场增强与光程折叠；

底部银反射层消除透射通道，进一步提升吸收效率。

方法学创新

构建双向深度学习框架：

RPN（正向网络）

：几何参数 吸收光谱

DPN（逆向网络）

：目标吸收光谱 结构参数

利用11000 组 COMSOL 三维仿真数据进行监督学习；

实现从“目标光谱”直接预测“纳米结构参数”，摆脱传统反复仿真优化流程。

核心创新点：

机器学习驱动的逆向设计等离激元超吸收器；

在超薄硅膜中实现>100% 的宽带吸收增强；

实验验证机器学习设计结果的可制造性与物理有效性。

实验验证与性能

实验设计

结构：Ag 镜面 / SiO₂ 间隔层 / 银双纳米环阵列 / a-Si 薄膜；

制备：电子束曝光 + 溅射 + PECVD；

表征：反射光谱、SEM、AFM。

核心性能结果

工作波段

：400–860 nm

光电流密度增强

：

最大增强100–180%（相较无纳米结构的平面硅膜）

实验反射谱与仿真结果高度一致，验证宽带吸收增强来源于银纳米环阵列。

学术贡献

提出

机器学习辅助的等离激元超吸收器设计范式；

实现

超薄（20 nm）硅膜的宽带高效吸收；

构建

高精度正向/逆向神经网络（预测精度 >99%）；

验证

数据驱动方法在复杂纳米光子器件中的实验可行性。

局限性与未来方向

局限性：

数据生成依赖大规模仿真，前期计算成本较高；

当前结构为规则对称纳米环，自由度有限。

未来方向：

引入非规则/自由形态结构以拓展设计空间；

将模型拓展至其他材料体系（如钙钛矿、二维材料）；

面向实际光伏与光探测器件的系统级集成优化。

总结

该工作展示了机器学习与等离激元超表面深度融合在超薄光吸收器设计中的巨大潜力。通过逆向设计策略，研究人员在极薄硅膜中实现了远超传统结构的宽带吸收性能，为新一代高效光电器件提供了通用且可扩展的设计思路。

图文赏析

图1：机器学习辅助等离激元超吸收器结构示意图与正/逆向神经网络框架，以及20 nm 硅层的宽带吸收光谱。

图2：正向预测网络（RPN）的结构、训练误差收敛情况及预测光谱与仿真的对比。

图3：逆向预测网络（DPN）的结构、训练过程及设计参数预测精度回归结果。

图4：DPN 预测结构参数后，经 RPN 验证的吸收光谱与目标光谱的一致性。

图5：不同设计参数下光电流密度与增强比例的统计分析及代表性宽带吸收结果。

图6：在 AM1.5G 条件下，超吸收器相较平面结构的整体吸收效率统计分布。

图7：实验样品结构示意图及实验/仿真反射光谱对比。

图8：银双纳米环阵列的 SEM 与 AFM 形貌表征结果。