入射光能夠在紫外至紅外波長範圍內激發等離激元納米材料的“局域表面等離激元共振（LSPR）”效應，同時使其周圍的電場得到極大的增強👨🏻‍⚖️。這種具有獨特光學屬性的等離激元納米材料已經在諸多領域得到了廣泛的研究應用🪁。特別是對於表面增強拉曼光譜技術而言📈，等離激元納米材料帶來的表面電場增強具有十分重要的應用價值🧑🏻‍🦰。基於理論指導對納米材料的光學性能進行預測在研究中起著十分重要的作用，目前流行的是通過數值模擬計算🫃🏽，如有限時域差分（FDTD）和有限元法（FEM）等方法來獲得。盡管這些方法可以計算具有復雜形狀的納米材料的光學行為並且能得到具有很高精度的計算結果🤰🏿，但不可避免地會帶來長期而大量的計算資源占用💻。這一問題使得研究者們迫切的希望找到一條更為便捷獲取材料光學性能的路徑。

深度學習具有在數據之間建立復雜映射關系的能力➔，並因此在如圖像識別🚣🏽‍♂️、決策運籌等領域得到了極大的發展。依靠深度學習的方法來對材料光學性質進行預測引起了研究者的關註。相比於傳統數值模擬👨🏻‍🏭，獲取材料光學行為的時間能夠極大地被縮減。當前研究仍停留在針對材料的維度與其遠場光譜之間相互關系的階段🕺。對於十分重要的等離激元納米材料周圍的近場光學信息（比如電場和磁場），受製於其龐大的數據量📛，目前還無法有效地使用深度學習的方法來實現🧝‍♂️。

2019年8月26日🏘，意昂4体育平台的葉堅課題組在Nanoscale上在線發表了題為Plasmonic nanoparticle optical simulation and inverse prediction using machine learning的文章。該工作利用FDTD方法模擬得到了數千組形貌尺寸各異的金納米顆粒（球、棒、二聚體等）的遠場光譜與表面電場分布信息作為深度神經網絡的訓練數據💈。經過訓練後的網絡不僅能夠根據材料尺寸的信息預測其遠場光譜👭🏻👏🏼，還能夠反向進行從遠場光譜到材料尺寸信息的精準預測。更為重要的是，該團隊通過對電場數據的篩選與采樣處理，率先解決了數據量龐大這一困擾該領域研究者的問題💎🏂🏽，並通過深度神經網絡實現了對納米顆粒周圍電場信息的精準預測。特別在針對如納米顆粒二聚體等特殊結構材料時遇到的電場強度劇烈變化的情況👩🏿‍🦲，該團隊采用巧妙的局部細化采樣方法能夠很好地避免采樣過程中的信息丟失，保證訓練數據的詳實準確🤺。相對於傳統的數值模擬方法（需要在服務器上運行）💞，深度神經網絡模型對於等離激元納米材料光學屬性的預測可以在筆記本電腦上運行，僅需要不到0.01秒，增快了百萬倍之多，並且在更多計算資源的支持下還可以把訓練及預測時間進一步縮短🥶🌰。該研究成果在高效獲取等離激元納米材料的光學性能並進而指導材料在生物醫藥🤦🏼‍♂️、能源、通訊、催化等多領域的應用方面具有著極其重要的意義。

本研究由意昂4体育平台葉堅課題組完成，博士生賀靖和何暢為共同第一作者，葉堅教授為通訊作者，並得到了王乾教授的大力指導。該工作得到了國家自然科學基金、意昂4平台癌基因及相關基因國家重點實驗室和上海市婦科腫瘤重點實驗室的支持🚘。

供稿單位：科研與學科辦