近日，上海理工大学庄松林院士领导的太赫兹技术创新团队成员彭滟教授与山西大学量子光学与量子光学器件国家重点实验室合作，提出基于迁移学习的连续域准束缚态太赫兹超表面多指标优化设计方法，成功攻克太赫兹生物传感器的传感性能指标协同优化的技术难题。研究成果以“Transfer Learning Empowered Multiple-Indicator Optimization Design for Terahertz Quasi-Bound State in the Continuum Biosensors”为题发表于《Advanced Science》期刊(IF=14.3,中科院一区)，博士生王胜峰为论文的第一作者。
本研究针对传统深度学习方法数据需求量大且难以平衡多指标关系的技术瓶颈，提出了一种基于迁移学习的多指标协同优化新方法，实现了超构生物传感器的高效设计。该创新方法通过低维简单结构的预训练捕捉通用设计规律，再结合迁移学习对高维复杂结构进行微调，在将数据集需求降低约50%的同时，显著提升了设计效率和整体性能。与传统单指标优化方法不同，本研究首次实现了品质因数（Q因子）、优值系数（FoM）和有效传感面积（ESA）等多性能指标的综合优化，填补了超构生物传感器多指标优化研究空白。研究进一步量化了各指标对整体性能的相对贡献度，其中Q因子占26.09%，FoM占48.42%，ESA占25.49%。通过建立FoM、Q因子和ESA对频移贡献的量化关系，为超表面生物传感器的智能化设计提供了新范式。实验与仿真验证结果表明，该方法设计的超构生物传感器性能优异，对生物标志物分子的检测限达到pg级，具有卓越的灵敏度和可靠性。此外，该方法可进一步拓展至生物传感之外的其他多指标优化领域，将加速智能传感器与光电器件的发展，推动新一代智能材料的设计与应用。
基于模型设计的超表面性能测试
文章链接：https://doi.org/10.1002/advs.202504855