魔角石墨烯，今日Nature！

第一作者：Chao Ma, Shaofan Yuan, Patrick Cheung

通讯作者：Shaofan Yuan, Fengnian Xia, Fan Zhang

通讯作者单位：耶鲁大学, 德克萨斯大学达拉斯分校

光探测器通过探测光电压信号实现对光波的检测，但是通常光探测器将光波的多种性质集成到一个数值，如果测试光的极化、波长、功率等信号，需要多个光学器件协同。

有鉴于此，耶鲁大学Shaofan Yuan、Fengnian Xia、德克萨斯大学达拉斯分校Fan Zhang等报道在扭角双层石墨烯器件发现异常高强度和极性有关的光伏效应。通过这种双层石墨烯光探测器件，借助机器学习的方式在一个光探测器同时测试光的极性、波长、功率多种参数。新加坡南洋理工大学Justin C. W. Song对此工作进行总结与评述。

背景

材料通过吸收光能够激发产生载流子。传统的光探测器通过内建电场提高载流子的输运，产生光电压信号。缺少反演对称性的材料甚至能够在没有外电场时产生光电流信号，这种现象是体光伏效应（bulk photovoltaic effect），在体光伏效应现象中，激发载流子可以自发的在材料的体相中传输。形成的光电流强度和方向与一系列参数有关，包括光的极性、波长、复杂的电子波结构等电子特征。

这种体光伏效应在铁电材料中容易产生，后来人们发现在对称性破缺的2D材料中同样能够产生体光伏效应。非常有意义的一点是，2D材料的体光伏效应是能够调控的。比如通过改变原子层厚度2D材料的堆叠形式，改变moiré材料相邻层之间的扭转角度，能够导致材料产生与规则堆叠形式显著区别的光电性质，比如一些理论计算预测moiré材料能够产生显著的体光伏效应。

新发展：多参数红外光探测

图1.紧凑型光探测器 (a) 探测器将入射光的光电压信号通过人工神经网络分解为极化、波长、功耗信号 (b) 基于扭角双层石墨烯的光探测器件结构，通过测试门电压给出入射光的光电压信号

耶鲁大学Shaofan Yuan、Fengnian Xia、德克萨斯大学达拉斯分校Fan Zhang等报道，在扭曲双层石墨烯材料在红外光区间光照射作用中，产生非常强的体光伏效应，体光伏效应的强度和光电信号随着极化光的改变发生剧烈变化。

扭曲结构双层石墨烯具有复杂的电子结构，这些电子能带结构与体光伏效应有关，目前人们发现通过门控电压能够调控电子能带结构。作者在扭曲双层石墨烯光探测器的顶部和底部放置能够调节门控电压的电极，当分别调控两个门的电压，能够实现变化复杂的光电效应信号。

机理

图2.双层石墨烯光探测器的器件结构、输运性质(a) 探测器的结构示意图 (b) 在层间电势差为ΔV=0, 50, 100 meV时，扭转角度为1.2°双层石墨烯器件的能带结构(c) 在T=79 K测试器件电阻与顶电压(V_TG)、底电压(V_BG)的关系图 (d) 电阻的温度系数(-ΔR/(R×ΔT))与顶电压(V_TG)、底电压(V_BG)的关系图

调节门控电压对随着入射光的极性、波长、功率参数对光伏效应的影响和作用机理具有较高的挑战性。目前能够对体光伏效应进行数值调控，但是通常这种调控与材料的具体参数有关，在moiré材料中这种调控变的更加困难，因为moiré材料的电子结构对应力和扭转角度的变化非常敏感。而且，由于光伏效应的变量参数变化非常复杂，进一步增加了器件调控的难度。

作者发现通过探测光电压变化导致门控电压的改变，能够用于探测光的多种参数，通过机器学习算法能够解释光电压的变化方式与入射光的关系。

探测性能

图3.神经网络解析红外光电压信号 (a) 椭圆偏振光激发产生的光电压图 (b) 当入射光的λ=5 μm，随着V_BG变化产生的代表性极化偏振光(c) 当入射偏振光分别为5 μm和7.7 μm，产生的光电压信号 (d) 光电压图产生的极化光读数、波长读数(e) 卷积神经网络CNN（convolutional neural network）测试极化光、波长的机理(f) 测试结果与真实值之间的均方误差MSE（mean squared error）区别

作者发展了一种卷积神经网络用于理解光的“指纹”信号，这种神经网络通常被用于图像识别，通过光伏图形二维图像作为输入数据，通过神经网络运算能够给出光的特征信息，包括功率、极化、波长参数。通过训练，探测器数据给出的参数与实验测试结果之间的误差非常低。因此，作者成功实现了一种紧凑的光探测器，能够给出探测光的多种参数。

参考文献：

Ma, C., Yuan, S., Cheung, P. et al. Intelligentinfrared sensing enabled by tunable moiré quantum geometry. Nature 604, 266–272(2022)

DOI:10.1038/s41586-022-04548-w

https://www.nature.com/articles/s41586-022-04548-w

Justin C. W. Song & Yidong Chong, A detectorthat can learn the fingerprint of light. Nature 604, 252-253 (2022)

DOI: 10.1038/d41586-022-00973-z

https://www.nature.com/articles/d41586-022-00973-z