2024， Nature Communications——高维光学信息一体化解码：揭秘超表面助力石墨烯光探测器

Metasurface-enabled broadband multidimensional photodetectors

文章链接：https://www.nature.com/articles/s41467-024-52632-8

摘要

光可以编码多维信息，如强度、偏振和光谱。传统的光信息提取依赖于离散光学元件，通过将探测区域划分为许多“一对一”功能像素来实现。而使用单一集成片上探测器实现宽带高维光信息的探测是备受追捧的，但同时也面临重大挑战。本研究中，我们采用了元表面辅助的石墨烯光探测器，能够同时探测和区分宽带光（1-8 μm）的不同偏振状态和波长，波长预测精度达到0.5 μm。该设计赋予的双极极化能力能够解耦多维信息（包括偏振和波长），这通过编码极性和幅度变化的矢量光电流来实现。此外，合作的多端口元表面与机器学习技术相结合，能够在超宽波长范围内（1-8 μm）实现精确的自旋-波长区分。我们的创新为紧凑型高维光谱-偏振协同探测提供了一个全新方案。

研究背景和主要内容

从光中提取多维信息对于实现光信息的整体理解、多层感知器和可操作性至关重要，例如在光传感、光通信和光计算中。然而，检测光强度以外的信息通常需要大量光学元件的协同作用。片上集成光电检测技术能够释放其空间自由度，从而为下一代微型光电芯片的设计提供了可能性。然而，目前大多数的努力仅限于实现最多二维参数检测，例如光谱检测（波长和强度）或偏振光谱检测（偏振和强度）。检测具有高维参数的光谱提出了更大的挑战。

最近，带有单独偏置门控的扭曲双层石墨烯已被成功应用，并可同时光电检测两个波长（5 μm 和 7.7 μm）的光的偏振态。最近，色散辅助高维光电探测器被证明可以检测完整的偏振态和 6 个波长，而无需借助超表面或莫尔低维材料。然而，由于使用商用 CMOS 相机阵列，该方法仍然受到空间分辨率的影响，并且相应的光谱带也受到 CMOS 相机顶部薄膜固有色散的限制，并且由于缺乏像可见光对应物那样的适当色散，因此可能无法将此配方扩展到中红外区域。商用 CMOS 探测器的参与不可避免地需要 N 个探测器将 N 维输入状态映射到输出，即使借助机器学习算法，也会牺牲空间分辨率。

在这里，我们采用了超表面辅助石墨烯光电探测器，能够同时检测和区分宽带光（1-8μm）的各种偏振态和波长，波长预测精度为0.5μm。这种设计赋予的双极极化性允许分离多维信息（包括偏振和波长），这可以通过对具有不同极性和振幅的矢量光电流进行编码来实现。此外，采用协作式多端口超表面并通过机器学习技术增强。它能够在极宽的波长范围（1-8μm）上实现精确的自旋波长区分。这种设计只需要对设备的每个端口进行一次测量即可检测宽带高维光学信息，从而平衡时间和空间分辨率。这为超紧凑、高维光谱检测提供了解决方案。重要的是，我们的核心传感器的设计不需要额外的自由度，例如扭曲、异质结或栅极控制。相反，它可以通过相对简单和成熟的超表面设计与石墨烯薄膜相结合来实现，从而确保信息检测、处理和稳定性的可靠性。

图1：智能高维光谱检测的总体方法。a目前的光电检测方法最多只能在包含强度、偏振（斯托克斯参数S _0,1,2,3 ）和波长的三维参数空间内捕获二维光学信息。具体来说，它们能够测量固定波长下的强度和偏振（偏振计，描绘为浅黄色平面），或固定偏振状态下的强度和波长（光谱仪，描绘为浅蓝色平面）。同时检测所有三个维度的参数是一项重大挑战（空间彩色切片）。在我们的设计方案中，多维光谱检测的实现需要将深度学习技术与能够同时检测和区分偏振和波长信息的传感器相结合。b示意图展示了一种同时感测和处理光的偏振和波长信息的方法。用纳米天线改性的石墨烯器件对两种不同波长和偏振的光表现出不同的光电流响应，表现出不同的幅度和极性。这种能力使得多维信息组合的区分成为可能。三种对不同波长有响应的器件可以集成到三端口器件中。通过成对信息映射，该器件可以识别更多的波长和偏振组合。偏振信息（P _1,2,3）由测量的椭圆率解读，而波长信息（λ _1,2,3）则由不同尺寸的纳米天线决定。c使用三端口系统获取和识别光波长和偏振信息的机器学习概念图。通过对光电流趋势进行训练并利用神经网络，可以识别任何波长的光的偏振信息。

图2：具有高维检测能力的传感器设计。a石墨烯上的双臂超表面结构可以将不同波长和旋向的光局域化在双臂两侧，产生大小和方向不同的矢量光电流。CPL、LCP、RCP分别代表圆偏振光、左旋圆偏振光、右旋圆偏振光。b在不同波长和圆偏振态的入射光下，模拟晶胞中的近场分布和预测的矢量光电流。J表示近场分布形成的电流密度。c 双臂结构可以检测斯托克斯参数（S0,1,2,3），其中改变臂长L可以实现圆偏振光分量和线偏振光分量比例的调整。橙色虚线框表示对圆偏移分量（S3）最敏感的尺寸。d实验测量了1.55 μm和4 μm波长的垂直入射光下QWP（四分之一波片）的角度相关光电压。左侧子图显示了测试设备的 S 参数比例。

图3：用于高维信息识别的光学编码。a光信息编码装置示意图。在1.55 μm和4 μm波长的LCP和RCP均匀光照下，在零外偏压（Vd=Vg=0 V）下测量光电压。b单光入射模式下的光信息编码。输入信号可以是1.55 μm LCP、1.55 μm RCP、4 μm LCP或4 μm RCP，它们被转换成输出光电压信号。这些输出信号编码为“1”表示正极性和幅度，“-1”表示负极性和幅度，“2”表示正极性和更大的幅度，“-2”表示负极性和更大的幅度。c单光入射模式下对应的编码光电压输出信号。不同颜色的背景表示对应于不同输出信号的光电开关信号。d双光入射模式下的光信息编码。输入信号由任意两束光组成，每束光都携带圆偏振和波长信息。根据其输出光电压的极性和幅度，这些信号可以编码为“0”，“-1”，“1”，“-2”和“2”。e双光入射模式下对应的编码光电压输出信号。

图 4：用于三波段圆极化检测的三端口设计。a光电流空间模型的构建。对于单端口器件，可以在光电流大小和振幅形成的二维平面内确定光的波长和自旋信息。通过多个器件的协同作用，可以建立具有波长和自旋分辨能力的空间光电流模型。b三端口石墨烯器件的扫描电子显微镜图像。基于其谐振双波段特性，可分为 1.55-4 端口、1.55-7 端口和 4-7 端口配置。c实验测量了在 1.55 μm、4 μm 和 7 μm 波长的入射光下三端口的 QWP 角度相关光电压。d在LCP 和 RCP 光下 1.55 μm 照射下三端口的光电流扫描映射。 1.55-4 和 1.55-7 端口的光电流扫描图显示 1.55 μm LCP 和 RCP 的电流分布相反，而 4-7 端口没有区别。黑色比例尺代表 20 μm。橙色虚线框表示电极的形状。e三种不同波长的圆偏振光入射产生的光电压编码。通过组合各通道的输出信号，可以识别入射光的波长和偏振信息。f三波长圆偏振信号提取示意图。在混合光入射的情况下，通过光电压信号编码的处理，可以提取入射光的波长和圆偏振信息。

图5：基于机器学习机制的三端口设备智能自旋谱探测器的实现。a – c基于与实验数据紧密拟合的仿真模型，预测不同波长下LCP和RCP入射光三端口器件的光电流。d用于训练、测试和预测自旋信息和波长的潜在神经网络结构图。多层感知器神经网络模型通常由输入层、输出层和若干个隐藏层组成。每个隐藏层包括一个全连接层和一些旨在优化模型的层，例如dropout层和batch-normalization层。在实际模型训练和预测中，我们在隐藏层中使用ReLU激活函数。对于输出层，我们采用了Sigmoid和Softmax函数作为合适的激活函数，以更好地适应网络的训练和预测目的。e基于神经网络模型对测试集的波长（左子图）和自旋（右子图）信息的预测生成的混淆矩阵，测试集来自仿真数据集。对角线上的数字表示准确识别的样本数，而对角线外的数字表示错误预测的样本数。f我们构建的神经网络模型对一组真实实验室数据的预测结果。实心球体代表实验数据，线段间隔代表模型的预测区间。g根据这组真实实验室数据的预测结果绘制的混淆矩阵。对于采集的八个样本，我们的神经网络模型可以准确预测波长（左子图）和自旋信息（右子图）。

讨论

我们展示了一种高维自旋光谱仪，它能够破译超宽带上任意自旋光的复杂光谱信息。虽然演示是在圆偏振下进行的，但超表面的几何设计已被证明可以同时检测线性和圆偏振光。本质上，我们可以检测任何偏振状态的信息。值得注意的是，我们的方法比天然材料更具优势。在机器学习的帮助下，利用天然材料的色散和各向异性，可以在训练过程中为各种入射条件下的光生成必要的训练数据点。然而，天然材料的可区分性是有界限的，导致某些功能限制。在这里，我们的超表面设计可以克服天然材料的这一固有问题，具有可调节且足够显著的判别能力。此外，我们的器件制造工艺简单且完善，与异质结和扭曲系统相比，具有更好的可控性和可重复性。因此，将机器学习应用于我们的超表面设计方案表现出了强大的学习和精确的判别能力，使我们能够使用常规方法实现高维光谱检测，而无需复杂的材料系统或繁琐的加工技术。与现有工作的详细比较可在补充表 5中找到。

基于本文的探索，仍有一些问题需要进一步研究解决。例如，在响应度方面，可以通过施加栅极电压、改善材料质量和优化器件布局来进一步提高性能。此外，为了进一步提高集成度，可以将单单元器件扩展为阵列像素器件，实现多通道信号输出并进一步降低时间分辨率。