由混合概率采样网络实现的超精密、高容量与宽色域结构色

将微小结构变成鲜艳色彩

如果你能无需任何染料或颜料，仅通过在纳米尺度上雕刻物质就能打印出明亮且不褪色的颜色，会怎样？本文提出了一种新的人工智能方法，使得设计此类“结构色”变得更为容易，从而为超精细彩色打印、耐用显示器以及仅由纳米结构构成的防伪图案打开了大门。

来自形状而非墨水的颜色

结构色产生于光在微小图案中反射、散射与干涉，就像蝴蝶翅膀或孔雀羽毛上的闪烁色泽。工程师不是混合化学染料，而是调整纳米尺度特征的尺寸与形状——在这里，是由包围中心方柱的方形环构成的重复单元，位于类似玻璃的基底上。通过仅调节这一构件的四个尺寸，他们就能在可见光谱范围内生成多种反射颜色。挑战在于在不运行数百万次耗时物理仿真的情况下，确定哪种精确几何结构能产生目标颜色。

为何一种颜色可能对应多种结构

设计结构色并非简单的反向查表。相同的视觉颜色常常可以由多种不同的纳米结构产生，因为人眼无法区分某些光谱差异。这种“同一颜色、多个结构”的情况使得标准神经网络难以学会从颜色可靠地映射回几何结构。传统的深度学习方法要么难以收敛、要么仅产生单一候选设计，或以引入不确定性的随机噪声为依赖，从而降低准确性，尤其当纳米结构设计涉及多个可调参数时更为明显。

一种更聪明的多重可能性采样方式

作者提出了一个名为混合概率采样网络（MPSN）的新框架，接纳这种非唯一性而不是与之对抗。首先，他们训练一个前向神经网络，能快速从结构预测颜色，从而取代耗时的电磁仿真。在此之上，他们构建了一个逆向网络：对于任何目标颜色，它输出的不再是单一答案，而是关于可能结构参数的完整概率分布。通过反复从该分布中采样、将每个候选结构送入快速的前向网络，并保留与目标颜色最匹配的样本，系统学会识别参数空间中真正有前景的区域。这个循环在训练期间端到端运行，使概率分布逐步在高质量设计族周围收敛和聚焦。

更鲜明的颜色、更多选择、更少计算量

为检验其方法，团队挑战了设计宽色域结构色的高难度问题。借助 MPSN，他们创造了纳米尺度的环与柱图案，能再现基色红、绿、蓝以及丰富的其他色调。与其他先进神经网络方案相比，MPSN 在预测与目标颜色之间实现了极高的一致性——高达 99.9%——误差远低于人眼可察觉的水平。关键是，对于每一种颜色，它还返回了多种可行结构，为设计者提供了在易制造性或实际鲁棒性之间进行权衡的灵活性。制作出的样品与设计高度吻合，并覆盖了显示器常用标准色域的大约三分之二，且每种颜色仅使用单一单元设计。

从色块到实际器件

对非专业读者而言，核心信息是这项工作把杂乱的试错搜索转变为一种有指导的概率性探索。与其让计算机给出一个来之不易的单一答案，不如让 MPSN 快速提出一组经过筛选的高质量纳米结构，它们都能产生相同的目标颜色，且速度比传统优化快数个数量级。这一方法不限于明亮的结构涂层：对镜头、传感器以及其他复杂光学元件的设计也可受益于同样的策略，只要多种不同的微观形状能产生相同的宏观行为。

引用: Wei, Z., Xu, W., Dong, S. et al. Ultraprecision, high-capacity, and wide-gamut structural colors enabled by a mixture probability sampling network. Light Sci Appl 15, 164 (2026). https://doi.org/10.1038/s41377-025-02122-3

关键词: 结构色, 纳米光子学, 逆向设计, 深度学习, 超表面