加速光子气体传感器设计：机器学习驱动的硅光子布拉格光栅逆向优化

更聪明的气体传感器为何重要

从城市空气污染到气候变化，我们的生活越来越依赖于准确了解周围空气中的成分。两种重要的温室气体——二氧化碳和甲烷——在低浓度下若无体积庞大或昂贵的设备很难被精确测量。本文提出了一种在硅芯片上更快设计微小光学气体传感器的新方法，使用机器学习自动化以往缓慢的试错过程。

芯片上的微型光陷阱

这项工作核心是一种称为布拉格光栅的特殊光学结构，构建在硅芯片上。可以把它想象成光的微观轨道，轨道的宽度周期性变化，以便对某些颜色的光强烈反射。作者采用了一种“槽”结构：两条细窄的硅轨道由一条填充定制聚合物的窄缝分开。气体分子进入该缝隙并细微改变光在其中的传播特性。进而使结构反射光的颜色发生偏移，从而让传感器在不添加染料或涂层的情况下检测到二氧化碳和甲烷等气体的存在。

感知气体的智能材料

团队选择了对不同气体有不同响应的聚合物。当目标气体存在时，聚合物的光学性质会发生微小变化，甚至会产生轻微胀大。由于槽区的光被紧密限制在这个充填聚合物的缝隙内，即便细微变化也会强烈影响反射颜色。通过替换不同的聚合物，同一基础芯片设计可以针对不同气体进行调谐，将该平台变成一种模块化的气体传感工具包。这种材料选择与槽几何结构相结合，使器件在保持紧凑且兼容标准硅制造的同时达到高灵敏度。

将设计问题反过来

手工设计这些微型光陷阱很棘手。若干几何“旋钮”——例如脊的间距、深度、硅轨道的宽度和槽的高度——共同决定最终的光学响应。传统上，工程师会先选一个设计，运行大量仿真，然后缓慢调整参数直到得到期望的光谱。本文作者将问题翻转：他们从期望的光学行为出发（例如针对某种气体的特定谐振颜色和线宽），让机器学习模型预测能产生该行为的芯片几何参数。这种“逆向设计”方法旨在用一次快速预测取代成千上万次繁复的仿真运行。

学习引擎如何工作

为训练该引擎，研究人员首先构建了一个略多于一千个针对二氧化碳和甲烷的模拟传感器设计的数据集。对每个设计，他们记录了目标气体类型、谐振时的透过光强、谐振颜色的精确位置以及该特征的锐利程度。然后他们将这些光谱特征作为输入，四个关键几何参数作为输出供学习系统使用。在训练前，他们扩展了输入以包含特征组合，并使用目标气体的物理折射率对气体类型进行编码，将真实物理信息嵌入数据表征中。一个经过精心调优的神经网络（由名为 Optuna 的工具自动优化）与若干基于树的模型结合成“堆叠”集成，其中多个预测器的输出输入到最终决策层。

按需快速、精确的设计

得到的混合模型能够以极高精度重现全部四个几何参数，在仿真数据中捕获了超过99%的变化。在一次现实测试中，作者让模型为一种它从未见过的新二氧化碳传感结构进行设计。当他们对模型预测的几何结构进行仿真时，所得光学光谱几乎与目标完全匹配，而计算速度大约比传统优化快两千倍。他们还检验了设计对小幅制造误差的容忍度，发现传感器性能在适度变化下仍保持稳定，这是实际生产中的重要要求。

这对未来意味着什么

对非专业读者来说，关键结论是作者构建了一个用于芯片级气体传感器的“设计自动驾驶”。工程师无需再对每个新器件手工慢慢调参和仿真，只需指明希望传感器具备的行为，训练好的模型即可即时给出合适的几何建议。该方法可加速用于环境监测、工业安全和健康应用的紧凑高性能气体传感器的开发。随着该框架扩展到更多气体、材料和实测数据，它有望将精确的光学气体传感推进为一种可扩展、可定制的技术平台。

引用: Khafagy, M., Khafagy, M. & Swillam, M.A. Accelerating photonic gas sensor design: machine learning-driven inverse optimization of silicon photonics Bragg gratings. Sci Rep 16, 11650 (2026). https://doi.org/10.1038/s41598-026-43725-z

关键词: 光学气体传感, 硅光子学, 布拉格光栅, 机器学习设计, 逆向设计