栏目介绍： “论文快讯”栏目旨在精简地分享一周内发表在高水平期刊上的Metasurface领域研究成果，帮助读者及时了解领域前沿动态，如果对专栏的写法或内容有什么建议欢迎留言，后续会陆续开启其他专栏，敬请期待。

• 论文基本信息：

  ​ 标题：
  Transfer Learning Empowered Multiple-Indicator Optimization Design for Terahertz Quasi-Bound State in the Continuum Biosensors

  ​ 作者：
  Shengfeng Wang（上海理工大学医疗器械与食品学院）；
  Bingwei Liu（上海理工大学医疗器械与食品学院）；
  Xu Wu（上海理工大学医疗器械与食品学院）；
  Zuanming Jin（上海理工大学医疗器械与食品学院）；
  通讯作者 朱亦鸣 （上海理工大学医疗器械与食品学院）；
  通讯作者 张林杰（山西大学量子光学与量子光学器件国家重点实验室）；
  通讯作者 彭滟（上海理工大学医疗器械与食品学院）

  ​ 发表时间：
  2025年4月27日（其中2025年3月17日投稿，2025年4月10日返修，2025年4月10日接收）

  ​ 发表期刊：
  Advanced Science JCR-Q1，IF=14.3）

• 论文快览：

  • – 解决的问题：
    三维全息成像在显示、存储等领域具有重要应用，但传统方法依赖固定光学元件，导致多波长成像时存在显著色差且无法动态调整图像尺寸与深度。现有超表面全息技术虽通过亚波长结构提升了集成度，但受限于静态相位调制，难以实现实时变焦功能，且多波长色差补偿仅适用于特定波段。当前研究亟需一种集成动态调控与宽波段色差校正的方案，以突破高分辨率全息成像的实用化瓶颈。

    ​ 提出的方法：
    本研究提出基于宽波段超表面与快速可调液体透镜的协同设计，实现多波长消色差三维全息变焦。超表面采用硅基纳米柱阵列，通过Pancharatnam-Berry相位调控红（638 nm）、绿（532 nm）、蓝（473 nm）三波长光场，生成非色散全息图像。液体透镜由高弹性聚合物膜与复合液体（TBAC/TMG）构成，通过电磁驱动调节曲率，动态调整焦距。时间分复用控制策略同步调控液体透镜与超表面，补偿波长相关尺寸差异并扩展成像深度。

    ​ 实现的效果：
    实验表明，系统在可见光波段实现消色差全息成像，变焦比例达2.1，响应时间5 ms（上升）/23 ms（下降），成像深度可调至≥2.7 cm。三波长全息图像在相同焦平面尺寸误差<0.5 mm，结构相似性指数>0.8。动态变焦演示中，四层三维图像（“牛”“兔”“龙”“羊”）深度与尺寸可实时调整，验证了复杂场景适应性。

    ​ 创新点分析：
    本研究的核心突破在于将超表面物理编码与液体透镜动态调控深度融合，首次实现多波长全息成像的实时消色差与变焦功能。通过复合液体材料（折射率1.44，密度1.044 g/cm³）与高弹性膜（拉伸强度6.0 MPa）优化，液体透镜的响应速度与变焦范围（光学功率-13 D–15 D）显著超越传统方案。时间分复用控制策略将色差补偿从固定波长扩展至宽波段，解决了超表面静态调制的固有局限。这种“超表面-液体透镜”协同范式为高动态全息显示与光学加密提供了新方法论，推动了全息技术从实验室向实际应用的跨越。

论文重要图文：

摘要：基于准连续域束缚态（QBIC）的太赫兹超表面生物传感器可实现免标记、快速、超灵敏生物医学检测。深度学习技术的进步为这类超表面设计提供了高效、快速且定制化的解决方案，但现有方法主要建立结构与光学响应的单一映射关系，未能兼顾关键性能指标间的权衡。本研究提出一种创新方法，利用迁移学习优化超表面生物传感器的多指标协同设计，首次实现品质因子（Q因子）、品质因数（FoM）与有效传感面积（ESA）的综合优化。所采用的两阶段迁移学习方法先在低维数据集进行预训练以提取共享特征，再对复杂高维任务进行微调。通过以频移作为统一判据，量化得出Q因子、FoM与ESA的贡献率分别为26.09%、48.42%与25.49%。相比传统深度学习方法，该方法数据需求降低50%。基于该方法设计的生物传感器实现了生物标志物同型半胱氨酸的检测，检测灵敏度达纳克/微升级，实验结果与理论预测高度吻合。该工作建立了超表面生物传感器设计新范式，为痕量生物检测技术的突破性发展开辟了道路。

图1 基于迁移学习与多目标协同优化的超表面生物传感器设计流程。(a) 迁移学习框架示意图，包含预训练与微调两大核心模块。(b) 预训练过程概览：采用低维度简单数据进行模型初始训练。© 微调过程概览：基于预训练模型使用高维度复杂数据进行优化以适配特定应用需求。(d) 通过多指标协同优化设计的超表面生物传感器。(e) 设计超表面生物传感器的单元晶格几何参数。(f) 用于结构实时验证的前馈神经网络（FNN）模型。(g) 模型对设计超表面生物传感器光谱响应的实时预测。

图2 预训练网络模型。(a) 级联神经网络结构，由串联的前馈神经网络（FNN）与逆向神经网络（INN）构成。(b) 隐藏层数量对网络模型误差的影响。(c, d) FNN与INN在训练集与验证集的损失曲线。(e–h) INN经过100、300、500与5000次训练迭代后设计结构与实际结构的差异。(i–l) FNN经过100、300、500与5000次训练迭代后重建光谱与COMSOL仿真光谱的差异。

图3 微调网络模型。(a) 不同网络层微调对模型误差的影响。(b) 迁移学习模型与级联网络模型在不同数据规模下的性能对比。© 迁移学习模型与级联网络模型的损失曲线对比。(d) 不同学习率调整策略下迁移学习模型性能对比。

图4 超表面生物传感器指标协同优化设计与仿真验证。(a–c) 迁移学习模型预测不同结构超表面生物传感器的Q因子、FoM与ESA指标。(d) 网络预测结果与仿真结果对比。(e) 不同结构超表面生物传感器在x-y平面位移电场密度分布的仿真结果。(f) G1固定为2 μm时，仿真超表面生物传感器频移随开口宽度G2的变化规律。(g) 各评价指标对传感器性能的贡献度分析。

图5 基于本模型设计超表面的性能测试。(a) 加工制备的超表面生物传感器。(b) 扫描电镜显微图（比例尺=10 μm）。© 不同结构制备超表面生物传感器的实验光谱响应。(d) 频移随生物标志物浓度的变化规律，插图为同型半胱氨酸分子式。

参考文献：

• S. Wang, B. Liu, X. Wu, Z. Jin, Y. Zhu, L. Zhang, Y. Peng, Transfer Learning Empowered Multiple-Indicator Optimization Design for Terahertz Quasi-Bound State in the Continuum Biosensors. Adv. Sci. 2025, 2504855. https://doi.org/10.1002/advs.202504855

免责声明：
本公众号专注于超表面领域的最新研究动态、学术成果和技术应用分享。所有发布的内容和图片，均已标明来源，且仅供个人学术学习和知识积累使用，不得用于商业目的。如您发现任何版权或相关问题，欢迎通过邮箱 metasurface@126.com 联系我们，我们将尽快处理并协调相关事宜。