南开团队在光子器件强耦合结构设计研究中取得新突破

　　（通讯员 赵斯达）近日，南开大学与清华大学、上海交通大学和国家纳米科学中心团队开展深入合作，在国际顶尖学术期刊《美国国家科学院院刊》(Proceedings of the National Academy of Sciences )发表题为“Designing strongly coupled polaritonic structures via statistical machine learning”的研究论文，提出了一种全新的统计机器学习框架，能够精准、高效地设计具有强耦合结构的光子器件，为开发高性能纳米光子材料提供全新解决方案。

　　南开大学统计与数据科学学院杨洋特聘副研究员、上海交通大学材料科学与工程学院郭相东副教授为论文的共同第一作者，清华大学统计与数据科学系刘军教授、邓柯副教授、上海交通大学材料科学与工程学院戴庆教授为论文的共同通讯作者。

　　光子体系通过对光与物质相互作用的精确调控，已在分子传感、光电器件构建以及极端化学反应的实时调控等领域得到广泛应用。然而，传统微腔或波导中的光与物质耦合强度普遍较弱，难以显著改变体系的宏观光学响应特性。近年来，强耦合光子系统因其能够将光-物相互作用的强度提升数个量级而备受关注，在超灵敏分子检测、高带宽光调制器以及极化激元化学等前沿研究方向展现出颠覆性潜力。实现高效构建强耦合光子器件的关键问题在于，如何在结构参数空间中精准定位“弱耦合”与“强耦合”的临界边界。传统统计方法和常规机器学习模型难以有效解决上述复杂问题，因此亟需开发一种更加高效、精准的设计方法，以突破现有技术瓶颈。

　　本研究开发了一种两阶段混合机器学习框架，融合“物理信息驱动的神经网络（PINN）”（第一阶段模型）与“网络增强的多任务高斯过程（NN-MTGP）”（第二阶段模型），兼具物理规律的可解释性、神经网络的表达能力以及统计模型的不确定性量化能力，系统解决了强耦合结构设计中的难题。

　　实验结果表明，该框架在六方氮化硼极化子结构设计中表现出优越性能，可以98.4%的准确率精准预测强弱耦合过渡边界，相比传统有限元方法，设计速度提高约10000倍，框架还支持多种光子结构的强耦合设计，为开发芯片级光子集成器件提供了有力工具。

　　该研究成果为强耦合光子系统的高效设计提供了全新思路，奠定了新型光子器件开发的理论与技术基础，有望推动其在生物分子传感、光子芯片和极化子化学等领域的广泛应用与发展。

　　论文链接：https://www.pnas.org/doi/10.1073/pnas.2526690122