强大辅助！机器学习有助于改善光子纳米结构

当纳米结构的几何形状满足一定的条件并与入射光的波长匹配时，可以极大地提高光学传感器的灵敏度。这是因为局部纳米结构可以大大放大或减小光的电磁场。

由Christiane Becker教授领导的HZB青年研究小组“Nano- sippe”正在致力于开发这种纳米结构。计算机模拟是进行这方面研究的一个重要工具。Nano- sippe团队的Carlo Barth博士现在已经通过机器学习确定了纳米结构中场分布的最重要的模式，从而首次很好地解释了实验结果(通信物理学，“光子模式场分布的机器学习分类”)。


纳米结构上的量子点

本文所研究的光子纳米结构是由一层硅层和一种规则的孔洞图案组成的，上面覆盖着硫化铅构成的量子点。在激光的激发下，靠近放大的局部场的量子点发出的光比在无序的表面发出的光要多得多。

这使得从经验上证明激光如何与纳米结构相互作用成为可能。

机器学习发现了十种不同的模式

为了系统地记录纳米结构的各个参数发生变化时的情况，Barth使用柏林Zuse研究所开发的软件计算了每个参数集的三维电场分布。然后Barth用其他基于机器学习的计算机程序分析了这些庞大的数据。

Barth解释说:“计算机已经搜索了大约45000条数据记录，并将它们分成了大约10种不同的模式。”

最后，Barth和Becker成功地识别出了三种基本的模式，在这些模式中，纳米孔的各个特定区域的电场被放大。

展望:检测单个分子，例如癌症标志物

这使得基于激发放大的光子晶体膜在几乎任何应用中都能得到优化。例如，这是因为一些生物分子优先沿着孔洞边缘聚集，而另一些则更喜欢孔洞之间的平台，这取决于应用程序。

在正确的几何形状和正确的光激发下，可以精确地在所需分子的附着位置产生最大化的电场放大。举例来说，这将使用于癌症标志物的光学传感器的灵敏度提高到单个分子的水平。

相关专业词汇解释：

量子点：是在把导带电子、价带空穴及激子在三个空间方向上束缚住的半导体纳米结构。又可称为纳米晶，是一种由II－VI族或III－V族元素组成的粒径一般介于1～10nm之间的纳米颗粒。

机器学习：是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。

原文题目：Machine learning helps improving photonic nanostructures，原文来自：nanowerk，由材料科技在线团队编译。