在光学传感、通信和计算等领域，从光中提取多维信息对实现光信息的全面理解和操控至关重要。然而，除了光强度之外的其他信息通常需要大量的光学组件协作。片上集成光电探测技术可以释放其空间自由度，为下一代微型光电芯片的设计提供可能。然而，目前的研究大多只能实现二维参数的探测，例如光谱（波长和强度）或偏振光谱检测（偏振和强度）。实现更高维参数的光谱探测面临更大挑战。有研究成功利用扭曲双层石墨烯实现了在两个波长（5 μm和7.7 μm）下同时探测光的偏振状态。更近期的研究展示了分散辅助的高维探测器，能够探测完整的偏振状态和六种波长，而无需超构表面或莫尔低维材料。然而，该方法仍受空间分辨率的限制，因为其依赖于商用CMOS相机阵列。此外，由于缺乏中红外波段所需的分散，这种方法在可见光之外的扩展难以实现。商用CMOS探测器的使用不可避免地需要N个探测器来映射N维输入状态，即便有机器学习算法辅助，空间分辨率仍受到影响。
据麦姆斯咨询报道，近日，由新加坡南洋理工大学（Nanyang
Technological University）、新加坡国立大学（National University of
Singapore）、东南大学和上海海事大学组成的科研团队在基于超构表面的石墨烯光电探测器方面取得进展，可同时探测和区分宽波段光（1-8 μm）的多种偏振状态和波长，波长预测精度达0.5 μm。相关研究成果以题为“Metasurface-enabled
broadband multidimensional photodetectors” 发表在国际知名学术期刊Nature Communications。
研究人员采用了基于超构表面的石墨烯光电探测器，使其能够在1–8 μm的宽波段光中同时探测和区分多种偏振状态和波长，波长预测精度达0.5 μm。该设计的双极极化特性使得多维信息（包括偏振和波长）可以解耦，并通过矢量光电流的不同极性和幅度编码实现。此外，多端口超构表面在机器学习技术的支持下，能够实现精确的自旋-波长区分，覆盖极宽的波长范围（1–8 μm）。该设计仅需对每个器件端口进行一次测量，即可探测宽带高维光学信息，从而平衡时间和空间分辨率。这为实现超紧凑、高维光谱探测提供了方案。高维光谱探测通常局限于二维参数的探测（光谱-强度或偏振-强度），如图1a的左图切片所示。自然场景中的光场可能在宽波段内表现出任意变化的偏振和强度（见图1a的曲面），这要求一种高维光电探测器来完全表征三维参数坐标空间并精确描述光场。因此，迫切需要能够同时有效探测和区分高维信息的传感器设计。研究人员提出应用机器学习来处理高维探测能力传感器收集的信号，以实现高维光谱探测（如图1a右图所示）。核心传感器采用石墨烯平台上的集成双臂等离激元纳米结构，用于探测两种波长带内的不同偏振状态的光。不同波长和偏振状态的光可生成具有不同极性和幅度的光电压信号，从而解耦多维信息（偏振和波长）。作为扩展，不同设计的双臂等离激元纳米结构可实现三端口装置的三波段偏振探测，涵盖近红外到中红外区域（1.55
µm、4 µm和7 µm），如图1b所示。此外，利用机器学习技术从三端口光电流数据中学习和重构信息。多维光谱探测的核心设计原理在于实现一种能够同时解析波长和偏振信息的传感器。通常，具有复杂偏振信息的圆偏振光，利用石墨烯基超构表面实现波长和自旋信息的探测。所设计的超构表面介导的光电探测器示意图如图2a所示。根据测量到的光电信号，该器件在两种不同的波长（1.55
μm和4
μm）和圆偏振态（LCP和RCP）下显示出不同振幅和极性的光电流信号。除了展示双波长圆偏振光的出色探测能力外，这也是大容量光子学领域的潜在应用平台，可承载多种信息。在这里，光信息可通过结合波长和手性维度提供多个自由度，并可使用易于区分的光电流振幅和极性进行编码，以便在光通信中进行转录和解码。图3a显示了光电压信号采集示意图。光电压由锁定放大器在LCP和RCP光照射下测量，光斩波器以500
Hz的频率对LCP和RCP光进行调制。双臂结构对双波长圆偏振光的成功探测表明，通过调整双臂的尺寸，可以实现对任意两个波长的圆偏振探测。此外，考虑到波长和偏振态这两个维度（2个波长
× 2个偏振态 =
4个光通道），双波长圆偏振探测为光通信提供了四个信息通道。如图4a左侧子图所示，这四种信息可以根据单个器件收集的光电流大小和极性组成的二维光电流映射进行精确区分。如果大胆地将不同尺寸的纳米天线的器件端口扩展为二维光电流映射的第三维，就可以得到如图4a右侧子图所示的空间光电流映射模型。这样就能精确区分更多波长及其偏振信息。将机器学习应用于三端口信息处理可以帮助建立具有辨别和预测能力的智能高维探测器。由于实验测试与模拟趋势的一致性极高，研究人员尝试以模拟数据为例，通过机器学习预测三端口器件在超宽带（1-8
μm）圆偏振光下的光电流趋势。这项工作旨在实现在超宽带条件下从任意光谱带中提取自旋信息。图5a-c分别显示了 “1.55-4”、“1.55-7
”和 “4-7 ”三端口器件在波长为1 μm至8 μm的圆偏振光下的模拟光电流趋势。图5 基于机器学习的三端口器件智能自旋谱探测器的实现这项研究展示了一种高维自旋光谱仪，能够在超宽带范围内解码任意自旋光的复杂光谱信息。虽然实验采用了圆偏振光，但超构表面的几何设计已证明能够同时探测线偏振光和圆偏振光，实际上可以探测任意偏振状态信息。相比自然材料，该方案更具优势。通过机器学习并结合自然材料的色散和各向异性，可以在训练过程中生成不同入射条件下的训练数据。然而，自然材料的辨别能力有限，导致某些功能上的局限性。而超构表面设计克服了这些限制，具备可调且显著的判别能力。该器件制备简单、成熟，较异质结和扭曲系统具有更好的可控性和再现性。因此，将机器学习应用于超构表面设计，具有出色的学习和判别能力，实现了无需复杂材料系统和繁琐工艺的高维光谱探测。尽管这项研究取得了进展，但仍有问题有待进一步研究解决。例如在响应度方面，可通过施加栅压、提高材料质量和优化器件布局来进一步提升性能。此外，为了进一步提升集成度，可将单元器件扩展为阵列像素器件，实现多通道信号输出，进一步降低时间分辨率。 论文链接：
https://doi.org/10.1038/s41467-024-52632-8
