加州大学构建基于全连接神经网络的片上光谱仪，在芯片级尺寸上实现8纳米的光谱分辨率

如今，智能手机摄像头已进入亿级像素时代，能够捕捉细节丰富的图像，却依然无法像专业光谱仪那样解析物质的化学成分，例如实现水果糖度的无损检测、皮肤健康评估或环境中微量污染物的识别。这一能力差距的关键，在于手机等设备缺少一个能够精确读取物质独特「光谱指纹」的核心部件——光谱仪。
 

传统光谱仪作为物质分析的重要工具，其工作原理是将复合光分离成不同波长的光谱，进而通过特征谱线识别物质成分。然而，这类仪器通常依赖光栅或棱镜等色散元件，需要足够的光程来分离波长，这从根本上制约了其体积的小型化。即便是微型化型号，其尺寸也往往在 200 cm² 左右。随着便携式检测与可穿戴医疗需求的日益增长，开发兼具高性能与芯片级尺寸的光谱仪已成为迫切的技术挑战。
 

由此形成了一个关键矛盾：要实现微型化，就必须舍弃传统的色散结构；但若没有色散结构，又如何获取光谱信息？

针对这一难题，加州大学的研究团队提出了一套创新的解决方案，在标准硅光电二极管表面设计了特殊的光子捕获纹理结构（PTST），并引入了一个抗噪性强的全连接神经网络。该网络能够直接从器件测量的光电流信号中，智能地计算并重建出原始光谱。这种方法不仅使光谱仪在长波长下实现了更高的信噪比，其综合性能也超越了传统硅基光谱仪。这标志着人工智能增强型光谱传感迈出了关键一步，使得紧凑的硬件能够获得以往只有大型系统才能达到的高光谱保真度。
 

相关研究成果以「AI-augmented photon-trapping spectrometer-on-a-chip on silicon platform with extended near-infrared sensitivity」为题，已发表于 Advanced Photonics。

研究亮点：

* 该研究采用抗噪声全连接神经网络破解光谱重建逆问题，让仅含 16-32 个光电二极管的紧凑型硬件，实现传统庞大系统才能达到的高光谱保真度

* 该研究搭配深度学习的智能重建，使系统在长波长区域信噪比提升超 30dB，突破传统硅基光谱仪 950nm 的探测极限

* 该研究的集成系统兼具 0.4mm² 超小体积、57ps 超快响应、>7000 高增益及 40dB 抗噪性，经蝴蝶高光谱成像验证具备实际应用价值

 

论文地址：
https://doi.org/10.1117/1.AP.8.1.016008
关注公众号，后台回复「PTST」获取完整 PDF

更多 AI 前沿论文： 

https://hyper.ai/papers

聚焦 640-1000nm，采用 16 种具有不同光子捕获表面结构进行重建

为验证所开发的片上光谱仪在高光谱成像中的实际性能，该研究选用公开的蝴蝶高光谱数据集作为测试对象。这一数据集覆盖 420-1000nm 波长范围，包含 59 个光谱通道（光谱间隔 10nm），并以 512×512 像素空间分辨率的三维高光谱图像立方体形式提供。
 

由于实验所制备的器件在数据获取范围内的外量子效率响应主要集中于 640-1000nm，该研究采用了 16 种具有不同光子捕获表面结构（PTST）的光电二极管在该波段的光谱响应进行重建。首先，将原始数据集插值至 640-1000nm 范围内、间隔 1nm 的 361 个波长点，进而与光电二极管的模拟光谱响应进行耦合，生成对应的光电流数据，最后输入训练好的神经网络模型以重建高光谱图像。
 

网络训练阶段使用了包含超过 50 万个具有不同峰值和宽度的高斯光谱的合成数据集，模型性能通过独立的验证集进行评估。如下图所示，研究人员发现基于 16 个光电二极管在 640-1100nm 近红外波段的实验光谱响应所重建的高光谱图像，重建结果在视觉上与真值高度一致。
 

蝴蝶数据集的伪彩色真值图像和重建高光谱图像
 

为进一步量化评估，该研究选取了图像中两个代表性像素（如上图，位置分别以红色与蓝色方框标出）进行光谱对比。如下图所示，重建光谱与真值光谱吻合良好，准确捕捉了蝴蝶色素在红外波段的反射特征变化。
 

像素的重建高光谱光谱与真值光谱的对比结果

构建基于人工智能增强的光子捕获片上光谱仪

在该研究中，光谱重建的核心是一个经过专门设计的全连接神经网络，其任务是从光电二极管阵列测得的光电流信号中，反向推导出未知的入射光谱。这本质上是一个求解逆问题的过程：由于探测器的光谱响应存在重叠，导致系统响应矩阵呈病态，传统的直接求逆方法不稳定且对噪声敏感。而神经网络能够通过学习，建立从测量信号到原始光谱的稳健映射，同时天然具备去噪和正则化的能力。
 

该网络的架构包括一个输入层、四个隐藏层和一个输出层。输入层接收来自 16 个光电二极管的光电流信号，输出层则直接给出重建后的光谱数据。隐藏层使用 ReLU 激活函数引入非线性，输出层采用线性激活函数。网络规模（神经元数量）根据光谱数据的复杂性进行了针对性优化。训练采用了一个包含超过 50 万个模拟光谱的大型合成数据集，这些光谱由具有不同峰值和宽度的高斯曲线构成，以确保模型能学习到广泛的光谱形态。
 

神经网络训练和重建流程示意图
 

在训练策略上，研究人员采用了基于 PyTorch 框架实现的 Adam 优化器。经过对多种损失函数的测试，最终选用了一个结合均方根误差（RMSE）与皮尔逊相关系数（R）的自定义组合损失函数，该函数被证明能特别有效地重建具有尖锐峰值的窄带光谱。具体训练 batch size 设为 32，learning rate 为 0.001。研究人员训练了 1000 个轮次，并在第 600 轮后将学习率降至 0.0001 以促进模型更好收敛。为防止过拟合，训练过程中采用了早停法。如下图所示，训练与验证损失均快速下降并最终收敛，表明模型学习良好且具备较强的泛化能力。
 

训练损失和验证损失随迭代次数的变化曲线
 

为验证该神经网络的性能，研究人员将其与两种传统重建方法进行了对比。如下图所示，简单的矩阵伪逆法（Pseudo-Inversion）以及对光谱进行基函数（如高斯或正弦函数）线性组合（Linear Combination）的方法，在重建窄线宽激光光谱时均表现不佳，其 RMSE 约为 0.12，相关系数 R 约为 0.63。

相比之下，神经网络（Neural Networks）能够精准捕捉尖锐的光谱特征，将 RMSE 显著降低至 0.046，并将相关系数R提升至 0.87。这一结果清晰地证明了神经网络在解决此类逆问题上的优越性，它不仅实现了更高的重建精度，其固有的学习特性也使其在面对噪声干扰时表现得更为鲁棒。
 

光谱重建方法对比

在 0.4mm² 上实现了 8 纳米的光谱分辨率

为全面验证 AI 增强型片上光谱仪的性能，该研究开展了一系列实验，重点评估了神经网络模型在光谱重建中的核心作用及其实际表现。
 

首先，研究人员使用窄带激光测试了系统的核心探测能力。实验表明，集成了光子捕获表面结构的光电二极管，在 640-1100 纳米波段，尤其是长波近红外区域表现出显著提升的灵敏度与信噪比。关键的是，将这些探测器阵列的响应输入训练好的神经网络后，系统能够精准重建激光光谱。当参与重建的探测器数量增加至 16 个以上时，重建光谱与基准真值的平均误差降至 0.05 以下，相关系数超过 0.85。这验证了硬件提供的独特光谱编码与 AI 算法的解析能力能够有效协同，共同实现高精度测量。
 

激光峰光谱重建
 

噪声鲁棒性是评估重建算法优劣的关键。研究通过在真实测量数据中主动添加高强度模拟噪声来检验系统的稳健性。结果表明，即使面对高达 40 分贝的附加噪声，神经网络模型仍能稳定重建出可辨的光谱轮廓，并保持约 30 分贝的输出信噪比。这与传统方法在噪声下性能急剧恶化形成鲜明对比，凸显了所采用的神经网络具备强大的内在正则化与噪声抑制能力，这是其实现实际应用价值的关键。
 

光子捕获表面结构光谱仪的抗噪声性
 

为进一步展示其解决复杂问题的潜力，研究将系统应用于高光谱成像任务。利用训练好的神经网络，系统仅凭 16 个探测器的响应，便成功从开源蝴蝶数据集中重构出 512×512 像素的高光谱图像立方体。最终，研究人员采用均方误差（MSE）和结构相似性指数（SSIM）对整体重建精度进行定量评价。在所有重建波长上，平均 MSE 低至 2.3×10⁻⁴，平均 SSIM 高达 0.9926，表明系统具备极高的光谱保真度，证明了 AI 能够从极简的硬件信息中解码并复原出复杂的高维光谱空间信息，完成了从「点光谱」到「光谱成像」的跨越。
 

不同红外波长下的重建高光谱图像与光谱重建精度
 

最终，这款 AI 增强型光谱仪在芯片级尺寸（0.4 mm²）上，实现了 8 纳米的光谱分辨率、50 分贝的动态范围及 30 分贝的实用信噪比。横向对比表明，这一由智能算法与先进光子学硬件协同构建的系统，在综合性能上超越了多数同类微型化方案，标志着智能光谱传感向实用化迈出了坚实的一步。

微型化光谱传感的现在与未来

微型化与智能化光谱传感，正成为全球科研与产业竞相突破的前沿。近年来，从顶尖高校的基础研究到科技企业的应用探索，一系列创新案例清晰地表明，将实验室级的光谱分析能力嵌入芯片乃至日常设备，已步入加速实现的快车道。
 

在学术界，研究的焦点集中于通过颠覆性的光子芯片设计与人工智能的深度协同，从根本上重塑光谱仪的形态。韩国首尔大学的研究团队在 Nature Communications 上提出了一种新方案，利用等离子体纳米粒子构成的微型腔体作为滤波器阵列，结合机器学习算法，在微米尺度上实现了亚纳米级的光谱分辨率。
论文标题：Miniature computational spectrometer with a plasmonic nanoparticles-in-cavity microfilter array
论文链接：https://www.nature.com/articles/s41467-024-47487-y
 

与此同时，瑞士洛桑联邦理工学院（EPFL）的科学家则从系统集成的另一关键环节入手，成功在芯片上制造出了高性能、波长可精确调谐的掺铒波导激光器。这项发表于 Nature Photonics 的突破，意味着未来集成光谱系统有望获得一个稳定、优质的片上光源，向构建完整「芯片上的实验室」迈出坚实一步。
论文标题：A fully hybrid integrated erbium-based laser
论文链接：https://www.nature.com/articles/s41566-024-01454-7
 

产业界的创新则更加贴近市场，致力于将前沿技术转化为解决实际问题的产品和方案。捷克初创企业 Iron Analytics 在 2025 年推出了世界上首款便携式穆氏（Mössbauer）光谱仪，其革命性在于，将原本重达 15 公斤、长达 70 厘米的实验室柜式设备，成功微型化到了一个可乐罐大小的便携装置中，标志着微型化光谱技术正从消费端的好奇心工具，深度渗透至核心工业领域，成为提升生产效率和工艺控制的现实生产力。
 

综上所述，微型化与智能化光谱传感的愿景，其技术拼图正在被一一填补。然而，真正的「嵌入日常」仍面临成本、可靠性与数据解读易用性等现实关卡。或许在不远的未来，当光谱传感模块能像今天的摄像头一样被廉价而稳定地批量制造时，人们感知世界的维度将迎来一次静默却深刻的革命。届时，解读万物的「光指纹」，将不再是实验室的专属，而成为人们认识周遭环境的又一种本能。