1.应用背景

在微纳光子学研究中，传统的深度学习框架大多采用FDTD等工具对理想的微纳结构进行电磁仿真，进而生成相应的训练集。然而，真实样品则不可避免地存在侧壁偏差、表面粗糙度、晶界散射和材料损耗，还会受到光源、光路系统以及探测器响应的影响，造成光谱中共振峰位、线宽乃至模式形状的差异。因而，‘理想样品’训练集所构建的神经网络，也只能在‘理想世界’中预测‘理想’的样品结构。想要在真实世界中产生期望的光谱效果，也就需要一个更符合现实的训练集和预测模型。

图1：ARMS 显微角分辨光谱系统

2.解决方案

针对上述问题，厦门大学朱锦锋教授、新加坡科技设计大学董兆冈副教授提出了一种融合实测数据的深度学习框架‌，不再只让神经网络学习理想仿真，而是直接利用真实样品的角分辨光谱训练模型，并以 “Reality-infused deep learning for angle-resolved quasi-optical Fourier surfaces” 为题发表于 PhotoniX。该工作用于高精度、实时预测‌准光学傅里叶表面（quasi-OFSs）的角分辨色散特性‌，实现从“模拟驱动”到“现实注入”的设计范式转变。

图2：真实样品深度学习模型的数据来源：显微角分辨光谱测量系统ARMS

在该研究中，真实样品的训练集直接取自复享光学显微角分辨光谱（ARMS）的测量结果。本质上，借助于角分辨光谱测量，可以构造出与理论仿真相同的入射光条件（角度、波长及偏振态等参量），从而获得样品对入射光的反射率、透射率、能带结构及偏振转化等调控效果。具体来说，该系统采用高数值孔径的物镜，可实现约±64°的测量角度范围，且通过单次测量便可获得完整的波长—角度—强度的多维角分辨光谱信息。如图3所示，微纳结构的能带曲线、模式交叉和耦合等特征可直接在角分辨光谱图像中表现出来。

图3：角分辨光谱中能带曲线、模式交叉与耦合等特征

基于这些数据建立的ExpForm模型包括正向网络和逆向网络：正向网络根据入射光条件快速预测真实光谱，逆向网络则从目标光谱反推出可能的结构与角度参数。

研究团队从实验中获得了25,232组光谱实例，每条光谱覆盖380—1100 nm范围内的2,636个采样点，并将结构参数、入射角和方位角一并纳入模型。模型与实验结果的一致性达到99.79%，设计相关的光谱评估效率较FDTD提高约900倍。并且训练数据直接来自实验，模型学习到的不只是理想结构的电磁规律，也包含加工偏差、材料损耗和测量条件共同形成的真实响应。

图4：仿真、实验与现实注入深度学习预测结果的对比

此外，传统器件设计通常把入射角视为固定测试条件。需要新的光谱功能时，往往意味着重新修改结构、重新仿真并重新加工。而将角分辨光谱测量与逆向学习结合，使得角度参量也成为可设计的自由度。图5分别展示了710 nm和1000 nm附近的目标共振、高反射光谱以及双共振光谱的逆向设计。模型不仅反推出结构参数，也同时给出合适的入射角和方位角。因此，同一类结构可以通过改变入射光角度实现不同的光谱响应，器件设计从单纯的“结构优化”扩展为“结构—角度协同设计”。

图5 ：从目标光谱反推结构参数与入射角条件的逆向设计

3.总结

该研究成果赋予了角分辨光谱技术更广阔的应用场景，即不仅是光谱数据维度上的拓展，更是连接样品真实响应、动量空间物理、器件设计与数据智能，继而为后续的参数识别、自动分析和AI逆向设计提供高质量实验基础。

基于复享光学显微角分辨光谱系统ARMS，可快速在宽角度范围内获得连续的光谱色散信息。而最新升级的ARMS系统，扩展了偏振分辨、Stokes参数、Mueller矩阵测量、动量空间扫描、等频率图扫描等丰富的测量功能，打造多维光谱和光场调控属性的完整表征能力。

图6 ：复享光学显微角分辨光谱系统ARMS

图7 ：复享光学显微角分辨光谱系统ARMS产品特点