[研究背景]
手性超材料以其独特的光学特性（如圆二色性）在光谱学、传感和成像等领域具有重要应用。然而，这些材料固有的不对称性和复杂的光物质相互作用使得其设计面临巨大挑战。

[研究介绍]
在最新一期的《Laser & Photonics Reviews》期刊中，本组与杭州电子科技大学张永军、赵晓宇团队联合报道了一项研究，该研究利用深度神经网络（DNNs）进行手性纳米孔阵列（CNAs）的逆向设计。研究中开发了一种双向神经网络（Bi-DNN），成功解决了一对多映射问题，预测精度高达0.98。

[研究内容与创新点]
研究团队探索了多种输入输出配置，包括组合输入以及利用不同输入输出模型（例如，使用左旋圆偏振光谱预测右旋圆偏振光谱）。这种创新方法提高了预测的准确性，并为手性超材料的设计提供了新的思路。

此外，研究中还展示了如何通过神经网络模型优化设计参数，以实现目标光学特性的手性超材料。这一方法不仅提高了设计效率，还降低了实验成本。

[应用价值]
通过将深度学习与材料科学相结合，这项研究为手性超材料的设计提供了一条全新的路径。未来，这一方法可广泛应用于高性能光学器件的开发，推动光电子学和纳米材料领域的技术进步。

论文信息：
英文题目：Developing Neural Networks for Inverse Design of Chiral Metamaterials
作者：Xiaoye Zhang, Xinyi Chen, Jinglan Zhang, Fengyi Zhang, Yaxin Wang, Bin Ai*, Yongjun Zhang*, Xiaoyu Zhao*
期刊全称：Laser & Photonics Reviews
DOI: 10.1002/lpor.202500051

原文链接：Developing Neural Networks for Inverse Design of Chiral Metamaterials - Zhang - Laser & Photonics Reviews - Wiley Online Library