入射光能够在紫外至红外波长范围内激发等离激元纳米材料的“局域表面等离激元共振（LSPR）”效应，同时使其周围的电场得到极大的增强。这种具有独特光学属性的等离激元纳米材料已经在诸多领域得到了广泛的研究应用。特别是对于表面增强拉曼光谱技术而言，等离激元纳米材料带来的表面电场增强具有十分重要的应用价值。基于理论指导对纳米材料的光学性能进行预测在研究中起着十分重要的作用，目前流行的是通过数值模拟计算，如有限时域差分（FDTD）和有限元法（FEM）等方法来获得。尽管这些方法可以计算具有复杂形状的纳米材料的光学行为并且能得到具有很高精度的计算结果，但不可避免地会带来长期而大量的计算资源占用。这一问题使得研究者们迫切的希望找到一条更为便捷获取材料光学性能的路径。

深度学习具有在数据之间建立复杂映射关系的能力，并因此在如图像识别、决策运筹等领域得到了极大的发展。依靠深度学习的方法来对材料光学性质进行预测引起了研究者的关注。相比于传统数值模拟，获取材料光学行为的时间能够极大地被缩减。当前研究仍停留在针对材料的维度与其远场光谱之间相互关系的阶段。对于十分重要的等离激元纳米材料周围的近场光学信息（比如电场和磁场），受制于其庞大的数据量，目前还无法有效地使用深度学习的方法来实现。

2019年8月26日，amjs澳金沙门线路的叶坚课题组在Nanoscale上在线发表了题为Plasmonic nanoparticle optical simulation and inverse prediction using machine learning的文章。该工作利用FDTD方法模拟得到了数千组形貌尺寸各异的金纳米颗粒（球、棒、二聚体等）的远场光谱与表面电场分布信息作为深度神经网络的训练数据。经过训练后的网络不仅能够根据材料尺寸的信息预测其远场光谱，还能够反向进行从远场光谱到材料尺寸信息的精准预测。更为重要的是，该团队通过对电场数据的筛选与采样处理，率先解决了数据量庞大这一困扰该领域研究者的问题，并通过深度神经网络实现了对纳米颗粒周围电场信息的精准预测。特别在针对如纳米颗粒二聚体等特殊结构材料时遇到的电场强度剧烈变化的情况，该团队采用巧妙的局部细化采样方法能够很好地避免采样过程中的信息丢失，保证训练数据的详实准确。相对于传统的数值模拟方法（需要在服务器上运行），深度神经网络模型对于等离激元纳米材料光学属性的预测可以在笔记本电脑上运行，仅需要不到0.01秒，增快了百万倍之多，并且在更多计算资源的支持下还可以把训练及预测时间进一步缩短。该研究成果在高效获取等离激元纳米材料的光学性能并进而指导材料在生物医药、能源、通讯、催化等多领域的应用方面具有着极其重要的意义。

本研究由amjs澳金沙门线路叶坚课题组完成，博士生贺靖和何畅为共同第一作者，叶坚教授为通讯作者，并得到了王乾教授的大力指导。该工作得到了国家自然科学基金、amjs澳金沙门线路癌基因及相关基因国家重点实验室和上海市妇科肿瘤重点实验室的支持。

供稿单位：科研与学科办