Ett team av forskare vid UCLA Samueli School of Engineering har visat ett nytt förhållningssätt till ett gammalt problem:mätning av ljusspektra, även känd som spektroskopi. Genom att utnyttja skalbar, kostnadseffektiva nanotillverkningstekniker, såväl som AI-drivna algoritmer, de byggde och testade ett system som är mer kompakt än konventionella spektrometrar, samtidigt som det erbjuder ytterligare designfördelar.

Spektroskopi är ett centralt verktyg för många tillämpningar inom biovetenskap, medicin, astrofysik och andra områden. Konventionella spektrometrar delar upp ljus i dess beståndsdelar så att intensiteten hos var och en kan mätas. Detta leder till flera begränsningar och designavvägningar:finare spektralupplösning (med snävare avstånd mellan detekterbara färger eller våglängder) kan kräva användning av dyrare hårdvara, öka enhetens fysiska fotavtryck och eventuellt offra signalstyrkan. Detta kan vara problematiskt för applikationer som kräver hög känslighet, hög spektral upplösning, och kompakt systemdesign. Det ger också ytterligare utmaningar för hyperspektral avbildning, vilket innebär att fånga ett spektrum för varje pixel i en bild, en teknik som vanligtvis används för fjärranalysuppgifter såsom miljöövervakning för att bedöma grödors hälsa eller förekomsten av växthusgaser bland annat.

UCLA-forskarnas tillvägagångssätt, drivs av AI, återuppfattar spektroskopiproblemet från grunden. Istället för att förlita sig på att dela upp ljuset i en regnbåge av ingående våglängder, ett nanostrukturerat chip dekonstruerar ljuset spektralt med hjälp av hundratals unika spektralfilter parallellt. Detta chip använder plasmoniska strukturer som en spektralkodare, som består av 252 brickor, var och en har ett unikt mönster i nanoskala som sänder ett distinkt spektrum av ljus. Med andra ord, det okända ljusspektrumet som ska mätas "kodas" i överföringen av var och en av dessa plasmoniska plattor. Denna nanostrukturerade kodare är tillverkad genom en avtryckslitografiprocess som drastiskt kan minska produktionskostnaderna och möjliggöra skalning till stora produktionsvolymer.

Ljuset som sänds av spektralkodarchippet fångas upp med en standard, billig bildsensor som rutinmässigt används i våra mobiltelefonkameror, producera en bild som sedan matas in i ett neuralt nätverk med uppgift att rekonstruera det okända ljusspektrumet från den kodade bildinformationen. Detta neurala nätverk för spektrala rekonstruktion visade sig ge exakta resultat mycket snabbare än andra beräkningsspektroskopimetoder, ger ett resultat på mindre än en trettiondels millisekund. Den här nya AI-drivna spektrometerramen visar en väg runt de typiska avvägningarna mellan enhetskostnader, storlek, upplösning och signalstyrka.

"Vi visar inte bara ett bevis på konceptanordning här, sa Aydogan Ozcan, Kanslerns professor i elektro- och datorteknik och biträdande direktör för California NanoSystems Institute (CNSI), vars grupp genomförde forskningen. "Vi presenterar ett helt nytt ramverk för spektrometerdesign i chipsskala. Det neurala nätverket, träningsspektra, nanokodarens geometrier och material; var och en av dessa komponenter kan optimeras för olika applikationer eller specifika uppgifter, möjliggör kompakt, kostnadseffektiva spektrometrar som ger högkvalitativa mätningar för en given provtyp eller spektralregim."

Detta AI-aktiverade on-chip spektrometerramverk kan hitta olika tillämpningar, allt från miljöövervakning av gaser och toxiner, till medicinsk diagnostik där spektral information behövs för att särskilja förekomsten av olika biomarkörer. Forskarna noterar också att de plasmoniska plattorna kan skalas ner och tasselleras (som ett kamerapixelrutnät) för att utföra hyperspektral avbildning, vilket kan vara viktigt i till exempel, autonom fjärranalys där kompakt, lättviktsformfaktor är avgörande.

De andra författarna till arbetet var forskare inom el- och datorteknik Calvin Brown, Artem Goncharov, Zachary S. Ballard och Yunzhe Qiu, studenterna Mason Fordham och Ashley Clemens, och adjungerad professor i elektro- och datateknik Yair Rivenson.

Studien publicerades i tidskriften ACS Nano .