近日，我校电子工程与光电技术学院沈哲老师课题组提出了一种深度学习双向神经网络模型，用于分析和设计具有光漩涡的光镊系统。研究成果以“Optical Tweezers with Optical Vortex Based on Deep Learning”为题发表在顶级期刊ACS Photonics上。我校为唯一完成单位和唯一通讯单位，沈哲老师为论文的唯一第一作者和唯一通讯作者。文章链接：https://doi.org/10.1021/acsphotonics.5c00137
光镊（Optical Tweezers, OTs）是一种通过聚焦光束产生势阱来实现粒子非接触式捕获的技术。自2018年诺贝尔物理学奖得主Arthur Ashkin发明光镊技术以来，其非接触式微纳操控能力已在生物医学等领域展现巨大潜力。然而，传统光镊系统一般采用高斯光束，存在自由度单一、调控灵活性不足等问题，难以满足复杂应用需求。近年来，结构光的兴起为粒子操控提供了更高的精度和自由度。漩涡光（Optical Vortex,OV）是一种典型的带有螺旋相位和轨道角动量（Orbital Angular Momentum, OAM）的结构光，它能够稳定捕获和旋转粒子，被称为“光学扳手”，由于其拓扑荷可调，能实现更灵活的操作。在此基础上，OV光镊在光学分选、显微力学等领域得到了广泛的应用。对于OV光镊的研究，理论方面，由于理论模型的复杂性，获得精确的解析解需要大量的时间成本；模拟方面，常受到边界条件和网络精度的限制，最终可能导致结果出现误差；实验方面，实验结果不可避免地受到热力学、介质阻尼等因素影响。因此获得OV光镊用于粒子操控的精确解是十分困难的。
深度学习网络已被证明在获得精确解方面具有优势，近年来发展迅速。2024年，诺贝尔物理学奖授予在人工神经网络领域方面取得重大成就的John Hopfield教授和Geoffrey Hinton教授。深度学习神经网络擅长处理大量输入和输出数据之间的关系，解决高维数据预测和逆向系统设计。与拓扑优化、粒子群优化等传统方法相比，深度学习网络不仅可以大幅降低计算成本，还可以提高结果的准确性。
基于上述进展，南京理工大学沈哲课题组开展了系统的研究，创新性地将深度学习神经网络与具有OV的光镊相结合，他们首次提出了一种双向深度学习卷积神经网络框架，用于高效分析和逆向设计OV光镊（图1）。该网络由前向网络和逆向网络组成，分别支持OV光镊的分析和设计。该神经网络框架可为光镊系统的高精度分析和反演设计提供一个有效的算法平台，有望为药物输送、微流控等领域的应用带来更多的可能性。
图1深度学习OV光镊工作流程图
首先，他们通过前向子网络分析了漩涡光场中粒子的光学力，然后利用前向主网络研究了粒子的运动轨迹。在该部分研究中，前向子网络在分析光学力时可以达到98%以上的准确率，同时计算效率提高20倍以上，大大降低了时间成本。在进一步分析粒子轨迹时，前向主网络可以达到95.5%以上的精度（图2）。粒子受强度涡旋力矩驱动产生旋转运动，该网络仍能精确捕捉其旋转周期与位移趋势，说明前向主网络可以有效地建立OV光镊参数与粒子轨迹之间的映射关系。
图2基于前向子网络光学力计算的前向主网络粒子轨迹预测
其次，研究工作报道了逆向网络实现的光镊按需设计，基于残差网络模型，根据预设的粒子轨迹，可以实现轨迹到光镊参数的逆向设计（图3）。参数逆推结果显示，设计准确率达95.4%，漩涡光束拓扑荷预测、粒子半径以及初始位置的误差都控制在很小范围内，验证了该逆向网络按需优化和设计光镊系统的可行性。
图3 LG模式下OV光镊的逆向设计
此外，该工作还利用前向主网络研究了类OV光束中阿基米德螺旋形式的粒子轨迹（图4）。在类OV光束的光镊系统中，该前向主网络仍然可以预测粒子的运动轨迹，准确率高达96.2%。该神经网络模型具有广泛的适用性，能够应用于其他复杂的结构光镊系统。
图4类OV光束中粒子轨迹的预测
最后，研究工作利用深度学习网络分析了表面等离激元漩涡（Plasmonic Vortex, PV）光镊实验结果，验证所提出的神经网络在实际应用中对OV光镊设计的有效性（图5）。一方面，他们在OV光镊数据库中找到一种方案，能够实现和PV光镊相同粒子轨迹，即按需设计PV光镊；另一方面，该结果也侧面地揭示了PV和OV相似的特征，而这一特性通常只能通过近场扫描光学显微镜观测得到。
图5等离子体涡旋光镊实验结果图
上述工作得到了国家自然科学基金（62275122，61805119）、江苏省自然科学基金（BK20180469，BK20180468）以及中央高校基本科研业务专项资金（30919011275）资助。
