基于神经网络的Mie传感：纳米物体参数识别、不可见点与受限模型
光学
2023-12-12 v1 介观与纳米尺度物理
摘要
本文利用人工神经网络（ANN）仅从宏观样品的吸收光谱中高精度识别纳米颗粒的材料成分、尺寸及其在不同介质中的浓度。我们构建了两种工作模式的ANN：第一种模式用于识别混合集合中介电散射体的尺寸和折射率；第二种ANN模型同时识别混合物中金纳米球的尺寸和基质的折射率。第一种模式在不可见点附近（即纳米颗粒折射率接近介质折射率时）面临挑战。当然，该区域内的颗粒识别受到基本物理限制。然而，在不可见点附近的识别是可能的，我们的研究揭示了其独特性质。有趣的是，在不可见点附近折射率的识别误差非常小；相反，半径的识别误差在该点附近显著增大。另一个识别受限的情况是当消光谱不唯一且可能对应纳米颗粒混合物的不同实现时。对于多颗粒或多分散溶液，基于机器学习的模型在这种情况下应合理限制以保持识别过程的可行性。总体而言，我们提出并研究的识别方案可在传感领域找到应用。
引用
@article{arxiv.2312.05846,
title = {Mie Sensing with Neural Networks: Recognition of Nano-Object Parameters, the Invisibility Point, and Restricted Models},
author = {Artur Movsesyan and Lucas V. Besteiro and Zhiming Wang and Alexander O. Govorov},
journal= {arXiv preprint arXiv:2312.05846},
year = {2023}
}