加州大学洛杉矶分校 Samueli 工程学院的一组研究人员展示了一种解决旧问题的新方法：测量光的光谱，也称为光谱学。通过利用可扩展、经济高效的纳米制造技术以及人工智能驱动的算法，他们构建并测试了一个比传统光谱仪更紧凑的系统，同时还提供了额外的设计优势。

光谱学是生命科学、医学、天体物理学和其他领域许多应用的核心工具。传统的光谱仪将光分成其组成颜色，以便可以测量每一种颜色的强度。这导致了一些限制和设计权衡：更精细的光谱分辨率(可检测颜色或波长之间的间距更小)可能需要使用更昂贵的硬件，增加设备的物理占用空间并可能牺牲信号强度。这对于需要高灵敏度、高光谱分辨率和紧凑系统设计的应用来说可能是个问题。它还对高光谱成像提出了进一步的挑战，这涉及为图像中的每个像素捕获光谱，这是一种常用于遥感任务的技术，例如用于评估作物健康或温室气体流行等用途的环境监测。

加州大学洛杉矶分校研究人员的方法由人工智能提供支持，从头开始重新设想光谱问题。纳米结构芯片不是依靠将光分成彩虹组成的波长，而是使用数百个并行的独特光谱滤波器对光进行光谱解构。该芯片使用等离子体结构作为光谱编码器，由 252 个瓦片组成，每个瓦片都具有独特的纳米级图案，可传输不同的光谱。换句话说，要测量的未知光谱在这些等离子体瓦片中的每一个的传输中被“编码”。这种纳米结构的编码器是通过压印光刻工艺制造的，可以大大降低生产成本，并能够扩展到大批量生产。

光谱编码器芯片传输的光是使用标准的、廉价的图像传感器捕获的，该传感器通常用于我们的手机摄像头，生成图像，然后将其输入到神经网络中，该网络的任务是从编码图像中重建未知光谱信息。这种光谱重建神经网络显示出比其他计算光谱方法更快地产生准确结果，产生结果的时间不到三十分之一毫秒。这种新的 AI 驱动的光谱仪框架展示了围绕设备成本、尺寸、分辨率和信号强度之间的典型权衡的路径。

“我们不仅在这里展示了概念设备的证明，”电气和计算机工程校长教授兼加州纳米系统研究所 (CNSI) 副主任 Aydogan Ozcan 说，他的小组进行了这项研究。“我们正在为芯片级光谱仪设计提供一个全新的框架。神经网络、训练光谱、纳米编码器几何形状和材料;这些组件中的每一个都可以针对不同的应用或特定任务进行优化，从而实现紧凑、成本低有效的光谱仪，可为给定的样品类型或光谱范围产生高质量的测量结果。”

这种支持 AI 的片上光谱仪框架可以找到各种应用，从气体和毒素的环境监测到需要光谱信息来区分不同生物标志物存在的医学诊断。研究人员还指出，等离子体瓦片可以按比例缩小和细分(如相机像素网格)以执行高光谱成像，例如，这在自主遥感中很重要，在这种情况下，紧凑、轻便的外形是必不可少的。

这项工作的其他作者是电气和计算机工程研究人员 Calvin Brown、Artem Goncharov、Zachary S. Ballard 和 Yunzhe Qiu，本科生 Mason Fordham 和 Ashley Clemens，以及电气和计算机工程兼职教授 Yair Rivenson。