L'Université De Californie a Construit Un Spectromètre Sur Puce Basé Sur Un Réseau Neuronal Entièrement Connecté, Atteignant Une Résolution Spectrale De 8 Nanomètres À l'échelle d'une puce.

Aujourd'hui, les appareils photo des smartphones sont entrés dans l'ère des mégapixels, capables de capturer des images riches en détails. Cependant, ils ne peuvent toujours pas analyser la composition chimique des substances comme le font les spectromètres professionnels, permettant par exemple des tests non destructifs sur la teneur en sucre des fruits, des évaluations de la santé de la peau ou l'identification de traces de polluants dans l'environnement. Cette lacune s'explique par l'absence d'un composant essentiel dans les smartphones et autres appareils : un spectromètre, capable de lire avec précision la « signature spectrale » unique des substances.

Les spectromètres traditionnels sont un outil important pour l'analyse des matériaux.**Son principe de fonctionnement consiste à séparer la lumière composite en spectres de différentes longueurs d'onde, puis à identifier la composition des substances grâce à des raies spectrales caractéristiques.**Cependant, ces instruments reposent généralement sur des éléments dispersifs tels que des réseaux ou des prismes, nécessitant une longueur de trajet optique suffisante pour séparer les longueurs d'onde, ce qui limite considérablement leur miniaturisation. Même les modèles miniaturisés ont souvent une surface d'environ 200 cm². Face à la demande croissante de dispositifs de détection portables et de dispositifs médicaux portables, le développement de spectromètres alliant hautes performances et dimensions à l'échelle d'une puce est devenu un enjeu technologique majeur.

Cela crée une contradiction majeure : pour parvenir à la miniaturisation, il faut abandonner la structure dispersive traditionnelle ; mais sans structure dispersive, comment obtenir des informations spectrales ?

Pour résoudre ce problème,**Une équipe de recherche de l'Université de Californie a proposé une solution innovante.**Une structure de piégeage de photons (PTST) a été conçue sur la surface d'une photodiode en silicium standard, et un réseau neuronal entièrement connecté et hautement résistant au bruit a été intégré. Ce réseau est capable de calculer et de reconstruire intelligemment le spectre original directement à partir du signal de photocourant mesuré par le dispositif.**Cette méthode permet non seulement au spectromètre d'atteindre un rapport signal/bruit plus élevé aux longueurs d'onde plus longues, mais ses performances globales surpassent également celles des spectromètres traditionnels à base de silicium.**Cela représente une avancée majeure dans la détection spectrale améliorée par l'IA, permettant à un matériel compact d'atteindre la haute fidélité spectrale auparavant réservée aux grands systèmes.

Les résultats de cette recherche, intitulée « Spectromètre à piégeage de photons augmenté par l'IA sur une plateforme en silicium avec une sensibilité étendue dans le proche infrarouge », ont été publiés dans Advanced Photonics.

Points saillants de la recherche :

* Cette recherche utilise un réseau neuronal entièrement connecté et résistant au bruit pour résoudre le problème inverse de la reconstruction spectrale, permettant à un matériel compact ne contenant que 16 à 32 photodiodes d'atteindre la haute fidélité spectrale généralement requise par les grands systèmes traditionnels.

* Ces recherches, combinées à une reconstruction intelligente utilisant l'apprentissage profond, ont amélioré le rapport signal/bruit du système de plus de 30 dB dans la région des grandes longueurs d'onde, dépassant ainsi la limite de détection de 950 nm des spectromètres traditionnels à base de silicium.

Le système intégré développé dans cette étude présente une taille ultra-compacte de 0,4 mm², un temps de réponse ultra-rapide de 57 ps, un gain élevé supérieur à 7 000 et une immunité au bruit de 40 dB. Son intérêt pratique a été validé par l’imagerie hyperspectrale en papillon.

Adresse du document : https://doi.org/10.1117/1.AP.8.1.016008
Suivez notre compte WeChat officiel et répondez « PTST » en arrière-plan pour obtenir le PDF complet.

Autres articles sur les frontières de l'IA :

https://hyper.ai/papers

En se concentrant sur la gamme 640-1000 nm, 16 structures de surface différentes de piégeage de photons ont été utilisées pour la reconstruction.

Pour vérifier les performances réelles du spectromètre sur puce développé en imagerie hyperspectrale, cette étude a sélectionné l'ensemble de données hyperspectrales de papillons, disponible publiquement, comme objet de test.**Cet ensemble de données couvre une gamme de longueurs d'onde de 420 à 1000 nm et contient 59 canaux spectraux (espacement spectral de 10 nm).**Elle est fournie sous la forme d'un cube d'images hyperspectrales tridimensionnelles avec une résolution spatiale de 512×512 pixels.

Étant donné que la réponse en efficacité quantique externe des dispositifs fabriqués expérimentalement se concentre principalement dans la gamme 640-1000 nm, correspondant à la plage d'acquisition des données, cette étude a utilisé les réponses spectrales de 16 photodiodes présentant différentes structures de piégeage de photons (PTST) dans cette bande de longueurs d'onde pour la reconstruction. Dans un premier temps, l'ensemble de données initial a été interpolé en 361 points de longueur d'onde espacés de 1 nm dans la gamme 640-1000 nm, puis couplé aux réponses spectrales simulées des photodiodes afin de générer les données de photocourant correspondantes. Enfin, ces données ont été introduites dans un modèle de réseau neuronal entraîné pour reconstruire l'image hyperspectrale.

La phase d'entraînement du réseau a utilisé un ensemble de données synthétiques contenant plus de 500 000 spectres gaussiens présentant des valeurs de pic et des largeurs variables. Les performances du modèle ont été évaluées à l'aide d'ensembles de validation indépendants. Comme illustré dans la figure ci-dessous, les chercheurs ont constaté que les images hyperspectrales reconstruites à partir des réponses spectrales expérimentales de 16 photodiodes dans la bande proche infrarouge de 640 à 1100 nm étaient visuellement très conformes aux données réelles.

Pour quantifier plus précisément l'évaluation, cette étude a sélectionné deux pixels représentatifs de l'image (comme indiqué ci-dessus, encadrés respectivement en rouge et en bleu) pour une comparaison spectrale. Comme illustré dans la figure ci-dessous,Le spectre reconstruit correspond bien au spectre réel, capturant avec précision les variations des caractéristiques de réflectance des pigments du papillon dans la bande infrarouge.

Construction d'un spectromètre sur puce à capture de photons amélioré par l'IA

Dans cette étude, la reconstruction spectrale repose sur un réseau de neurones entièrement connecté, spécialement conçu pour déduire le spectre incident inconnu à partir du signal de photocourant mesuré par le réseau de photodiodes. Il s'agit essentiellement de la résolution d'un problème inverse : en raison du chevauchement des réponses spectrales du détecteur, la matrice de réponse du système est mal conditionnée, ce qui rend les méthodes d'inversion directe classiques instables et sensibles au bruit. Les réseaux de neurones, en revanche, sont capables d'apprendre à établir une correspondance robuste entre le signal mesuré et le spectre original, tout en possédant naturellement des capacités de débruitage et de régularisation.

L'architecture du réseau se compose d'une couche d'entrée, de quatre couches cachées et d'une couche de sortie.**La couche d'entrée reçoit des signaux de photocourant provenant de 16 photodiodes.**La couche de sortie fournit directement les données spectrales reconstruites. Les couches cachées utilisent la fonction d'activation ReLU pour introduire la non-linéarité, tandis que la couche de sortie emploie une fonction d'activation linéaire. La taille du réseau (nombre de neurones) a été optimisée en fonction de la complexité des données spectrales.**L'entraînement a utilisé un vaste ensemble de données synthétiques contenant plus de 500 000 spectres simulés.**Ces spectres sont composés de courbes gaussiennes avec des pics et des largeurs différents afin de garantir que le modèle puisse apprendre une large gamme de morphologies spectrales.

Pour la stratégie d'entraînement, les chercheurs ont utilisé l'optimiseur Adam implémenté avec le framework PyTorch. Après avoir testé différentes fonctions de perte, une fonction de perte combinée personnalisée, associant l'erreur quadratique moyenne (RMSE) et le coefficient de corrélation de Pearson (R), a finalement été sélectionnée. Cette fonction s'est avérée particulièrement efficace pour la reconstruction de spectres à bande étroite présentant des pics nets. Plus précisément, la taille du lot d'entraînement a été fixée à 32 et le taux d'apprentissage à 0,001.**Les chercheurs ont entraîné le modèle pendant 1 000 époques, puis ont réduit le taux d’apprentissage à 0,0001 après la 600e époque afin de favoriser une meilleure convergence du modèle.**Pour éviter le surapprentissage, un arrêt précoce a été utilisé pendant l'entraînement. Comme le montre la figure ci-dessous, les pertes d'entraînement et de validation ont diminué rapidement et ont fini par converger, ce qui indique que le modèle a bien appris et possède une forte capacité de généralisation.

Pour vérifier les performances de ce réseau neuronal, les chercheurs l'ont comparé à deux méthodes de reconstruction traditionnelles. Comme le montre la figure ci-dessous, la méthode de pseudo-inversion simple et la méthode de combinaison linéaire de fonctions de base (telles que les fonctions gaussiennes ou sinusoïdales) pour le spectre ont toutes deux donné de mauvais résultats pour la reconstruction de spectres laser à faible largeur de raie, avec une erreur quadratique moyenne (RMSE) d'environ 0,12 et un coefficient de corrélation (R) d'environ 0,63.

En revanche, les réseaux neuronaux sont capables de capturer avec précision des caractéristiques spectrales nettes.**L'erreur quadratique moyenne (RMSE) a été considérablement réduite à 0,046 et le coefficient de corrélation R a été augmenté à 0,87.**Ce résultat démontre clairement la supériorité des réseaux de neurones pour la résolution de tels problèmes inverses. Non seulement ils atteignent une précision de reconstruction supérieure, mais leurs caractéristiques d'apprentissage intrinsèques les rendent également plus robustes aux interférences dues au bruit.

Une résolution spectrale de 8 nanomètres a été obtenue sur 0,4 mm².

Afin de vérifier pleinement les performances du spectromètre sur puce amélioré par l'IA, cette étude a mené une série d'expériences, axées sur l'évaluation du rôle central du modèle de réseau neuronal dans la reconstruction spectrale et ses performances réelles.

Dans un premier temps, les chercheurs ont testé les capacités de détection de base du système à l'aide de lasers à bande étroite. Les expériences ont montré que les photodiodes intégrant des structures de piégeage de photons en surface présentaient une sensibilité et un rapport signal/bruit nettement améliorés dans la gamme de longueurs d'onde de 640 à 1100 nm, en particulier dans le proche infrarouge. Surtout, en intégrant les réponses de ces réseaux de détecteurs dans un réseau neuronal entraîné, le système a pu reconstruire avec précision le spectre laser.**Lorsque le nombre de détecteurs impliqués dans la reconstruction augmente à plus de 16, l'erreur moyenne entre le spectre reconstruit et la valeur réelle de référence tombe en dessous de 0,05 et le coefficient de corrélation dépasse 0,85.**Cela confirme que le codage spectral unique fourni par le matériel et les capacités analytiques de l'algorithme d'IA peuvent fonctionner ensemble efficacement pour réaliser des mesures de haute précision.

La robustesse au bruit est cruciale pour évaluer les performances des algorithmes de reconstruction. Cette étude examine la robustesse du système en ajoutant activement un bruit simulé de forte intensité à des données de mesure réelles. Les résultats montrent que même avec un bruit additionnel allant jusqu'à 40 dB, le modèle de réseau neuronal parvient à reconstruire de manière stable un profil spectral discernable tout en maintenant un rapport signal/bruit d'environ 30 dB. Ceci contraste fortement avec les méthodes traditionnelles, dont les performances se dégradent considérablement en présence de bruit.**Ceci met en évidence les puissantes capacités inhérentes de régularisation et de suppression du bruit du réseau neuronal utilisé.**C'est là la clé pour concrétiser sa valeur d'application pratique.

Pour démontrer davantage son potentiel dans la résolution de problèmes complexes, la recherche a appliqué le système à une tâche d'imagerie hyperspectrale. Grâce à un réseau neuronal entraîné, le système a reconstruit avec succès un cube d'image hyperspectrale de 512 × 512 pixels à partir du jeu de données open-source Butterfly, en utilisant uniquement les réponses de 16 détecteurs. Enfin, les chercheurs ont utilisé l'erreur quadratique moyenne (EQM) et l'indice de similarité structurelle (SSIM) pour évaluer quantitativement la précision globale de la reconstruction. Pour toutes les longueurs d'onde de reconstruction, l'EQM moyenne était de seulement 2,3 × 10⁻⁴ et le SSIM moyen de 0,9926.**Ceci démontre que le système possède une fidélité spectrale extrêmement élevée, prouvant que l'IA peut décoder et reconstruire des informations spatiales spectrales complexes et multidimensionnelles à partir d'informations matérielles minimales.**Elle a franchi l'étape cruciale du passage du « spectre ponctuel » à « l'imagerie spectrale ».

Au final, ce spectromètre optimisé par l'IA a atteint une résolution spectrale de 8 nanomètres, une plage dynamique de 50 dB et un rapport signal/bruit pratique de 30 dB sur une puce de 0,4 mm². Les comparaisons horizontales montrent que ce système, conçu conjointement avec des algorithmes intelligents et des composants photoniques de pointe, surpasse la plupart des solutions miniaturisées similaires en termes de performances globales, constituant ainsi une avancée significative vers l'application pratique de la détection spectrale intelligente.

Détection spectrale miniaturisée : présent et futur

La miniaturisation et la détection spectrale intelligente sont au cœur des avancées scientifiques et industrielles mondiales. Ces dernières années, de la recherche fondamentale menée dans les meilleures universités à l'exploration d'applications par les entreprises technologiques, de nombreux exemples novateurs ont clairement démontré que l'intégration de capacités d'analyse spectrale de niveau laboratoire dans des puces, voire dans des appareils du quotidien, est désormais une réalité en voie de concrétisation.

Dans le milieu universitaire, la recherche se concentre sur la refonte fondamentale de la forme des spectromètres grâce à une conception de puces photoniques disruptive et à une collaboration étroite avec l'intelligence artificielle.**Une équipe de recherche de l'Université nationale de Séoul, en Corée du Sud, a proposé un nouveau schéma dans la revue Nature Communications.**En utilisant des microcavités composées de nanoparticules de plasma comme réseaux de filtres et en les combinant avec des algorithmes d'apprentissage automatique, une résolution spectrale subnanométrique a été obtenue à l'échelle micrométrique.
**Titre de l'article :**Spectromètre computationnel miniature doté d'un réseau de microfiltres à nanoparticules plasmoniques en cavité
Lien vers l'article :https://www.nature.com/articles/s41467-024-47487-y

en même temps,**Des scientifiques de l'École polytechnique fédérale de Lausanne (EPFL) ont abordé la question sous un autre angle crucial de l'intégration des systèmes.**Un laser à guide d'ondes dopé à l'erbium, performant et accordable avec précision, a été fabriqué avec succès sur une puce. Cette avancée majeure, publiée dans Nature Photonics, ouvre la voie à une source lumineuse stable et de haute qualité pour les futurs systèmes de spectroscopie intégrés, constituant ainsi une étape importante vers la réalisation d'un véritable « laboratoire sur puce ».
**Titre de l'article :**Un laser à erbium entièrement hybride et intégré
Lien vers l'article :https://www.nature.com/articles/s41566-024-01454-7

L'innovation dans ce secteur est davantage axée sur le marché, privilégiant la transformation des technologies de pointe en produits et solutions répondant à des problèmes concrets.**La start-up tchèque Iron Analytics a lancé le premier spectromètre Mössbauer portable au monde en 2025.**Son caractère révolutionnaire réside dans la miniaturisation réussie d'un appareil de laboratoire original de 15 kilogrammes et 70 centimètres de long, transformé en un dispositif portable de la taille d'une canette de Coca-Cola. Ceci témoigne de la pénétration croissante de la spectroscopie miniaturisée, initialement un outil de curiosité pour le grand public, dans des secteurs industriels clés, où elle devient un véritable levier de productivité pour améliorer l'efficacité de la production et le contrôle des procédés.

En conclusion, la vision d'une détection spectrale miniaturisée et intelligente se concrétise progressivement, chaque pièce du puzzle technologique étant mise en place. Cependant, une véritable intégration dans la vie quotidienne se heurte encore à des défis pratiques tels que le coût, la fiabilité et la facilité d'interprétation des données. Peut-être que dans un avenir proche, lorsque les modules de détection spectrale pourront être produits en masse, à moindre coût et de manière fiable, à l'instar des appareils photo actuels, notre perception du monde connaîtra une révolution silencieuse mais profonde. À ce moment-là, l'« empreinte optique » qui interprète tout ne sera plus l'apanage des laboratoires, mais deviendra un réflexe naturel permettant à chacun de comprendre son environnement.