2025年6月2日，Wiley旗下知名期刊《Laser and Photonics Reviews》刊发精密仪器研究中心团队在智能椭偏测量领域最新成果，题为“Physics-Enhanced Learning for Automated Determination of Material Optical Constants（基于物理增强学习的材料光学常数自动表征）”。博士生刘硕为论文第一作者，陈修国教授和刘世元教授为通讯作者。

准确测定光学常数是材料基础研究与光电应用的核心前提。光谱椭偏仪通过检测光束偏振态的变化，能够以极高的灵敏度表征薄膜的光学常数与厚度。然而，作为一种间接测量手段，椭偏数据分析依赖人工干预，需根据丰富的经验与材料先验信息设定合适的初值，形成了极高的技术门槛。尽管深度学习为自动化分析提供了新途径，但现有方法高度依赖训练数据集，普遍存在泛化能力差、预测结果缺乏物理合理性等问题。因此，开发智能分析技术对推动椭偏测量的广泛应用具有重要意义。

图1 基于物理增强学习的光学常数自动表征方法原理及实验验证

针对上述挑战，研究团队提出了一种基于物理增强学习的光学常数表征方法——智能椭偏网络（SENet）。该方法采用了物理信息增强学习的迭代推理策略，从椭偏测量光谱中预测出薄膜样品的待测参数，如薄膜厚度和介电函数。具体来说，SENet建立了从光谱到待测参数的映射。将基于Kramers–Kronig一致性B样条的介电函数模型作为激活函数嵌入到神经网络，其各个输出的介电函数曲线相加作为覆盖整个光谱范围的材料介电函数。此外，开发了基于传输矩阵法的并行光学模型，实现了预测值对应光谱的高效计算。通过在神经网络输出端引入该光学模型，构建了光谱一致性的损失函数，使得可以对神经网络权重进行优化调整，进而有效修正预测偏差。

针对单层理想薄膜的测量场景构建、训练并测试了SENet的预测性能。其中训练仅用到一个人工生成的、与真实材料不相关的数据集。结果表明，相较于已有方法，SENet不易受到不充分训练的影响，具有更优异的泛化性能，可以在事先不了解材料的情况下对真实样品进行表征。

图2 SENet在非训练场景下的泛化性测试

针对非训练场景对SENet做了泛化性测试，其中涵盖含粗糙度和折射率梯度变化的样品、改变波长和入射角等测量配置和改变样品基底等广泛的测试场景。结果表明，SENet可以克服不匹配训练带来的预测偏差，使得单一场景的训练模型可应用于多种场景的测量需求，解决了深度学习中泛化能力有限的问题，同时最大限度地降低了训练成本。

该研究提供了椭偏数据分析新方法，可与传统椭偏仪集成，建立了薄膜材料的自动化表征流程。该研究降低了椭偏测量技术的使用门槛，使得不同熟练程度的研究人员均能便捷地进行复杂材料分析，进而促进学术界和工业界对新材料的探索。

论文信息：

S. Liu, X. Chen, and S. Liu, "Physics-enhanced learning for automated determination of material optical constants," Laser Photon. Rev. 19, 2500809 (2025).