手性是自然界物體最基本的屬性之一，在諸多領域中具有重要的作用。尤其在醫療生物化學領域中，檢測與區別同一組分相反手性的對映異構體是一個非常重要的課題。自然界中的大部分生物分子的手性光學響應非常微弱，且其波段常常位于紫外光波段，因此直接檢測分子的光學手性非常困難。

由于表面等離激元具有放大光學手性信號的能力，所以基于表面等離激元的手性探測被認為是未來生物分子檢測的有力手段。該方法的關鍵在于針對目標生物分子尋找合適的金屬納米結構，使得二者的耦合信號盡量顯著。然而，表面等離激元與生物分子的耦合機制非常復雜，難以準確地進行定量分析，這極大地增加了金屬納米結構的設計難度。

近年來，人工智能的高速發展催生了一批卓越的自學習算法，強化學習正是其中之一。它通過與環境進行交互獲得的結果指導行為的改變，類似于一個生物體不斷適應環境的過程。機器學習的引入也大幅推動了微納光子學的發展，在設計光子晶體、超材料和集成硅光子器件等領域都取得了令人矚目的成就。

近期，北京大學物理學院方哲宇教授課題組嘗試利用強化學習方法設計了生物分子手性傳感器件，實現了對葡萄糖對映異構體的高靈敏手性動態監測（圖1）。該探測技術的基本原理是利用金屬表面等離激元與生物手性分子的耦合效應，這一耦合會導致加入生物分子前后金屬納米結構的遠場手性光譜發生變化，通過捕捉光譜前后的變化，就可以實現對生物手性分子的傳感。

圖1 生物分子的手性傳感

該工作采用強化學習來實現高手性納米結構的設計，在利用神經網絡模型引導探索參數空間的同時，不斷更新神經網絡模型的參數，其工作流程如圖2所示。相比于傳統的有監督學習，強化學習大幅減少了模擬計算消耗的計算資源。在經典的有監督學習中，首先需要進行大量的電磁模擬來獲得各種構型金屬納米結構的光學響應，再根據神經網絡的預測尋找優秀的金屬納米結構。

而神經網絡的準確預測需要所有構型的訓練數據，這其中包含了大量弱手性結構，浪費了大量的計算資源和計算時間。而強化學習模型選擇參數探索與模型訓練同時進行，經過數輪探索后可以將探索范圍基本鎖定在高手性結構的范圍內，從而大幅減少模擬計算的次數。整個設計過程充分實現了智能化，對未來微納光子學器件的設計有極高的引導意義和參加價值。

圖2 基于強化學習的算法框架

該工作將金屬納米結構制備在微流控芯片底部，通過實時觀測光譜的變化來實現對通入微流控芯片的樣品溶液的手性檢測。相比于傳統生物化學方法，這一探測手段具有極高的便捷性，不需要化學反應就可以實現手性甄別，樣品需求量低且沒有破壞性，具有優秀的應用價值，對各種生物大分子都具有實現高靈敏手性探測的潛力。

審核編輯：劉清