《Nature Communications》：Deep learning and superoscillatory speckles empowered multimode fiber probe for in situ nano-displacement detection and micro-imaging
编辑推荐：
针对复杂设备内部难以实现原位、非接触式纳米位移测量的挑战，研究人员开展了基于多模光纤探针的超精密测量研究。通过深度学习解析超振荡散斑场，实现了10纳米分辨率、99.95%精度的单端探测，突破传统干涉仪的空间限制。该技术为半导体制造、微创手术等领域的精密计量提供了创新解决方案。
在半导体制造和生命科学领域，高精度计量技术如同"尺子"的精确度决定了制造和研究的极限水平。然而，现有位移测量方法在复杂设备内部进行灵活探测时面临巨大挑战：传统激光干涉仪虽然精度高，但对环境振动、气流干扰极其敏感，且光学路径复杂、体积庞大；涡流传感器和电容探针等接触式测量可能损伤微观结构，且仅适用于导电表面。更关键的是，这些技术难以通过设备原有的狭缝或管道实现非接触、单端接入的原位测量，往往需要完全打开设备外壳，严重影响生产效率和测量精度。
正是在这样的背景下，清华大学精密仪器系的研究团队在《Nature Communications》上发表了一项突破性研究，将多模光纤（MMF）的独特光学特性与深度学习算法相结合，开发出一种直径仅800微米的超细光纤探针，成功实现了原位纳米位移检测与显微成像的双重功能。这项技术就像给精密设备装上了"柔性显微镜"，能够在不破坏设备完整性的前提下，对内部结构进行纳米级精度的"体检"。
研究人员创新性地利用了多模光纤中产生的超振荡散斑（superoscillatory speckles）现象。当激光在多模光纤中传输时，由于模式色散和模间耦合效应，会形成看似随机但实则包含丰富信息的散斑图样。团队发现，这些散斑中存在的快速相位变化（相位奇点）具有超越传统衍射极限的分辨能力，为实现纳米级位移测量提供了物理基础。
为了将这一物理现象转化为实用的测量技术，研究团队建立了完整的物理模型，揭示了被测目标位移与光纤中高阶模比例之间的内在联系。通过弗琅禾费积分和球透镜变换等计算方法，他们证明了当探测距离变化时，光纤中输入光场的高阶模能量分布会发生规律性变化，这种变化最终体现在输出散斑的统计特征上。
在技术方法层面，该研究主要依托几个核心创新：首先开发了特殊的侧向耦合器和光纤端球（fiber-end-ball）制备工艺，实现了全光纤集成、无透镜的微型探测系统；其次构建了基于VGG（Visual Geometry Group）卷积神经网络架构的深度学习模型，通过对散斑图像的分析实现了位移信息的提取；此外还引入了逆传输矩阵（ITM）优化网络，将位移测量与图像重建功能集成于同一系统。实验数据采集使用了纳米位移台控制样品位移，通过CMOS传感器记录散斑图像，所有数据集均来自实际测量而非模拟生成。
原位纳米位移光纤探测方案
通过将直径800微米的多模光纤探针插入设备狭缝，研究人员实现了对晶圆纵向位移的原位检测。光纤端球将输出光准直后照射到晶圆表面，反射光再次通过光纤传输形成散斑场。实验表明，即使纳米级的位移变化也会导致散斑斑点位置的明显偏移和统计分布的改变，这种敏感性为高精度位移测量奠定了基础。
位移与高阶模比例的物理关系
通过建立多模光纤物理模型，研究人员发现探测距离的变化会显著影响光纤中传输模式的能量分布。当目标逐渐远离光纤探针时，基模成分比例增加，高阶模能量向低阶模转化，这一规律通过归一化平均模序数等参数得以量化表征，为理解散斑场与位移的关联提供了理论依据。
位移检测联合学习方法
与传统散斑相似度比较方法相比，深度学习算法展现出显著优势。在目标结构变化的情况下，传统方法失效而VGG网络仍能保持高精度识别。通过为同一位移下的不同结构图案分配相同标签，网络学会了建立散斑场与位移之间的本质联系，实现了对多变探测环境的适应能力。
晶圆和不同金属的检测
在实际应用验证中，系统对晶圆位移测量的精度达到99.95%。更令人印象深刻的是，通过联合学习（joint learning）策略，系统不仅能适应光纤不同弯曲状态（弯曲半径5-10厘米），还能同时对四种不同金属材料（红铜、黄铜、铝和不锈钢）进行位移测量和材料识别，准确率均达到100%，展现了在多任务处理方面的强大潜力。
散斑采样与极端压缩比
针对深度学习通常需要大量数据的问题，研究人员探索了散斑场的压缩采样策略。即使将散斑裁剪压缩至4×4像素（仅占全部像素的0.00315%），位移识别精度仍能达到91.6%。这种极端压缩能力显著降低了计算成本，使系统在资源受限环境下也能高效运行。
光纤探针的图像重建
最后，研究团队通过逆传输矩阵优化网络实现了同时进行位移测量和图像重建的功能。系统在完成自然场景灰度图像训练后，能够重建数字、字母等未见过的图案类型，平均结构相似性（SSIM）达到0.64，证明了其在复杂成像任务中的泛化能力。
这项研究的真正突破在于将多种先进技术有机整合到一个微型化平台中。通过物理模型的深入解析、深度学习算法的创新应用以及精密光纤器件的制备，团队成功解决了原位纳米测量的核心难题。特别值得关注的是系统展现出的多重适应性：既能适应不同的光纤弯曲状态，又能处理多种材料目标；既能在极端数据压缩下保持性能，又能同时完成位移测量和成像任务。
在讨论部分，作者指出该系统目前已在2毫米范围内验证了检测能力，在10纳米分辨率下对100个位移组的识别平均精度达到97.8%。随着计算单元的升级，系统有望在更大范围内保持纳米级分辨率。此外，通过位移-逆传输矩阵库（DITML）的构建，系统能够根据识别的位移选择最优重建矩阵，进一步提升成像质量。
这项技术的应用前景十分广阔。在半导体制造领域，它可为光刻机提供精确的晶圆定位和掩模对准；在生物医学领域，其微型化特性适合用于深脑神经观测和微创手术导航；在精密制造中，则可实现对微纳结构三维形貌的重建。更重要的是，研究中观察到的超振荡散斑现象可能普遍存在于类似散射特性的复杂介质中，为其他领域的超衍射极限测量提供了新思路。
研究人员相信，随着进一步的发展，这种多模光纤"尺子"有望与超表面技术结合，实现纵向和横向位移的同步测量，最终完成真正的三维微纳表面形貌重建。这项研究不仅展示了一种新型计量工具，更开辟了基于散射介质和人工智能的精密测量新范式，为未来纳米科技和生物医学研究提供了强大的技术支撑。
