近年来，随着人们对不同分子混合物对环境影响的认识不断加深，实时分子检测和分析在健康和环境监测中受到了越来越多的关注。分子识别和传感的研究也在不断增加，但由于分子的种类繁多和结构复杂，分子识别面临着巨大的挑战。目前的分子检测技术，如吸收光谱、拉曼光谱和传统的表面等离子体共振（SPR）折射率传感，虽然在获取大量分子信息方面发挥了重要作用，但在自动编码、自动识别的混合物分析方面仍存在局限性。亟需高效简洁的实时检测技术来解决这些问题。

在这一背景下，回音壁模式（WGM）因其高品质因子、超低损耗、超长光子寿命、超高腔内功率和强度等优点，成为分子分析领域的新兴技术。WGM传感能够将光与物质相互作用放大至10^5倍，大大增强了传感性能。然而，由于采用光纤或棱镜耦合器，许多传统WGM微腔传感器在应用于柔性传感器方面存在技术难题。为了克服这些局限性，研究人员开发了掺染染料的高品质光学微腔，实现了在亚微米到微米大小的WGM结构中直接产生WGM激光。这些技术目前已应用于细胞内激光传感、细胞标记、温度检测和pH监测等领域，并通过微滴激光阵列检测大肠杆菌的动态变化。此外，各种WGM传感器通过检测WGM光谱变化来测量分子浓度，显著提升了传感性能。

尽管多模WGM光谱在传感实验中具有潜在的灵敏度和分辨率，但在实际应用中仍存在一些局限性，传统WGM传感器大多对折射率信号响应，因此它们在量化样品浓度时通常无法区分不同类型的物质。为了克服这些问题，本工作提出了通过监测表面功能化微球阵列中多模式WGM光谱的变化来获取物质信息的新方法。将特异性包覆的微球排列在PDMS微流控芯片中，在检测时可以收集具有不同光谱特征的多模式WGM光谱。通过收集WGM微球激光的不同发射光谱，可以得到一组具有相同分子浓度的WGM光谱数据，并将此光谱转化为编码信息更丰富、识别精度更高的灰度值二维码（GV-QR码）。基于这些WGM光谱数据阵列和所生成的GV-QR码，本工作开发了一种基于深度学习的GV-QR码自动编码和识别技术。由于从特定薄膜涂层微球中获得的多模式WGM光谱信息更加丰富，GV-QR码能够识别混合分子。GV-QR与传统条形码相比，具有更高的信息密度和更高的识别可靠性。

本工作介绍了一种基于微球阵列激光的化学蒸汽传感系统，通过开发OVEMAC、PAOX、PECH、ABCD和OV210五种具有特异性涂覆层的微球阵列，有效解决了传统折射率传感器在特异性方面的不足。该技术首次提出将阵列激光光谱转化为二维码，利用微流控芯片快速获得不同浓度和种类蒸汽的GV-QR码信号，结合机器学习技术，实现了高精度和信息丰富的编码与识别功能。通过对数据样本进行学习，我们训练了一个ANN，在DEC、ISO、TOL、TBP、BTL五种蒸汽的混合体系中，实现了小于0.5%的检测误差，展现了该技术在精确检测和识别蒸汽混合物中的潜力。GV-QR码技术因其大容量编码、高准确度和快速响应能力，有望在物联网、健康和环境监测等多个领域发挥重要作用。

图 混合蒸汽GV-QR码自动编码和识别的机器学习方法。a) 混合蒸汽识别的机器学习示意图。b) 人工神经网络的结构。c) 基于GV-QR码识别的混合蒸汽识别示例。d) 测试能力评估：对应十组测试数据的误差值。

该工作被发表在 “Hongrui Shan, Qiheng Wei, Hailang Dai, Xueqian Wang, Hong Yang, and Xianfeng Chen, Quick response auto-coding and recognition via microlaser array, Laser & Photonics Reviews, 2400268 (2024)”.

原文链接: https://onlinelibrary.wiley.com/doi/10.1002/lpor.202400268