Light首次发表:动量空间穆勒矩阵偏振测量,破解纳米手性结构表征难题

前言

近日,来自瑞士洛桑联邦理工学院(EPFL)的Olivier J. F. Martin教授团队在《Light: Science & Applications》期刊上发表研究论文(https://doi.org/10.1038/s41377-026-02336-z)。该研究提出了一种基于傅里叶域穆勒矩阵的偏振成像平台,首次实现对纳米结构中手性光学响应的高分辨率、动量分辨全偏振表征,成功解耦了圆二色性与圆双折射,并展示了其在分子手性传感中的巨大应用潜力。

核心内容

1.提出动量空间穆勒矩阵偏振测量平台

研究团队搭建了一套暗场傅里叶域偏振成像系统,能够获取样品在动量空间(k-space)中的完整4×4穆勒矩阵。该矩阵不仅包含样品的偏振转换、退偏特性,还能分离出线性与圆形各向异性效应。

2.成功解耦圆二色性与圆双折射

通过对金"gammadion"纳米阵列的研究,作者发现:

M14/M41元素代表圆二色性(CDA),反映材料对左/右旋圆偏振光的差异性响应;

M23/M32元素代表圆双折射(CB),反映相位延迟差异;

二者在动量空间中表现出不同的空间分布,分别对应于多极子模式的实部与虚部贡献。

3.揭示结构与厚度对手性响应的调控机制

研究发现,随着纳米结构厚度从50nm增加到150nm,圆二色性与圆双折射强度显著增强。即使是50nm厚、传统CD光谱难以检测的结构,动量空间偏振法仍能清晰分辨其微弱手性信号。

4.实现手性分子传感与对映体识别

对L型和R型gammadion结构进行对比,发现其CDA和CB图像符号完全相反,而线性偏振响应保持不变,证明了穆勒矩阵对结构手性的特异性识别能力。

将L-半胱氨酸和D-半胱氨酸吸附在结构表面后,CDA变化量(ΔCDA)符号相反,成功实现对映体的无标记识别。

进一步实验表明,ΔCDA随分子浓度变化(1μM至10mM)具有良好的浓度依赖性,展现出优异的传感灵敏度。

研究意义

1.为手性表征提供了"全息"视角

传统方法只能测量"平均手性",而这项技术可以看到不同角度下手性信号的强弱变化,从而揭示内部多极子共振模式与手性之间的物理联系。

2.线性与圆形效应成功"解耦"

这是手性光学测量中长期存在的难题。通过穆勒矩阵不同元素的对称/反对称特性,该研究实现了两种效应的明确分离,为后续研究建立了标准化框架。

3.开辟了无标记手性传感新路径

无需荧光标记,仅通过偏振散射信号的变化即可区分分子手性。这对药物筛选、生物标志物检测、食品安全等领域具有重要应用价值。

4.平台兼容性强,可拓展

该方法不仅适用于金质卍形结构,也可推广至其他手性超表面、介电纳米结构或二维材料系统。

图1:等离激元"卍"形纳米阵列的动量域偏振响应

图2:卍形纳米结构手性光学响应与非均匀偏振散射的数值研究

图3:测得的与卍形纳米阵列相对应的傅里叶域偏振穆勒矩阵

图4:卍形纳米结构厚度依赖的手性光学响应

图5:用于结构对映体表征与手性分子无标记检测的动量空间偏振测量

图6:金质卍形纳米阵列几何参数示意图(周期、臂长𝑙1,𝑙2,𝑙3和厚度𝑡)

【注】小编水平有限,若有误,请联系修改;若侵权,请联系删除!

相关推荐
编程圈子3 分钟前
电机驱动开发学习19. 霍尔 BLDC 三段式 FOC 启动算法
驱动开发·学习·算法
Hello_Damon_Nikola8 分钟前
伺服电机堵转检测算法详解
单片机·嵌入式硬件·算法
迷茫中的自我10 分钟前
KMP全栈开发:从Android到AI Agent的技术演进与实践
android·人工智能
龍德明宇11 分钟前
Emu3的「阳谋」:当AI不再「看」图,它还剩下什么?-龍德明宇
人工智能·大语言模型llm·负主体性·ai存在论
糖果店的幽灵11 分钟前
WorkBuddy + 好提示词 = 生产力。43 个场景,复制就能用
人工智能·langgraph
硅谷秋水14 分钟前
ABot-M0.5:统一的移动-与-操作世界动作模型
人工智能·深度学习·机器学习·计算机视觉·语言模型·机器人
AI大模型-小华19 分钟前
Codex 为什么越用越慢?大型项目中的上下文管理与方案选择
人工智能·chatgpt·软件开发·codex·开发效率·chatgpt plus·chatgpt pro
D2020202027 分钟前
TikTok达人履约乱象?达秘带你拆解供需权力关系错位的本质
大数据·人工智能
Rocky Ding*27 分钟前
一文读懂Kimi k1.5大模型核心基础知识
论文阅读·人工智能·深度学习·机器学习·aigc·ai-native·kimi k1.5
MartinYeung534 分钟前
[论文学习]LLM 中的个性化安全:一个基准测试与基于规划的智能体方法
人工智能·学习·安全