[論文レビュー] AI Algorithm for Mode Classification of PCF SPR Sensor Design

Prasunika Khare, Mayank Goswami|arXiv (Cornell University)|Jul 9, 2021

Advanced Fiber Optic Sensors被引用数 6

ひとこと要約

本論文は、機械学習を用いたAI駆動のアルゴリズムを提案し、フォトニッククリスタルファイバー表面プラズモン共鳴（PCF-SPR）センサーデザインにおけるモード分類を自動化することで、手動シミュレーション時間を約75分短縮する。アルゴリズムは7つの性能指標を用いて最適モードを選択し、サポートベクターマシン（SVM）が96％の正確性と5500 nm/RIUの感度を達成したフェーズマッチド設計で高い性能を示した。

ABSTRACT

Photonic Crystal Fiber design based on surface plasmon resonance phenomenon (PCF SPR) is optimized before it is fabricated for a particular application. An artificial intelligence algorithm is evaluated here to increase the ease of the simulation process for common users. COMSOL MultiPhysics is used. The algorithm suggests best among eight standard machine learning and one deep learning model to automatically select the desired mode, chosen visually by the experts otherwise. Total seven performance indices: namely Precision, Recall, Accuracy, F1-Score, Specificity, Matthew correlation coefficient, are utilized to make the optimal decision. Robustness towards variations in sensor geometry design is also considered as an optimal parameter. Several PCF-SPR based Photonic sensor designs are tested, and a large range optimal (based on phase matching) design is proposed. For this design algorithm has selected Support Vector Machine (SVM) as the best option with an accuracy of 96%, F1-Score is 95.83%, and MCC of 92.30%. The average sensitivity of the proposed sensor design with respect to change in refractive index (1.37-1.41) is 5500 nm/RIU. Resolution is 2.0498x10^(-5) RIU^(-1). The algorithm can be integrated into commercial software as an add-on or as a module in academic codes. The proposed novel step has saved approximately 75 minutes in the overall design process. The present work is equally applicable for mode selection of sensor other than PCF-SPR sensing geometries.

研究の動機と目的

• PCF-SPRセンサーシミュレーションにおける最適モード選択にかかる手作業の負荷を低減すること。
• 人工知能を用いてPCF-SPRセンサーデザインにおけるモード分類プロセスを自動化すること。
• 最適な性能を達成するための機械学習およびディープラーニングモデルの評価を行うこと。
• 幾何的変動に対して強いセンサーデザインの耐性を高めること。
• 商用ソフトウェアや学術的シミュレーションコードへの統合を想定した再利用可能なAIモジュールの開発すること。

提案手法

• AIアルゴリズムは、PCF-SPRセンサーにおけるモード分類のため、8つの標準的な機械学習モデルと1つのディープラーニングモデルを評価する。
• COMSOL Multiphysicsを用いてPCF-SPRセンサージオメトリとモードデータをシミュレートする。
• 精度、再現率、適合率、F1スコア、特異度、およびマシューフェアコefficient（MCC）の7つの性能指標を用いて、モデルの性能を順位付けする。
• すべての指標にわたる多基準最適化に基づき、最も優れた性能を示すモデルを選択する。
• 最適設計は、屈折率範囲（1.37–1.41）におけるフェーズマッチングおよび感度について検証される。
• AIモデルは、商用ソフトウェアや学術的シミュレーションコードへのモジュール統合を想定して設計されている。

実験結果

リサーチクエスチョン

• RQ1 PCF-SPRセンサーシミュレーションにおいて、どの機械学習モデルが望ましいモードの分類で最も優れた性能を示すか？
• RQ2 AIアルゴリズムは、熟練した専門家による手動レビューと比較して、モード選択の効率性と正確性をどのように向上させるか？
• RQ3 フェーズマッチド条件下での提案されたPCF-SPRセンサーデザインの感度と分解能は何か？
• RQ4 AIで選択されたモデルは、センサージオメトリの変動に対してどれほど頑健か？
• RQ5 AIアルゴリズムは、PCF-SPRを越えた他のフォトニクスセンサージオメトリにも一般化可能か？

主な発見

• 最適モデルとしてサポートベクターマシン（SVM）が選択され、モード分類において96％の正確性と95.83％のF1スコアを達成した。
• 最良モデルのマシューフェアコefficient（MCC）は92.30％に達し、予測の一致度が非常に高いことを示した。
• 提案されたPCF-SPRセンサーデザインは、屈折率範囲1.37–1.41において5500 nm/RIUの感度を示した。
• センサの分解能は2.0498×10⁻⁵ RIU⁻¹であり、高い検出能力を示した。
• AIアルゴリズムにより、手動シミュレーションと選択に比べて合計設計プロセス時間が約75分短縮された。
• アルゴリズムはセンサージオメトリの変動に対して頑健であることが示され、多様な構成においても信頼性の高い性能を発揮した。