[논문 리뷰] AI Algorithm for Mode Classification of PCF SPR Sensor Design

Prasunika Khare, Mayank Goswami|arXiv (Cornell University)|2021. 07. 09.

Advanced Fiber Optic Sensors인용 수 6

한 줄 요약

이 논문은 인공지능 기반 알고리즘을 제안하여 기계 학습을 활용해 광결정 섬유 표면 플라즈몬 공 resonance (PCF-SPR) 센서 설계에서 모드 분류를 자동화하며, 수동 시뮬레이션 시간을 약 75분 감소시킵니다. 알고리즘은 일곱 가지 성능 지표를 통해 최적의 모드를 선택하며, 서포트 벡터 머신(SVM)이 96% 정확도와 5500 nm/RIU 감도를 기록했습니다. 단일 위상 일치 설계에서 성능을 보였습니다.

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.

연구 동기 및 목표

• PCF-SPR 센서 시뮬레이션에서 최적의 모드를 선택하는 데 필요한 수동 작업을 줄이기 위해.
• 인공지능을 활용해 PCF-SPR 센서 설계에서 모드 분류 과정을 자동화하기 위해.
• 모드 선택에서 최적의 성능을 내는 기계 학습 및 딥 러닝 모델을 평가하기 위해.
• 기하학적 변형에 대한 센서 설계의 강건성을 향상시키기 위해.
• 상용 소프트웨어나 학술 시뮬레이션 코드에 통합 가능한 재사용 가능한 AI 모듈을 개발하기 위해.

제안 방법

• AI 알고리즘은 PCF-SPR 센서의 모드 분류를 위해 여덟 가지 표준 기계 학습 모델과 하나의 딥 러닝 모델을 평가합니다.
• COMSOL Multiphysics를 사용해 PCF-SPR 센서 기하 구조를 시뮬레이션하고 모드 데이터를 추출합니다.
• 일곱 가지 성능 지표인 정밀도(Precision), 재현율(Recall), 정확도(Accuracy), F1-스코어, 특이도(Specificity), 그리고 매튜 상관계수(MCC)를 사용해 모델 성능을 순위 매깁니다.
• 모든 지표에 걸쳐 다기준 최적화를 수행하여 가장 우수한 성능을 보이는 모델을 선택합니다.
• 최적의 설계는 위상 일치 조건과 함께 굴절률 범위(1.37–1.41)에서 감도를 검증합니다.
• AI 모델은 상용 소프트웨어나 학술 시뮬레이션 코드에 모듈로 통합될 수 있도록 설계되었습니다.

실험 결과

연구 질문

• RQ1 PCF-SPR 센서 시뮬레이션에서 원하는 모드를 분류하는 데 가장 우수한 성능를 보이는 기계 학습 모델은 무엇인가요?
• RQ2 AI 알고리즘이 수동 전문가 검토에 비해 모드 선택의 효율성과 정확도를 어떻게 향상시키나요?
• RQ3 위상 일치 조건 하에서 제안된 PCF-SPR 센서 설계의 감도와 분辨도는 얼마인가요?
• RQ4 AI로 선택된 모델은 센서 기하 구조의 변형에 얼마나 강건한가요?
• RQ5 AI 알고리즘은 PCF-SPR를 초월한 다른 광학 센서 기하 구조로 일반화될 수 있나요?

주요 결과

• 최적의 모델로 서포트 벡터 머신(SVM)이 선정되었으며, 모드 분류에서 96% 정확도와 95.83% F1-스코어를 기록했습니다.
• 최고의 모델에서 매튜 상관계수(MCC)는 92.30%에 도달하여 강력한 예측 일致를 나타냈습니다.
• 제안된 PCF-SPR 센서 설계는 굴절률 범위 1.37–1.41에서 감도가 5500 nm/RIU였습니다.
• 센서의 분辨도는 2.0498×10⁻⁵ RIU⁻¹로, 높은 감지 능력을 나타내었습니다.
• AI 알고리즘이 수동 시뮬레이션 및 선택에 비해 총 설계 프로세스 시간을 약 75분 감소시켰습니다.
• 알고리즘은 센서 설계의 기하학적 변형에 대해 강건성을 보이며, 다양한 구성에서도 신뢰할 수 있는 성능을 유지했습니다.