[论文解读] 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 6

一句话总结

本文提出一种基于人工智能的算法，利用机器学习自动实现光子晶体光纤表面等离子体共振（PCF-SPR）传感器设计中的模式分类，将手动仿真时间减少约75分钟。该算法通过七个性能指标选择最优模式，其中支持向量机（SVM）在相位匹配设计中实现96%的准确率和5500 nm/RIU的灵敏度。

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.

研究动机与目标

• 减少在PCF-SPR传感器仿真中选择最优模式的手动工作量。
• 利用人工智能自动化PCF-SPR传感器设计中的模式分类过程。
• 评估机器学习与深度学习模型在模式选择中的最优性能。
• 增强传感器设计对几何参数变化的鲁棒性。
• 开发可重用的人工智能模块，用于集成到仿真软件或学术代码中。

提出的方法

• 该人工智能算法评估了八种标准机器学习模型和一种深度学习模型在PCF-SPR传感器模式分类中的表现。
• 使用COMSOL Multiphysics仿真PCF-SPR传感器的几何结构并提取模式数据。
• 采用七个性能指标——精确率、召回率、准确率、F1-Score、特异性以及皮尔逊相关系数（MCC）——对模型性能进行排序。
• 基于所有指标的多准则优化，选择性能最佳的模型。
• 对最优设计进行相位匹配验证，并在折射率范围（1.37–1.41）内评估其灵敏度。
• 该人工智能模型设计为可作为模块集成到商业软件或学术仿真代码中。

实验结果

研究问题

• RQ1 在PCF-SPR传感器仿真中，哪种机器学习模型在分类目标模式方面表现最佳？
• RQ2 与人工专家评审相比，该人工智能算法如何提升模式选择的效率与准确性？
• RQ3 在相位匹配条件下，所提出的PCF-SPR传感器设计的灵敏度与分辨率如何？
• RQ4 AI所选模式对传感器几何结构变化的鲁棒性如何？
• RQ5 该人工智能算法能否推广至PCF-SPR以外的其他光子学传感器几何结构？

主要发现

• 支持向量机（SVM）模型被选为最优模型，在模式分类中实现96%的准确率和95.83%的F1-Score。
• 最佳模型的皮尔逊相关系数（MCC）达到92.30%，表明预测结果具有高度一致性。
• 所提出的PCF-SPR传感器设计在折射率范围1.37–1.41内表现出5500 nm/RIU的灵敏度。
• 传感器分辨率为2.0498×10⁻⁵ RIU⁻¹，表明具备高检测能力。
• 与手动仿真和选择相比，该人工智能算法将整个设计流程时间减少了约75分钟。
• 该算法对传感器设计中的几何参数变化表现出鲁棒性，支持在多种配置下保持可靠性能。