.png){kind=icon}
返回
Enhancing multiparametric optical biosensing with AI: a Python-based FDTD/ML framework for spectral feature extraction and optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/s00340-025-08570-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
光学传感器研究因依赖单参数测量和实验数据匮乏而面临显著局限性。本研究引入先进的基于物理的框架，采用严谨的时域有限差分（FDTD）模拟分析光学光栅结构中的电磁波传播。系统生成了包含11个参数的5000组模拟数据的全面数据集，该数据集高度模拟实验条件并填补了生物传感器数据的关键空白。在超越传统峰值波长分析的基础上，通过基于Python的后处理算法提取了包括半高全宽（FWHM）、峰值反射率和积分光谱面积在内的多种光谱特征。高级数据可视化揭示了非平凡灵敏度模式，尤其突出了在折射率n=2.500时100 nm分析物层的增强性能。采用多层感知器（MLP）的机器学习（ML）方法建立了一种新的测量范式，实现了卓越的预测精度（波长R²=0.9992，FWHM R²=0.9546），表明多参数分析显著优于传统方法。该方法论可通过特征工程扩展至多样化的光学传感器架构，而公开的数据集为未来的计算光子学和智能传感器设计奠定了基础。本研究创新性地整合了基于物理的模拟、数据生成/处理、高级可视化和机器学习，得益于Python的计算能力和物理洞察力。与通常依赖实验数据优化或有限数值模拟的光子学传统AI应用不同，本研究通过整合大规模FDTD生成的数据集与机器学习，建立了一种新型范式，实现了传统方法无法企及的全面多参数光谱分析。
Keyword:
Optical biosensors
Experimentally-validated FDTD simulations
Machine learning in photonics
Multiparametric spectral analysis
Physics informed ML
Open photonics datasets
期刊
A
IF:
2
论文数:
25
被引数:
9.6K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容