PreOBP_ML:用于预测光学生物传感器参数的机器学习算法

科学领域:

• 光子学和生物传感技术
• 计算机建模 计算建模

背景情况:

• 光学生物传感器的开发主要依赖于耗时的模拟.
• 关键性能指标,如有效指数和功率分数,对于传感器评估至关重要.

研究的目的:

• 探索用于加速光学生物传感器设计的机器学习 (ML) 方法.
• 使用ML模型预测关键的光学传感器参数.
• 为了比较各种回归技术在此应用中的有效性.

主要方法:

• 应用机器学习回归模型:最小平方 (LS),LASSO,弹性网 (ENet) 和贝叶斯回归 (BRR).
• 利用了COMSOL多物理模拟数据,以核心半径,覆盖半径,距离,分析物和波长作为输入向量.
• 使用R2分数,平均误差 (MAE) 和平均平方误差 (MSE) 对模型性能进行了比较分析.

主要成果:

• 所有的ML模型都实现了超过0.99的R2得分,证明了高预测准确度.
• 开发的模型预测了光学生物传感器参数,设计错误率低于3%.
• 使用预测和模拟数据分析了灵敏度,功率分数和限制损失.

结论:

• 机器学习为光学生物传感器开发提供了传统模拟方法的可行和高效的替代方案.
• 该研究验证了ML用于准确预测光学传感器性能指标的使用.
• 这项研究通过基于机器学习的方法促进了光学生物传感器的更快的优化和改进设计.