机器学习增强的表面等离子体共振基于光子晶体纤维传感器.
Optics express
|June 11, 2024
概括
这项研究介绍了一种使用表面等离子体共振和金纳米线的新型光子晶体纤维传感器. 机器学习准确地预测传感器性能,实现高灵敏度的折射率传感.
科学领域:
- 光电学是指光电子产品.
- 纳米技术纳米技术
- 传感器技术 传感器技术
背景情况:
- 表面等离子共振 (SPR) 是一种强大的传感技术.
- 光子晶体纤维 (PCF) 具有独特的限制光的特性.
- 将SPR与PCF集成,可以提高传感能力.
研究的目的:
- 用金纳米线引入一种新的光子晶体纤维传感器,具有增强的SPR功能.
- 使用机器学习 (人工神经网络 - ANN) 来预测传感器性能指标.
- 为了评估传感器的灵敏度和ANN模型的预测准确度.
主要方法:
- 制造一个光子晶体纤维传感器与四个金纳米线.
- 使用表面等离子共振 (SPR) 原理进行传感.
- 应用人工神经网络 (ANN) 来根据传感器参数预测受限损失和灵敏度.
主要成果:
- 在预测传感器输出时,ANN模型实现了高准确度,平均平方误差低 (0.084,0.002,0.003).
- 传感器表现出显著的波长灵敏度,范围从2000-18000nm/RIU到1.31-1.4.4之间的折射率.
- 记录了889.89 RIU^-1的最大幅度灵敏度.
结论:
- 与金纳米线集成的新型PCF-SPR传感器展示了出色的传感性能.
- 机器学习 (ANN) 为预测光学传感器输出提供了一种可靠和高效的方法.
- 这种方法突出了结合先进材料,光学传感和人工智能的潜力,用于下一代传感器设计.
