基于机器学习的优化单一金质等离子传感器:通过可解释的线性模型实现超高灵敏度
Sonia Akter1, Hasan Abdullah1,2
1Bangladesh Army International University of Science and Technology (BAIUST), Cumilla, Bangladesh.
PloS one
|March 13, 2026
概括
这项研究将机器学习与光子晶体纤维传感器相结合,用于先进的生物传感. 优化的金传感器和ML算法在检测生物分析物中实现了高灵敏度和精度.
科学领域:
- 纳米光子学 纳米光子学
- 生物感应是一种生物感应.
- 机器学习 机器学习
背景情况:
- 表面等离子体共振 (SPR) 生物传感提供高灵敏度,但在性能优化和数据解释方面面临挑战.
- 将先进的计算框架与新型传感器设计相结合,对于提高生物传感能力至关重要.
研究的目的:
- 通过与机器学习 (ML) 计算框架共同设计一个金涂光子晶纤维 (PCF-SPR) 传感器来开发一个高度敏感和准确的SPR生物传感器.
- 评估不同ML回归模型的性能,以预测PCF-SPR传感器的光学响应.
主要方法:
- 一个不对称的圆形光子晶体纤维 (PCF) 与50纳米黄金涂层被设计来最大限度地提高 evanescent场-analyte相互作用.
- COMSOL多物理模拟生成了折射率变化 (1.33-1.38) 的合成数据,捕获了关键光学参数.
- 采用多重线性回归 (MLR),支向量回归 (SVR) 和随机森林回归 (RFR) 模型,并对预测精度进行了比较.
主要成果:
- PCF-SPR传感器实现了创纪录的波长灵敏度为31,846.46nm/RIU,在生物折射率范围内的变化最小 (0.02%).
- 演示了RIU的[公式:参见文本]分辨率,表明分析物检测的高精度.
- 多重线性回归 (MLR) 的表现优于非线性模型,在预测受限损失 (MAE = 3.97,RMSE = 5.03) 和灵敏度 (MAE = 40.18,RMSE = 50.54) 中表现出更高的准确性.
结论:
- 优化黄金微结构和可解释机器学习的协同集成为高灵敏度,抗噪声生物传感提供了强大的管道.
- 这种方法在关键性能指标上超越了以前的ML增强等离子体传感器,同时简化了传感器制造.
- 开发的框架为先进的生物传感应用建立了一个新的基准.
