Фотонные газовые сенсоры на основе кремниевой фотоники обеспечивают безмаркерное, высокочувствительное и селективное обнаружение газов в реальном времени, однако традиционное проектирование требует огромных вычислительных ресурсов из-за многократных электромагнитных симуляций (FDTD, FEM и др.).
Авторы предложили гибридный фреймворк машинного обучения для полностью автоматизированного обратного проектирования полимер-наполненных щелевых решёток Брэгга (polymer-filled slot Bragg gratings, PSBG).
Модель объединяет искусственные нейронные сети (оптимизированные с помощью Optuna) и мощный стекинг-ансамбль из нескольких алгоритмов: gradient boosting, random forest, XGBoost и ridge regression.
Применяется физически-информированная предобработка данных, включая полиномиальное расширение признаков и специальное кодирование типов газов (CO₂ и CH₄).
Модель принимает на вход желаемые спектральные характеристики (положение резонанса, ширина, глубина провала и др.) и мгновенно выдаёт оптимальные геометрические параметры: период решётки, глубина травления, ширина гребня, высота щелевой структуры.
Пройдена валидация на 1045 примерах, показав коэффициент детерминации R² > 0,99 по всем параметрам. Это полностью исключает необходимость повторных трудоёмких симуляций и ускоряет процесс проектирования в десятки и сотни раз
Преимущества и применения:
Фреймворк радикально ускоряет разработку и позволяет быстро адаптировать сенсоры под разные газы, концентрации и условия окружающей среды.
Технология применима в экологическом мониторинге, промышленной безопасности, медицине (анализ выдыхаемого воздуха), сельском хозяйстве и интегральных фотонных платформах для IoT-устройств.
Подход масштабируем и может быть расширен на другие фотонные структуры.
Accelerating photonic gas sensor design: machine learning-driven inverse optimization of silicon photonics Bragg gratings
Авторы: Maira Khafagy, Merna Khafagy, Mohamed A. Swillam (American University in Cairo, Египет).
Журнал: Scientific Reports, 7 апреля 2026.