用于PCF SPR传感器设计模式分类的人工智能算法

基于表面等离子体共振现象的 photonic crystal fiber（PCF SPR）设计在针对特定应用制造前需进行优化。本文评估了一种人工智能算法，以降低普通用户仿真过程的难度。使用了COMSOL MultiPhysics。该算法在八种标准机器学习和一种深度学习模型中推荐最优者，以自动选择专家原本靠视觉选取的目标模式。共采用七项性能指标：精确率、召回率、准确率、F1分数、特异度、马修斯相关系数，以作出最优决策。对传感器几何设计变化的鲁棒性也作为最优参数加以考虑。测试了多种基于PCF-SPR的光子传感器设计，并提出了一种大范围最优（基于相位匹配）设计。对于该设计，算法选择支持向量机（SVM）为最佳选项，准确率为96%，F1分数为95.83%，MCC为92.30%。所提传感器设计相对于折射率变化（1.37-1.41）的平均灵敏度为5500 nm/RIU。分辨率为2.0498x10^(-5) RIU^(-1)。该算法可作为附加组件集成至商业软件，或作为学术代码中的模块。这一新颖步骤在整个设计过程中节省了约75分钟。本工作同样适用于PCF-SPR以外传感几何的模式选择。