view in publisher's site

Design of high-performance plasmonic nanosensors by particle swarm optimization algorithm combined with machine learning

Metallic plasmonic nanosensors that are ultra-sensitive, label-free, and operate in real time hold great promise in the field of chemical and biological research. Conventionally, the design of these nanostructures has strongly relied on time-consuming electromagnetic simulations that iteratively solve Maxwell's equations to scan multi-dimensional parameter space until the desired sensing performance is attained. Here, we propose an algorithm based on particle swarm optimization (PSO), which in combination with a machine learning (ML) model, is used to design plasmonic sensors. The ML model is trained with the geometric structure and sensing performance of the plasmonic sensor to accurately capture the geometry-sensing performance relationships, and the well-trained ML model is then applied to the PSO algorithm to obtain the plasmonic structure with the desired sensing performance. Using the trained ML model to predict the sensing performance instead of using complex electromagnetic calculation methods allows the PSO algorithm to optimize the solutions fours orders of magnitude faster. Implementation of this composite algorithm enabled us to quickly and accurately realize a nanoridge plasmonic sensor with sensitivity as high as 142,500 nm/RIU. We expect this efficient and accurate approach to pave the way for the design of nanophotonic devices in future.

طراحی نانو سنسورهای پلاسمونی با کارایی بالا با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات همراه با یادگیری ماشین

نانو سنسورهای پلاسمونی فلزی که بسیار حساس، بدون برچسب هستند و در زمان واقعی عمل می‌کنند، در زمینه تحقیقات شیمیایی و بیولوژیکی، وعده بزرگی دارند. به طور معمول، طراحی این نانو ساختارها به شدت به شبیه‌سازی‌های الکترومغناطیسی زمان بر وابسته است که به طور مکرر معادلات مکسول را برای اسکن فضای پارامتر چند بعدی تا رسیدن به عملکرد سنجش مطلوب حل می‌کند. در اینجا، ما یک الگوریتم براساس بهینه‌سازی ازدحام ذرات (PSO)پیشنهاد می‌کنیم، که در ترکیب با یک مدل یادگیری ماشین (ML)، برای طراحی سنسورهای پلاسمونیک استفاده می‌شود. مدل ML با ساختار هندسی و عملکرد حس کردن سنسور پلاسمونیک برای ضبط دقیق روابط عملکرد حس کردن هندسه آموزش داده می‌شود، و سپس مدل ML به خوبی آموزش‌دیده به الگوریتم PSO برای به دست آوردن ساختار پلاسمونیک با عملکرد حس کردن مطلوب اعمال می‌شود. استفاده از مدل ML آموزشدیده برای پیش‌بینی عملکرد حسی به جای استفاده از روش‌های محاسبات الکترومغناطیسی پیچیده به الگوریتم PSO اجازه می‌دهد تا راه‌حل‌ها را سریع‌تر بهینه‌سازی کند. اجرای این الگوریتم ترکیبی ما را قادر ساخت تا به سرعت و دقت یک سنسور پلاسمونی نانو ریج با حساسیت ۱۴۲۵۰۰ nm / riU را تشخیص دهیم. ما انتظار داریم که این رویکرد کارآمد و دقیق، راه را برای طراحی ابزارهای نانو هتونیک در آینده هموار سازد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Mechanical Engineering
  • ترجمه مقاله Mechanical Engineering
  • مقاله مهندسی مکانیک
  • ترجمه مقاله مهندسی مکانیک
  • مقاله Electrical and Electronic Engineering
  • ترجمه مقاله Electrical and Electronic Engineering
  • مقاله مهندسی برق و الکترونیک
  • ترجمه مقاله مهندسی برق و الکترونیک
  • مقاله General Materials Science
  • ترجمه مقاله General Materials Science
  • مقاله علوم مواد عمومی
  • ترجمه مقاله علوم مواد عمومی
  • مقاله General Chemistry
  • ترجمه مقاله General Chemistry
  • مقاله شیمی عمومی
  • ترجمه مقاله شیمی عمومی
  • مقاله Mechanics of Materials
  • ترجمه مقاله Mechanics of Materials
  • مقاله مکانیک مواد
  • ترجمه مقاله مکانیک مواد
  • مقاله Bioengineering
  • ترجمه مقاله Bioengineering
  • مقاله مهندسی زیستی
  • ترجمه مقاله مهندسی زیستی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.