片上纳米光子波导传感器是一种前景广阔的气体检测解决方案，主要利用中红外（MIR）波段的吸收“指纹”来实现气体混合物的微型化和无标记检测。然而，由于吸收光谱的重叠，有机气体混合物的定量检测和分析仍然颇具挑战且目前研究报道较少。
据麦姆斯咨询报道，近日，新加坡国立大学（National University of Singapore）的科研团队提出了一种人工智能（AI）辅助波导“光子鼻”，可作为中红外气体混合物分析的增强传感平台。该传感器采用亚波长光栅（SWG）包层支撑波导设计和机器学习算法，可从任意混合比例的二元有机气体混合物中区分其中红外吸收光谱，并将其分解为用于浓度预测的单组分光谱。
这项研究证实了中红外波导平台在多种有机气体组分的分析方面具有更广泛的检测和分析能力，有助于实现中红外片上光谱分析。相关研究内容以“Artificial Intelligence-Enhanced Waveguide “Photonic Nose”- Augmented Sensing Platform for VOC Gases in Mid-Infrared”为主题发表于Small期刊。该论文的第一作者为Xinmiao Liu，通讯作者为Chengkuo Lee。
这项研究提出的用于气体混合物光谱的人工智能增强悬浮波导平台的工作原理如图1所示。中红外光首先通过光纤与光栅耦合器对耦合到SWG包层支撑的悬浮波导平台，然后穿过1 cm长的螺旋波导区域，在这里气体分子与波导顶部和底部的光倏逝场相互作用。随后，中红外光信号通过另一组光纤-光栅耦合器（GC）对耦合出芯片并进入商用光电探测器。通过扫描波长，光电探测器可以利用输出光栅耦合器-光纤对捕获气体混合物中包含不同吸收信息的中红外光谱信息。最后将收集到的数据发送至芯片外的机器学习算法进行特定分析任务。研究人员主要采用卷积神经网络（CNN）和多层感知机（MLP）回归两种算法进行数据处理。
图1 用于气体混合物传感和分析的人工智能增强中红外光子波导传感器原理图
研究人员使用3D时域有限差分（FDTD）模拟在3.75 µm中红外波长下进行了参数扫描，以优化波导的外部约束因子和传输损耗。图2a至图2c展示了波导中不同平面的光场分布。
图2 采用SWG包层的中红外波导的模拟及优化结果
随后，为了验证波导传感器的性能，研究人员在自制传感平台上进行了单组分气体传感分析。图3a显示了该光学和气体装置的简化示意图。
图3 单气体组分波导传感器的性能表征
接下来，研究人员将对从气体混合物收集的传感数据进行复杂分析。在众多算法中，CNN在传感信号分类方面表现出色。因此，研究人员首先使用CNN来区分19种不同的气体混合物光谱，相关结果如图4所示。然而，每种气体组分浓度的单独光谱信息仍然缺失。为了解决这一问题，研究人员采用MLP回归对光谱进行分解，从而获得每种气体组分的浓度，相关结果如图5所示。
图4 利用CNN进行气体混合物的识别和分类
图5 利用MLP回归进行气体混合物光谱分解
综上所述，这项研究报道了利用中红外悬浮波导传感平台实现二元气体混合物的光谱识别和分解。该研究采用SWG包层设计形成悬浮结构并对其进行优化，从而提高了传感应用的灵敏度。利用两种机器学习算法，该传感器获得了中红外波段（3.65 ~ 3.8 µm）的气体混合物吸收光谱，并对其进行了分析。其中，CNN被用于对19种不同混合比例的二元气体混合物进行分类，准确率达到93.57%；MLP回归被用于将气体混合物光谱分解为原始纯态光谱。通过模拟人类嗅觉和识别功能，该研究所提出的人工智能增强波导“光子鼻”能够提供定量检测和分析能力，这为片上光谱传感系统中更复杂的多气体混合物分析铺平了道路。此外，通过开发专门的片上波导光子神经网络，该增强传感器平台可以完全集成到中红外光子集成回路（PIC）中，实现基于边缘的传感和数据处理，这将对医疗保健、工业过程控制和监测以及广泛的物联网（IoT）传感应用产生深远影响。
论文链接：
https://doi.org/10.1002/smll.202400035
