Sensing ultrasound optically with photonic crystal slabs: a tale of two mechanisms (Conference Presentation)
Notice bibliographique
Résumé
Silicon Photonics-based sensors can provide low cost, high sensitivity optical detection solutions in ultrasound and photoacoustic (PA) imaging. We demonstrate experimentally the measurement of ultrasound (2.5-8.5 MHz) in water using photonic crystal slab (PCS) nanostructure devices. Each PCS is composed of a periodic array of nanoholes, etched into silicon nitride (t=160 nm), on top of a silicon dioxide layer, and silicon substrate. The PCS devices have guided resonances that peak at ~ 1550 nm, with linewidths that vary from 0.7 to 5.5 nm. One type of PCS device includes a PCS nanostructure located above a thin micro-fabricated silicon membrane (~ 10 micron thick). Membrane deformation by incoming ultrasound waves induce resonance changes in the PCS spectral peak location (i.e., drum effect). We observe these drum-effect PCS devices to have acoustic sensitivities that are very narrowband (with bandwidths ~ 1 MHz), with a 300-micron diameter drum device found to have a peak sensitivity at 5 MHz and a noise equivalent pressure (NEP) of 2.0 kPa (72 Pa/rt Hz). In another mechanism, the sensitivity of the PCS nanostructures to changes in the ambient index of refraction is used. A pressure wave in water that impinges the PCS is accompanied by changes in the water's index of refraction, which causes the resonance peak of the PCS to shift. The acoustic sensitivities of these PCS devices is found to be broadband (> 6 MHz), in contrast to the drum-effect devices, with an NEP of less than 0.5 kPa (6.7 Pa/rt Hz). These devices can potentially allow for optics-based monolithic ultrasound sensor arrays, optimized for PA imaging.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».