Optimization of Silicon Nitride Waveguide Platform for On-Chip Virus Detection
Notice bibliographique
Résumé
This work presents a rigorous and generic sensitivity analysis of silicon nitride on silicon dioxide strip waveguide for virus detection. In general, by functionalizing the waveguide surface with a specific antibodies layer, we make the optical sensor sensitive only to a particular virus. Unlike conventional virus detection methods such as polymerase chain reaction (PCR), integrated refractive index (RI) optical sensors offer cheap and mass-scale fabrication of compact devices for fast and straightforward detection with high sensitivity and selectivity. Our numerical analysis includes a wide range of wavelengths from visible to mid-infrared. We determined the strip waveguide’s single-mode dimensions and the optimum dimensions that maximize the sensitivity to the virus layer attached to its surface at each wavelength using finite difference eigenmode (FDE) solver. We also compared the strip waveguide with the widely used slot waveguide. Our theoretical study shows that silicon nitride strip waveguide working at lower wavelengths is the optimum choice for virus detection as it maximizes both the waveguide sensitivity (Swg) and the figure of merit (FOM) of the sensor. The optimized waveguides are well suited for a range of viruses with different sizes and refractive indices. Balanced Mach–Zehnder interferometer (MZI) sensors were designed using FDE solver and photonic circuit simulator at different wavelengths. The designed sensors show high FOM at λ = 450 nm ranging from 500 RIU−1 up to 1231 RIU−1 with LMZI = 500 µm. Different MZI configurations were also studied and compared. Finally, edge coupling from the fiber to the sensor was designed, showing insertion loss (IL) at λ = 450 nm of 4.1 dB for the design with FOM = 500 RIU−1. The obtained coupling efficiencies are higher than recently proposed fiber couplers.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».