An Optimization Framework for Silicon Photonic Evanescent-Field Biosensors Using Sub-Wavelength Gratings
Notice bibliographique
Résumé
Silicon photonic (SiP) evanescent-field biosensors aim to combine the information-rich readouts offered by lab-scale diagnostics, at a significantly lower cost, and with the portability and rapid time to result offered by paper-based assays. While SiP biosensors fabricated with conventional strip waveguides can offer good sensitivity for label-free detection in some applications, there is still opportunity for improvement. Efforts have been made to design higher-sensitivity SiP sensors with alternative waveguide geometries, including sub-wavelength gratings (SWGs). However, SWG-based devices are fragile and prone to damage, limiting their suitability for scalable and portable sensing. Here, we investigate SiP microring resonator sensors designed with SWG waveguides that contain a “fishbone” and highlight the improved robustness offered by this design. We present a framework for optimizing fishbone-style SWG waveguide geometries based on numerical simulations, then experimentally measure the performance of ring resonator sensors fabricated with the optimized waveguides, targeting operation in the O-band and C-band. For the O-band and C-band devices, we report bulk sensitivities up to 349 nm/RIU and 438 nm/RIU, respectively, and intrinsic limits of detection as low as 5.1 × 10−4 RIU and 7.1 × 10−4 RIU, respectively. This performance is comparable to the state of the art in SWG-based sensors, positioning fishbone SWG resonators as an attractive, more robust, alternative to conventional SWG designs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».