Deep Learning Optimized SPR Multi-Analyte Biosensor for Simultaneous Detection of Water Pathogens
Notice bibliographique
Résumé
In this study, we present a deep-learning-assisted design of a photonic crystal fiber (PCF)-based surface plasmon resonance (SPR) biosensor that enables simultaneous, label-free detection of multiple waterborne analytes. Using finite element analysis, a dual-channel PCF is modeled to generate more than 40,000 data points. A lightweight, fully connected regressor predicts the confinement loss (CL) and amplitude sensitivity (AS) from structural variables (hole sizes, gaps, metal/dielectric thicknesses) and operational variables (wavelength, refractive index (RI) of analytes in both channels), achieving <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">R</i><sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> ≈ 0.99 with low error. The surrogate speeds up the process of exploring designs. Using SHAP analysis, it finds that wavelength and channel RIs are the main factors, while layer thicknesses mainly change channel-specific resonances. Parametric sweeps confirm stable, concurrent redshifts across channels with increasing RI, enabling multiplexed detection of bacterial pathogens and formaldehyde. The proposed model achieves maximum amplitude sensitivity (AS) of 512.87 <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">RIU</i><sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">−1</sup>, wavelength sensitivity (WS) of 10,638.30 <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">nm/RIU</i>, and sensor resolution (SR) of 9.4×10<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">−5</sup>. The resulting architecture combines high accuracy with computational efficiency, offering a compact route to rapid, real-time water quality monitoring and food safety screening, as well as a generalizable workflow for data-driven PCF-SPR design.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».