Modeling coherence effects on cavity-based spectroscopy
Notice bibliographique
Résumé
Optical cavities are powerful instruments with which to perform sensing experiments. Through spectroscopic techniques, the presence of a target biological analyte or chemical species can be inferred by detecting the changes they produce in the spectral properties of a cavity. Conventional cavity-based spectroscopy relies on very narrow linewidth laser sources in order to mitigate the effects of optical coherence on the measurements they yield. The growing demand for fully-integrated and miniaturized sensing platforms for purposes such as point-of-care testing, disaster management, and environmental monitoring places stringent constraints on the design of sensing instruments. As a result, the use of optical sources with larger linewidths is unavoidable for these applications. Given this context, the aim of this work is the derivation of closed-form analytic models of cavity-based sensing that quantify the impact of source bandwidth (i.e., coherence) on spectroscopic measurements. Three cavity-based sensing paradigms are investigated in detail: cavity-enhanced absorption spectroscopy (CEAS), cavity ring-down spectroscopy (CRDS), and phase-shift cavity ring-down spectroscopy (PS-CRDS). Furthermore, examples based on a microtoroidal cavity are presented for each paradigm, where predicted measurements obtained from systems using tunable laser (narrow linewidth) or laser diode (large bandwidth) sources are compared. The models developed in this work demonstrate that microtoroid systems employing tunable lasers can detect changes in cavity transmission coefficient and refractive index. Laser diodes also yield measurements that are comparably sensitive to changes in cavity transmission coefficient, but they are insensitive to the microtoroid's refractive index.
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 | 0,001 | 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».