Ускорение разработки фотонных газовых датчиков: оптимизация обратного проектирования брасс-решёток кремниевой фотоники с помощью машинного обучения

Почему умные газовые датчики важны

От городского загрязнения воздуха до климатических изменений — всё чаще от нас требуется точное знание состава воздуха вокруг нас. Два из наиболее значимых парниковых газов, двуокись углерода и метан, трудно точно измерять при низких концентрациях без громоздкого или дорогого оборудования. В этой работе предложен новый способ быстрого проектирования миниатюрных оптических газовых датчиков на кремниевых чипах с использованием машинного обучения для автоматизации ранее медленного метода проб и ошибок.

Крошечные ловушки для света на чипе

В основе работы лежит специальная оптическая структура, называемая брасс-решёткой, реализованная на кремниевом чипе. Представьте себе микроскопическую железную дорогу для света, где рельсы периодически меняют ширину, так что определённые цвета света сильно отражаются. Авторы используют «слотовый» дизайн: две тонкие кремниевые направляющие разделены узкой щелью, заполненной специально подобранным полимером. Молекулы газа проникают в эту щель и тонко изменяют свойства прохождения света. Это, в свою очередь, смещает цвет, при котором структура отражает свет, позволяя датчику регистрировать присутствие газов, таких как CO2 и метан, без дополнительных красителей или покрытий.

Умные материалы, чувствующие газ

Команда подбирает полимеры, которые по‑разному взаимодействуют с разными газами. При наличии целевого газа полимер может незначительно менять свои оптические свойства или даже слегка разбухать. Поскольку свет в области слота тесно сосредоточен в полимерной щели, даже крошечные изменения сильно влияют на отражаемый цвет. Заменяя один полимер другим, ту же базовую конструкцию чипа можно настроить для разных газов, превращая платформу в модульный набор для газового зондирования. Этот выбор материалов в сочетании со слотовой геометрией позволяет устройству достигать высокой чувствительности при компактных размерах и совместимости со стандартными кремниевыми технологиями производства.

Переворачивая задачу проектирования

Проектирование этих миниатюрных ловушек для света вручную затруднено. Несколько геометрических параметров — такие как шаг гребней, их глубина, ширина кремниевых направляющих и высота слота — совместно определяют итоговый оптический отклик. Традиционно инженеры выбирали конфигурацию, проводили тяжёлые симуляции и постепенно подбирали параметры до получения нужного спектра. Здесь авторы меняют подход: они начинают с требуемого оптического поведения (например, определённой резонансной длины волны и ширины линии для выбранного газа) и просят модель машинного обучения предсказать геометрию чипа, которая это обеспечит. Такой подход «обратного проектирования» призван заменить тысячи трудоёмких симуляций одним быстрым предсказанием.

Как работает обучающий механизм

Для обучения этой системы исследователи сначала собрали набор данных чуть более тысячи смоделированных конструкций сенсоров для CO2 и метана. Для каждой конструкции они зафиксировали тип газа, пропускание света в резонансе, точное положение резонансной длины волны и остроту этого признака. Эти спектральные характеристики использовали в качестве входных данных, а четыре ключевые геометрические параметры — в качестве выходов для системы обучения. Перед обучением входы расширили комбинациями признаков, а тип газа закодировали через его физический показатель преломления, тем самым заложив реальную физику в представление данных. Тщательно настроенная нейронная сеть, автоматически оптимизированная инструментом Optuna, была объединена с несколькими моделями на основе деревьев в ансамбль «стэкинг», где предсказания нескольких моделей передаются в финальный слой принятия решений.

Быстрые и точные конструкции по запросу

Получившаяся гибридная модель способна воспроизводить все четыре геометрических параметра с чрезвычайно высокой точностью, захватывая более 99% вариации, наблюдаемой в симуляционных данных. В реалистичном тесте авторы попросили модель спроектировать новую структуру для сенсора двуокиси углерода, с которой она ранее не сталкивалась. При симуляции геометрии, предсказанной моделью, полученный оптический спектр практически полностью совпал с целевым, а вычисления оказались примерно в две тысячи раз быстрее традиционной оптимизации. Они также проверили, как разработка переносит небольшие погрешности производства, и обнаружили, что характеристики сенсора остаются стабильными при умеренных вариациях — важное требование для реального производства.

Что это значит в перспективе

Для неспециалиста главный вывод таков: авторы создали «автопилот проектирования» для чиповых газовых сенсоров. Вместо того чтобы вручную настраивать и симулировать каждое новое устройство, инженеры могут задать желаемое поведение датчика, и обученная модель мгновенно предложит подходящую геометрию. Этот подход способен ускорить разработку компактных высокопроизводительных газовых датчиков для экологического мониторинга, промышленной безопасности и медицинских приложений. По мере расширения фреймворка на большее число газов, материалов и экспериментальных данных он может помочь превратить точное оптическое газовое зондирование в масштабируемую, настраиваемую технологическую платформу.

Цитирование: Khafagy, M., Khafagy, M. & Swillam, M.A. Accelerating photonic gas sensor design: machine learning-driven inverse optimization of silicon photonics Bragg gratings. Sci Rep 16, 11650 (2026). https://doi.org/10.1038/s41598-026-43725-z

Ключевые слова: оптическое газовое зондирование, кремниевая фотоника, брасс-решётка, проектирование с помощью машинного обучения, обратное проектирование