基于CNN-BiLSTM-transformer-PINN的双通道损失解耦技术，用于超高灵敏度的双核PCF-SPR传感器

《Optics & Laser Technology》：CNN-BiLSTM-transformer-PINN-based dual-channel loss decoupling for ultra-high sensitivity dual-core PCF-SPR sensor

　　摘要
为了解决双参数光子晶体光纤表面等离子体共振（PCF-SPR）传感器中存在的通道串扰、灵敏度不足、完整光谱信息丢失以及无法分离叠加损耗的问题，本文设计了一种双核D形PCF-SPR传感器，并提出了一种端到端双通道损耗解耦模型，该模型整合了物理信息神经网络（PINN）。该传感器采用了上下独立抛光的双D形结构。上表面涂覆金膜和二氧化钛（TiO2）用于折射率检测，下表面涂覆金膜和聚二甲基硅氧烷（PDMS）用于温度检测，从而实现了两个传感通道的物理隔离。仿真结果表明，该传感器在1.41–1.42 RIU区间内的最大灵敏度分别为44,000 nm/RIU，在-15 °C至-10 °C区间内的最大灵敏度分别为28.4 nm/°C，在1.30–1.42 RIU的折射率范围和-15 °C至100 °C的温度范围内，其全范围平均灵敏度分别为9025 nm/RIU和5.7 nm/°C。基于此，本文提出了一种CNN-BiLSTM-Transformer混合架构，用于并行提取光谱的局部共振特征和全局色散相关性，并通过标量序列双头协同输出实现全局参数反演和波长损耗的精细解耦。在仿真数据集上的测试结果表明，该模型在温度和折射率的全局参数反演以及波长损耗解耦方面的R2值为0.9999，能够准确恢复两个损耗分量的完整光谱形态。这项研究为PCF-SPR传感器的高精度多参数同时检测提供了新的技术方法，在生物医学和环境监测领域具有重要的应用价值。

引言
光纤传感器具有体积小巧、抗电磁干扰能力强、成本较低和检测范围广等优点，已广泛应用于生物医学[10]、环境监测[19]和食品安全[33]等多个重要领域。表面等离子体共振（SPR）是一种特定的物理现象，其原理是在特定入射角度下，入射光与金膜表面的自由电子耦合，激发表面等离子体极化子（SPP）并在界面处产生共振，从而在传输光谱中出现明显的损耗峰[8]。随着分析物折射率（RI）的变化，共振波长也会相应变化，从而实现高精度的RI测量。近年来，将SPR与光子晶体光纤（PCF）相结合的高性能传感器引起了广泛的研究兴趣。
温度和折射率（RI）是材料的两项关键物理特性，这些特性的高精度测量在生化传感、工业生产和精密制造[16] [22]等领域发挥着重要作用。Teng等人提出了一种阶梯式侧抛光PCF-SPR传感器，能够同时测量RI和温度[21]，其最大灵敏度分别为1759 nm/RIU和0.82 nm/°C。尽管这种传感器的制造工艺相对简单，但其灵敏度较低且测量范围有限。Wang等人提出了一种七芯PCF-SPR传感器[24]，其中多个芯的光场相互耦合，增强了用于激发光纤表面SPR效应的衰减场强度，从而提高了传感器的灵敏度和分辨率，最大灵敏度分别为2.59 nm/°C和1644 nm/RIU。为了进一步提高传感器性能，Wang等人提出了一种双通道传感器，可以同时测量温度和RI[26]，通过引入五氧化钽（Ta2O5）作为敏感材料，最大灵敏度分别提高到9600 nm/RIU和15.2 nm/°C。Yin等人提出了一种双核PCF-SPR传感器，可以同时测量温度和RI[32]，其测量范围分别为0 °C–50 °C RIU和1.36–1.42 RIU，最大灵敏度分别为9.2 nm/°C和20,000 nm/RIU。尽管上述所有传感器都可以同时测量两个参数，但在检测范围和灵敏度方面仍有改进空间。因此，本研究旨在设计一种具有宽检测范围、低制造复杂度和超高灵敏度的PCF-SPR传感器。本文提出的双核D形PCF-SPR传感器可以同时测量分析物的温度和RI，其基于双侧抛光结构，金膜和敏感材料直接沉积在抛光表面上。所提出传感器的每个结构的制造都有成熟的工艺支持，整体结构具有良好的工程可行性。此外，双核结构有效避免了双参数检测过程中的串扰，提高了两个参数的检测范围和准确性。该传感器的RI和温度检测范围分别为1.30–1.42 RIU和-15 °C至100 °C，最大光谱灵敏度分别为44,000 nm/RIU和28.4 nm/°C。
近年来，机器学习方法在SPR-PCF传感器的性能预测和结构优化中得到了广泛应用。Ehyae等人[6]使用人工神经网络预测了具有四根金纳米线的PCF-SPR传感器的极限损耗和灵敏度，通过去除依赖于仿真的有效RI虚部，他们在三种不同情况下获得了0.084、0.002和0.003的均方误差，显著降低了计算成本。Dogan等人[5]比较了 Extreme Gradient Boosting（XGBoost）、Random Forest和神经网络对D形PCF-SPR传感器灵敏度的预测能力，发现XGBoost表现最佳（R2 = 0.9964），并结合NSGA-II遗传算法，将最佳灵敏度从4529.75 nm/RIU提高到4814.14 nm/RIU，同时揭示了参数的重要性。Guedri-Knani等人[7]使用Taguchi方法优化了双面抛光PCF-SPR传感器的结构参数，并使用多重线性回归和多层感知器人工神经网络预测了极限损耗，后者获得了0.99的R2值，展示了神经网络在快速预测方面的优势。Kumar等人[12]设计了一种六边形PCF-SPR生物传感器，并比较了K最近邻、支持向量回归、XGBoost和混合1D-CNN和XGBoost回归模型，混合模型获得了最低的均方误差（0.1023），并保持与仿真一致的光谱灵敏度。这些研究表明，机器学习可以有效地替代耗时的有限元仿真，实现快速准确的传感器性能预测。然而，所有上述研究都集中在传感器正向设计阶段的性能预测和结构参数优化上，即通过输入其几何结构和环境参数来预测传感器的传感性能，而没有解决传感器实际应用阶段的反向解耦问题。对于双参数PCF-SPR传感系统，在实际测量中，只能获得温度和RI引起的损耗叠加后的总传输损耗光谱，无法直接分离这两个物理量的独立贡献；传统的峰追踪方法只能利用共振峰的波长变化这一单一特征，丢失了完整光谱中包含的丰富传感信息，并且容易受到噪声干扰和组件幅度叠加造成的峰形失真影响，难以实现高精度和高鲁棒性的多参数同时检测。

为了克服这一关键技术瓶颈，本文提出了一种端到端双通道损耗解耦模型，整合了物理信息神经网络（PINN）。该模型采用CNN-BiLSTM-Transformer混合架构，并行提取光谱的局部精细共振特征和全局色散相关性，通过标量序列双头协同输出实现温度/RI参数的全局反演和波长损耗的精细解耦，并将“总传输损耗等于温度引起的损耗与RI引起的损耗之和”的核心物理关系嵌入模型训练过程中。无需引入额外的标记数据，模型就能输出满足物理约束的结果。在仿真数据集上的测试结果表明，该模型在温度和RI参数的全局反演方面的决定系数R2达到0.9999，能够准确恢复两个损耗成分的完整光谱形态，为双核D形PCF-SPR传感器的高精度多参数检测提供了新的技术方法。

第某个节的内容
**基本理论和传感器结构**
传感器结构如图1所示。它由两个核心组成，两侧都进行了抛光处理。上抛光表面到光纤核心的距离分别为h1，下抛光表面到光纤核心的距离分别为h2。两个抛光表面相互平行。抛光处理减少了沉积金属膜到光纤核心的距离，从而增强了光能向金属表面的耦合。光纤内的气孔半径分别表示为r1至r5。

**传感器制造过程和测量系统**
传感器的制造步骤如图4所示。首先，使用堆叠拉拔法[18]获得PCF预制棒。然后，将预制棒放入拉拔塔中进行光纤拉拔，通过精确控制拉拔速度、温度和其他参数，得到全尺寸的PCF。接着，切割指定长度的裸PCF段，并清洁两端的光纤。然后将两段多模光纤（MMF）尾纤熔接在两端的光纤上。

**分析和讨论**
当测试样品的RI或温度发生变化时，相应核心的损耗光谱也会相应变化。为了研究温度变化是否会影响RI检测以及RI变化是否会影响温度检测，本研究采用了变量控制方法进行验证。结果如图6所示。当RI固定在1.38时，温度分别为40 °C和100 °C，核心1的共振波长稳定在947 nm。

**传感器的双通道损耗解耦**
尽管本文提出的双核D形PCF-SPR传感器通过顶部和底部的独立抛光表面以及不同的敏感材料涂层实现了温度和RI传感通道的物理隔离，理论上不存在通道间的串扰。然而，实际的光谱测量系统只能获得两个通道损耗叠加后的总传输损耗光谱，无法直接分离这两个物理量的独立贡献。

**结论**
本文着重讨论了双核D形PCF-SPR传感器的高精度多参数检测需求，解决了传统传感器的技术瓶颈，如通道串扰、灵敏度不足、完整光谱信息丢失以及传统峰追踪方法无法分离叠加损耗的问题。对传感器结构设计和深度学习解耦方法进行了系统性研究。提出的双核D形PCF-SPR传感器...

**作者贡献声明**
Kaipeng Wang：撰写——原始草案、软件、方法论
Yingchao Liu：撰写——审阅与编辑、项目管理、概念化
Peigang Cao：数据整理

**利益冲突声明**
作者声明没有已知的利益冲突或个人关系可能影响本文所述的工作。