Aceleração do design de sensores de gás fotônicos: otimização inversa impulsionada por aprendizado de máquina de redes de Bragg em fotônica de silício

Sensores de gás ópticos baseados em estruturas fotônicas oferecem detecção em tempo real e sem rótulos com alta sensibilidade, mas sua otimização de design continua sendo computacionalmente cara. Apresentamos uma estrutura híbrida de aprendizado de máquina que automatiza o design inverso de sensores de rede de Bragg preenchidos com polímero (PSBG) para prototipagem rápida em vários gases-alvo. Nossa abordagem combina redes neurais artificiais ajustadas pelo Optuna com um ensemble de múltiplos modelos (gradiente boosting, floresta aleatória, XGBoost, regressão ridge) para prever parâmetros estruturais ideais (período de rede, profundidade, largura do acorde, altura da fenda) a partir de características espectrais desejadas. A estrutura incorpora pré-processamento informado pelo domínio (expansão de características polinomiais, codificação de gás baseada em física) e meta-aprendizes ponderados por alvo para garantir fidelidade de design. Validado em 1.045 amostras de design para detecção de CO2 e CH4, o modelo alcança R2 > 0.99 para todos os parâmetros, permitindo design inverso sem simulações eletromagnéticas iterativas. Este trabalho demonstra o potencial do aprendizado em conjunto para acelerar o desenvolvimento de dispositivos fotônicos e apoia o design de sensores escaláveis baseado em plataforma.