Optoelectronic Chromatic Dispersion in a Single Photodiode for Machine-Learning-Based Computational Spectroscopy

Resumen Técnico: Dispersión Cromática Optoelectrónica en un Solo Fotodiodo para Espectroscopia Computacional Basada en Aprendizaje Automático

Enunciado del Problema
La espectroscopia tradicional depende de instrumentos voluminosos, complejos y costosos que utilizan óptica dispersiva (redes de difracción, prismas) o interferómetros para separar la luz en componentes espectrales. Aunque ofrecen alta resolución, estos sistemas enfrentan desafíos significativos en miniaturización, alineación y costo. Los espectrómetros computacionales existentes intentan superar estas limitaciones codificando información espectral en señales medibles (por ejemplo, patrones de intensidad espacial) y reconstruyendo los espectros mediante algoritmos. Sin embargo, muchos de estos enfoques aún requieren múltiples detectores, una alineación óptica precisa o sufren de una reducción en la eficiencia óptica. Existe la necesidad de una solución compacta, sin necesidad de alineación y de un solo detector, que pueda lograr una reconstrucción espectral de alta resolución sin óptica dispersiva.

Metodología
Los autores proponen un espectrómetro computacional basado en un solo fotodiodo tipo PN de Germanio (Ge), aprovechando un fenómeno físico denominado Dispersión Cromática Optoelectrónica (OED).

• Mecanismo Físico: Cuando la luz modulada ilumina el fotodiodo, los fotones de diferentes longitudes de onda penetran a profundidades variables debido al coeficiente de absorción dependiente de la longitud de onda $\alpha(\lambda)$. Esto crea una distribución dependiente de la longitud de onda de portadores fotogenerados. Estos portadores migran hacia la región de agotamiento mediante difusión y deriva, resultando en un tiempo de tránsito de portadores $\tau(\lambda)$ que varía con la longitud de onda. Bajo modulación sinusoidal, este tiempo de tránsito induce un desplazamiento de fase de RF dependiente de la longitud de onda $\theta(\lambda) = 2\pi f \tau(\lambda)$ y una variación de amplitud en la fotocorriente.
• Adquisición de Datos: El sistema utiliza un láser sintonizable (bandas C y L, 1530–1610 nm) modulado por un modulador Mach-Zehnder. Un analizador de redes vectorial (VNA) mide la amplitud y fase de RF a través de 15 frecuencias discretas (0.1–1.5 MHz), mientras que un osciloscopio registra la fotovoltaje de CC.
• Ingeniería de Características: Para cada entrada óptica, se construye un vector de características de 31 dimensiones, compuesto por:
  • 15 valores de fase de RF ($\theta$).
  • 15 valores de amplitud de RF ($A$).
  • 1 valor de fotovoltaje de CC ($V_{DC}$).
• Marco de Aprendizaje Automático: La reconstrucción espectral se formula como un problema inverso de alta dimensión. Los autores evalúan cinco modelos de regresión: Regresión Ridge, Regresión de Vectores de Soporte (SVR), Bosque Aleatorio (RF), Regresión por Gradiente de Impulso (GBR) y Regresión de Procesos Gaussianos (GPR).
• Estrategia de Validación: Para garantizar la robustez y prevenir la filtración de información espectral, los autores emplean una estrategia de división por grupos de longitudes de onda. Todas las muestras medidas en una longitud de onda nominal específica (a través de niveles de potencia variables) se asignan exclusivamente ya sea al conjunto de entrenamiento o al conjunto de prueba. Además, se realiza una validación cruzada de 5 pliegues a nivel de grupo de longitudes de onda para garantizar una generalización genuina.

Contribuciones Clave

1. Espectroscopia de Un Solo Detector: El artículo demuestra que un fotodiodo estándar único, sin óptica dispersiva, matrices de filtros o partes móviles, puede funcionar como un espectrómetro de alta resolución explotando la OED intrínseca.
2. Espacio de Características OED Multifrecuencia: El estudio establece que monitorear la amplitud y fase de RF a través de múltiples frecuencias de modulación crea una huella dactilar espectral rica y multidimensional que codifica la información de longitud de onda de manera más efectiva que las señales de CC por sí solas.
3. Reconstrucción Dual de Longitudes de Onda: El marco se extiende para reconstruir simultáneamente dos longitudes de onda ópticas ($\lambda_1, \lambda_2$) a partir de una sola medición, demostrando la capacidad de resolver componentes espectrales acoplados.
4. Evaluación Comparativa de Algoritmos: Una comparación exhaustiva de cinco modelos de aprendizaje automático identifica a la Regresión de Procesos Gaussianos (GPR) como el regresor óptimo para esta codificación física específica, superando a los modelos lineales y otros no lineales en precisión y estimación de incertidumbre.

Resultados

• Reconstrucción de Longitud de Onda Única:
  • Utilizando un conjunto de características híbridas (fase/amplitud OED + voltaje de CC) y GPR, el sistema logró una precisión de reconstrucción de 0.178 nm (RMSE) en un conjunto de prueba retenido.
  • La validación cruzada de 5 pliegues arrojó un RMSE de 0.342 ± 0.117 nm, confirmando la robustez frente a variaciones de longitud de onda y potencia.
  • Los modelos entrenados únicamente con características de voltaje de CC tuvieron un rendimiento deficiente (RMSE > 8.9 nm), confirmando que las características dinámicas de OED son esenciales para la discriminación espectral.
• Reconstrucción Dual de Longitudes de Onda:
  • Para la reconstrucción simultánea de una longitud de onda barrida ($\lambda_1$) y una longitud de onda fija ($\lambda_2$), GPR logró RMSEs de 0.362 nm para $\lambda_1$ y 0.434 nm para $\lambda_2$.
  • La asimetría en la precisión se atribuye a la variación continua de $\lambda_1$ que proporciona dinámicas de espacio de características más informativas en comparación con el muestreo discreto de $\lambda_2$.
• Importancia de las Características: El análisis reveló que las características de fase en el rango de frecuencias medias a altas (0.7–1.3 MHz) son los portadores dominantes de información espectral, consistente con la física de los tiempos de difusión de portadores.
• Cuantificación de la Incertidumbre: El modelo GPR proporcionó estimaciones de incertidumbre bien calibradas, con desviaciones estándar predichas que se correlacionaron positivamente con los errores de predicción reales.

Significado y Afirmaciones
Los autores afirman que esta es la primera demostración de reconstrucción espectral basada en aprendizaje automático que explota un espacio de características OED multifrecuencia de un solo fotodiodo.

El significado de este trabajo radica en su capacidad para eliminar la óptica voluminosa y los requisitos complejos de alineación, ofreciendo un camino hacia espectrómetros compactos, sin necesidad de alineación y potencialmente integrados en chip. Al integrar la física de la OED con la reconstrucción basada en datos, el enfoque logra una precisión subnanométrica en las bandas C y L de telecomunicaciones, niveles de rendimiento competitivos con los espectrómetros miniaturizados más avanzados que dependen de filtros o elementos dispersivos. Los autores enfatizan que el techo de rendimiento está determinado por la información discriminativa codificada en la física de transporte de portadores del dispositivo, en lugar de la complejidad de la arquitectura de regresión, lo que sugiere que esta base eficiente en hardware es adecuada para la próxima generación de sensores ópticos portátiles y circuitos fotónicos integrados.