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

Technische Samenvatting: Opto-elektronische Chromatische Dispersie in een Enkele Fotodiode voor Machine-Learning-gebaseerde Computatierel Spectroscopie

Probleemstelling
Traditionele spectroscopie vertrouwt op omvangrijke, complexe en dure instrumenten die gebruikmaken van dispersieve optica (roosters, prisma's) of interferometers om licht te scheiden in spectrale componenten. Hoewel deze systemen een hoge resolutie bieden, staan ze voor aanzienlijke uitdagingen op het gebied van minimalisatie, uitlijning en kosten. Bestaande computatierel spectrometers proberen deze beperkingen te overwinnen door spectrale informatie te coderen in meetbare signalen (bijvoorbeeld ruimtelijke intensiteitspatronen) en spectra te reconstrueren via algoritmen. Echter, vereisen veel van deze benaderingen nog steeds meerdere detectoren, nauwkeurige optische uitlijning, of lijden ze onder verminderde optische doorlaatbaarheid. Er is behoefte aan een compacte, uitlijningsvrije oplossing met één detector die hoge-resolutie spectrale reconstructie kan bereiken zonder dispersieve optica.

Methodologie
De auteurs stellen een computatierel spectrometer voor die is gebaseerd op een enkele Germanium (Ge) PN-type fotodiode, waarbij gebruik wordt gemaakt van een fysiek fenomeen dat Opto-elektronische Chromatische Dispersie (OED) wordt genoemd.

• Fysisch Mechanisme: Wanneer gemoduleerd licht de fotodiode belicht, dringen fotonen met verschillende golflengten tot verschillende diepten door vanwege de golflengte-afhankelijke absorptiecoëfficiënt $\alpha(\lambda)$. Dit creëert een golflengte-afhankelijke verdeling van fotogenererde ladingsdragers. Deze ladingsdragers migreren via diffusie en drift naar het verarmingsgebied, wat resulteert in een ladingsdrager-transitietijd $\tau(\lambda)$ die varieert met de golflengte. Onder sinusvormige modulatie induceert deze transitietijd een golflengte-afhankelijke RF-fasverschuiving $\theta(\lambda) = 2\pi f \tau(\lambda)$ en amplitudevariatie in de fotostroom.
• Data-acquisitie: Het systeem maakt gebruik van een afstembare laser (C- en L-banden, 1530–1610 nm) die gemoduleerd wordt door een Mach-Zehnder-modulator. Een vector-netwerkanalysator (VNA) meet de RF-amplitude en -fase over 15 discrete frequenties (0,1–1,5 MHz), terwijl een oscilloscoop de DC-fotospanning opneemt.
• Feature-engineering: Voor elke optische invoer wordt een 31-dimensionaal feature-vektor geconstrueerd, bestaande uit:
  • 15 RF-fasewaarden ($\theta$).
  • 15 RF-amplitudewaarden ($A$).
  • 1 DC-fotospanningswaarde ($V_{DC}$).
• Machine Learning Framework: De spectrale reconstructie wordt geformuleerd als een hoog-dimensionaal invers probleem. De auteurs evalueren vijf regressiemodellen: Ridge Regression, Support Vector Regression (SVR), Random Forest (RF), Gradient Boosting Regression (GBR) en Gaussian Process Regression (GPR).
• Validatiestrategie: Om robuustheid te waarborgen en spectrale informatielekkage te voorkomen, hanteren de auteurs een groep-golflengte splitsingsstrategie. Alle samples die zijn gemeten bij een specifieke nominale golflengte (over variërende vermogensniveaus) worden uitsluitend toegewezen aan ofwel de trainingsset of de testset. Daarnaast wordt 5-voudige kruisvalidatie uitgevoerd op het niveau van golflengte-groepen om echte generalisatie te waarborgen.

Belangrijkste Bijdragen

1. Spectroscopie met één detector: Het artikel toont aan dat een enkele standaardfotodiode, zonder enige dispersieve optica, filterarrays of bewegende delen, kan fungeren als een hoge-resolutie spectrometer door gebruik te maken van intrinsieke OED.
2. Multi-frequentie OED feature-ruimte: De studie stelt vast dat het monitoren van RF-amplitude en -fase over meerdere modulatiefrequentie een rijke, multi-dimensionale spectrale vingerafdruk creëert die golflengteinformatie effectiever codeert dan DC-signalen alleen.
3. Dual-golflengte reconstructie: Het framework is uitgebreid om gelijktijdig twee optische golflengten ($\lambda_1, \lambda_2$) te reconstrueren uit één enkele meting, waarmee het vermogen wordt aangetoond om gekoppelde spectrale componenten op te lossen.
4. Algoritmische benchmarking: Een uitgebreide vergelijking van vijf machine learning-modellen identificeert Gaussian Process Regression (GPR) als de optimale regressor voor deze specifieke fysieke codering, die lineaire en andere niet-lineaire modellen overtreft in nauwkeurigheid en onzekerheidsschatting.

Resultaten

• Enkel-golflengte reconstructie:
  • Met behulp van een hybride feature-set (OED-fase/amplitude + DC-spanning) en GPR bereikte het systeem een reconstructienauwkeurigheid van 0,178 nm (RMSE) op een vastgehouden testset.
  • 5-voudige kruisvalidatie leverde een RMSE op van 0,342 ± 0,117 nm, wat robuustheid bevestigt tegenover variaties in golflengte en vermogen.
  • Modellen die uitsluitend waren getraind op DC-spanningsfeatures presteerden slecht (RMSE > 8,9 nm), wat bevestigt dat dynamische OED-features essentieel zijn voor spectrale discriminatie.
• Dual-golflengte reconstructie:
  • Voor gelijktijdige reconstructie van een gescande golflengte ($\lambda_1$) en een vaste golflengte ($\lambda_2$) bereikte GPR RMSE's van 0,362 nm voor $\lambda_1$ en 0,434 nm voor $\lambda_2$.
  • De asymmetrie in nauwkeurigheid wordt toegeschreven aan de continue variatie van $\lambda_1$, die meer informatieve feature-ruimtedynamiek biedt in vergelijking met de discrete bemonstering van $\lambda_2$.
• Feature-belang: Analyse toonde aan dat fase-features in het midden- tot hoge-frequentiebereik (0,7–1,3 MHz) de dominante dragers zijn van spectrale informatie, wat consistent is met de fysica van ladingsdragerdiffusietijden.
• Onzekerheidskwantificering: Het GPR-model leverde goed gekalibreerde onzekerheidsschattingen op, waarbij de voorspelde standaardafwijkingen positief correleerden met de daadwerkelijke voorspellingsfouten.

Betekenis en Claims
De auteurs claimen dat dit de eerste demonstratie is van machine-learning-gebaseerde spectrale reconstructie die gebruikmaakt van een multi-frequentie OED feature-ruimte van een enkele fotodiode.

De betekenis van dit werk ligt in het vermogen om omvangrijke optica en complexe uitlijnvereisten te elimineren, en biedt een weg naar compacte, uitlijningsvrije en potentieel op-chip geïntegreerde spectrometers. Door de fysica van OED te integreren met datagedreven reconstructie, bereikt de benadering een sub-nanometer nauwkeurigheid in de telecom C- en L-banden, prestatieniveaus die concurrerend zijn met state-of-the-art geminiaturiseerde spectrometers die vertrouwen op filters of dispersieve elementen. De auteurs benadrukken dat het prestatieplafond wordt bepaald door de discriminerende informatie die is gecodeerd in de ladingsdragertransportfysica van het apparaat, en niet door de complexiteit van de regressiearchitectuur, wat suggereert dat deze hardware-efficiënte basis geschikt is voor optische sensoren van de volgende generatie en fotonische geïntegreerde schakelingen.