Machine Learning-Driven Compensation for Non-Ideal Channels in AWG-Based FBG Interrogator

要約

私たちは、オキシニトリドシリコン（SION）フォトニック統合配列導波路格子（AWG）に基づいた繊維ブラッググレーティング（FBG）尋問装置の実験的研究を提示します。
AWGベースの尋問者はコンパクトでスケーラブルですが、それらの実用的なパフォーマンスは非理想的なスペクトル応答によって制限されます。
これに対処するために、2.4 nmスペクトル領域内の2つのキャリブレーション戦略が比較されました。（1）シグモイドフィッティング関数に基づくセグメント化された分析モデル、および（2）機械学習（ML）ベースの回帰モデル。
分析方法は、校正範囲内で午後7時11分のルート平均平方根誤差（RMSE）を実現し、指数回帰に基づくMLアプローチは午後3時17分に達成されます。
さらに、MLモデルは、拡張された2.9 nm波長スパン全体にわたって一般化を示し、再フィットせずに5 PMサブの精度を維持します。
残留およびエラー分布分析は、2つのアプローチ間のトレードオフをさらに示しています。
MLベースのキャリブレーションは、分析手法に堅牢でデータ駆動型の代替品を提供し、非理想的なチャネル応答の精度の向上、手動キャリブレーションの努力の削減、および多様なFBGセンサー構成全体のスケーラビリティの向上を提供します。

要約(オリジナル)

We present an experimental study of a fiber Bragg grating (FBG) interrogator based on a silicon oxynitride (SiON) photonic integrated arrayed waveguide grating (AWG). While AWG-based interrogators are compact and scalable, their practical performance is limited by non-ideal spectral responses. To address this, two calibration strategies within a 2.4 nm spectral region were compared: (1) a segmented analytical model based on a sigmoid fitting function, and (2) a machine learning (ML)-based regression model. The analytical method achieves a root mean square error (RMSE) of 7.11 pm within the calibrated range, while the ML approach based on exponential regression achieves 3.17 pm. Moreover, the ML model demonstrates generalization across an extended 2.9 nm wavelength span, maintaining sub-5 pm accuracy without re-fitting. Residual and error distribution analyses further illustrate the trade-offs between the two approaches. ML-based calibration provides a robust, data-driven alternative to analytical methods, delivering enhanced accuracy for non-ideal channel responses, reduced manual calibration effort, and improved scalability across diverse FBG sensor configurations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google