AI‐Empowered Hyper‐Information Barcodes for Multiparameter Sensing With a Single Multimode Microresonator
Rattachement africain : us. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
ABSTRACT Accurate multiparameter sensing is crucial for characterizing and analyzing complex interactions in dynamic environments, providing deeper insights and enabling effective decision‐making across various fields. Conventional multiparameter sensors typically rely on multiple sensors or microstructures, each requiring separate calibration and complex data fusion to integrate the measurements from various sources. This not only increases operational complexity but may also introduce potential latency issues due to time delays in processing signals from different physical sensors, which can compromise the efficiency and accuracy of the system in certain applications. To address these limitations, we propose an innovative approach that utilizes multiple resonant modes with distinct spatially distributed sensing hotspots in a single optical microresonator to effectively mimic the functionalities of multiple sensors. Combined with machine learning algorithms, our multimode sensing system generates hyper‐information barcodes consisting of multiple modes that enable high‐precision multiparameter sensing and robust perturbation tracking. This AI‐empowered multimode approach demonstrates excellent robustness against signal down‐sampling and signal‐to‐noise ratio reduction, positioning the sensor as a promising calibration‐efficient and highly resilient platform for advanced optical sensing and analysis systems.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- AI‐Empowered Hyper‐Information Barcodes for Multiparameter Sensing With a Single Multimode Microresonator
- Date Crossref
- 14/09/2026
- Éditeur
- Wiley
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Washington University in St. Louis pays non établi dans la noticeUniversité ou école supérieure
-
Missouri Institute of Mental Health pays non établi dans la noticeÉtablissement de santé
-
Department of Electrical and Systems Engineering Washington University St. Louis Missouri USA pays non établi dans la noticeUniversité ou école supérieure
-
Department of Computer Science and Engineering Washington University St. Louis Missouri USA pays non établi dans la noticeUniversité ou école supérieure
-
AI for Health Institute Washington University St. Louis Missouri USA pays non établi dans la noticeUniversité ou école supérieure
Washington University in St. Louis, Missouri Institute of Mental Health et Department of Electrical and Systems Engineering Washington University St. Louis Missouri USA, avec 2 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.