Algoritmo baseado em machine learning para projeto de dispositivos de interferência multimodo

• Ano de defesa: 2024
• Autor(a) principal: Cerqueira, Roney das Mercês
• Orientador(a): Esquerre, Vitaly Félix Rodríguez
• Banca de defesa: Assis, Karcius Day Rosário , Mercedes, Cosme Eustáquio Rubio , Sisnando, Anderson Dourado
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: UNIVERSIDADE FEDERAL DA BAHIA
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica (PPGEE)
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Interferência Multimodo; Machine Learning; Design Inverso
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://repositorio.ufba.br/handle/ri/40204

O aprimoramento dos Circuitos Fotônicos Integrados tornando-os mais flexíveis, reconfiguráveis e compactos tem sido via de regra para os sistemas de telecomunicações. Diante deste cenário, os olhares tem se voltado para os dispositivos de Interferência Multimodo devido as vantagens apresentadas em suas propriedades e funcionalidades. Neste projeto de dissertação, propõe utilizar técnicas de Machine Learning para design inverso de dispositivos de Interferência Multimodo, como divisor de potência na faixa de comprimento de ondas (λ) de 1,25 ~ 1,7µm integrando as bandas O, E, S, C, L e U. Para tal, além de realizar um levantamento bibliográfico, foi necessário simular dispositivos de interferência Multimodo em software específico e desenvolver um algoritmo utilizando Redes Neurais Artificiais. A arquitetura da rede neural foi configurada com os seguintes parâmetros de entrada: comprimento de ondas (λ), índice de refração do núcleo (n1), índice de refração do substrato (n2), largura do dispositivo (WMMI) e eficiência de transmissão (%) e como parâmetro de saída teve como alvo as coordenadas do eixo-x1, eixo-x2 referente a posição das portas de saída (1 x M) do dispositivo e a coordenadas do eixo-y referente ao comprimento (LMMI) de corte do disposto para maior potência acoplada das portas de saída. Como resultados, a Rede Neural Artificial desenvolvida apresentou o Erro Quadrático Médio de validação cruzada equivalente a 6,39410 × 10-5, regressão linear de 0,99997 e tempo de processamento computacional de 7,46 segundos, capaz de fornecer dados para design dos dispositivos de Interferência Multimodal compacto com dimensões a partir 2,00 × 5,32µm e perdas que variam entre 0,32 a 0,47dB para o dispositivo mais eficiente.