Предложен подход к исследованию и оптимизации параметров оптического нанотрансивера на основе модели «металлическая наночастица – квантовый излучатель» с использованием методов машинного обучения. Для ускорения многомерного поиска построена суррогатная модель на основе градиентного бустинга (Gradient Boosting Machine, GBM), для чего было сгенерировано 60 000 точек методом латинского гиперкуба (Latin Hypercube Sampling, LHS) в шестимерном пространстве параметров: длина волны возбуждения и испускания, радиус наночастицы, расстояние частица–излучатель, показатель преломления среды и собственный квантовый выход излучателя. Достигнут коэффициент детерминации R2 = 0,947 на тестовой выборке. Проведена глобальная оптимизация по предсказаниям модели с последующим уточнением прямым расчетом и показано, что суррогатная модель эффективна для многопараметрического анализа и сужения области поиска параметров, необходимых для оптимизации эксперимента.

1. Plasmonic enhancement of molecular fluorescence near silver nanoparticles: theory, modeling, and experiment / D. V. Guzatov, S. V. Vaschenko, V. V. Stankevich [et al.] // Journal of Physical Chemistry C. – 2012. – Vol. 116, N 19. – P. 10723–10733. https://doi.org/10.1021/jp301598w

2. Gaponenko, S. V. Colloidal plasmonics for active nanophotonics / S. V. Gaponenko, D. V. Guzatov // Proceedings of the IEEE. – 2020. – Vol. 108, N 5. – P. 704–720. https://doi.org/10.1109/jproc.2019.2958875

3. Farsad, M. An extended finite element/level set method to study surface effects on the mechanical behavior and properties of nanomaterials / M. Farsad, F. J. Vernerey, H. S. Park // International Journal for Numerical Methods in Engineerin. – 2010. – Vol. 84, N 12. – P. 1466–1489. https://doi.org/10.1002/nme.2946

4. Plasmonic nanoparticle simulations and inverse design using machine learning / J. He, C. He, C. Zheng [et al.] // Nanoscale. – 2019. – Vol. 11, N 37. – P. 17444–17459. https://doi.org/10.1039/c9nr03450a

5. Deep learning in photonic device development: nuances and opportunities / V. Iyer, B. A. Wilson, Y. Chen [et al.] // npj Nanophotonics. – 2026. – Vol. 3. – Art. 5. https://doi.org/10.1038/s44310-025-00097-y

6. Physics-informed deep learning for plasmonic sensing of nanoscale protein dynamics in solution / C. Wu, S. Yang, K. Zeng [et al.] // Science Advances. – 2025. – Vol. 11, N 39. – Art. eadw0783. https://doi.org/10.1126/sciadv.adw0783

7. Гапоненко, С. В. Оптические нанотрансиверы в фотонике / С. В. Гапоненко, Т. А. Ефимова // Доклады Национальной академии наук Беларуси. – 2024. – Т. 68, № 4. – С. 288–295. https://doi.org/10.29235/1561-8323-2024-68-4-288-295

8. Scikit-learn: Machine learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort [et al.] // Journal of Machine Learning Research. – 2011. – Vol. 12. – P. 2825–2830. – URL: https://jmlr.csail.mit.edu/papers/v12/pedregosa11a.html (date of access: 02.09.2026).

9. Shields, M. D. The generalization of Latin hypercube sampling / M. D. Shields, J. Zhang // Reliability Engineering & System Safety. – 2016. – Vol. 148. – P. 96–108. https://doi.org/10.1016/j.ress.2015.12.002

10. Friedman, J. H. Greedy function approximation: a gradient boosting machine / J. H. Friedman // Annals of Statistics. – 2001. – Vol. 29, N 5. – P. 1189–1232. https://doi.org/10.1214/aos/1013203451

11. Measurement precision enhancement of surface plasmon resonance based angular scanning detection using deep learning / K. Thadson, S. Sasivimolkul, P. Suvarnaphaet [et al.] // Scientific Reports. – 2022. – Vol. 12. – Art. 2052. https://doi.org/10.1038/s41598-022-06065-2

12. Machine learning assisted plasmonic metascreen for enhanced broadband absorption in ultra-thin silicon films / W. W. Ahmed, H. Cao, C. Xu [et al.] // Light: Science & Applications. – 2025. – Vol. 14. – Art. 42. https://doi.org/10.1038/s41377-024-01723-8

13. Deep neural network for plasmonic sensor modeling / X. Li, J. Shu, W. Gu, L. Gao // Optical Materials Express. – 2019. – Vol. 9, N 9. – P. 3857–3862. https://doi.org/10.1364/ome.9.003857