Extraction de la largeur de guide d’onde assistée par réseau de neurones profond via la mesure optique d’un seul interféromètre de Mach–Zehnder d’ordre faible

Pourquoi mesurer des trajets lumineux minuscules importe

À l’intérieur des centres de données et des futurs ordinateurs quantiques qui véhiculent l’information avec la lumière plutôt qu’avec l’électricité, des pistes aussi fines que des cheveux, semblables au verre, appelées guides d’onde, dirigent la lumière sur une puce. La largeur exacte de ces pistes s’avère cruciale : la modifier de seulement quelques milliardièmes de mètre peut suffire à faire varier le comportement de la lumière au point d’affecter la vitesse, la consommation d’énergie ou la qualité du signal. Pourtant, vérifier ces dimensions implique généralement d’ouvrir les puces et de les inspecter au microscope coûteux. Cette étude présente une méthode plus rapide et non destructive pour « lire » la largeur des guides d’onde en n’utilisant qu’une structure de test optique simple et un modèle d’apprentissage profond.

La lumière comme règle sur une puce

Les auteurs s’appuient sur un dispositif classique en optique, l’interféromètre de Mach–Zehnder, qui divise un faisceau lumineux en deux chemins puis les recombine. Si un chemin diffère même légèrement de l’autre, la lumière sortante forme un motif caractéristique de franges claires et sombres selon les longueurs d’onde, un peu comme les interférences visibles lorsque deux séries d’ondes se rencontrent à la surface de l’eau. Parce que ce motif est sensible à la manière dont la lumière est confinée dans un guide d’onde, il encode indirectement des informations sur la largeur du guide. L’équipe conçoit une version particulièrement compacte de cet interféromètre sur une plateforme de photonique sur silicium, avec les deux bras identiques sauf pour une très petite différence de longueur de seulement 26,672 micromètres — bien plus courte que les structures habituellement utilisées pour ce type de mesure.

Transformer des spectres complexes en dimensions simples

Plutôt que de s’en remettre à des formules classiques d’ajustement de courbe, qui peinent lorsque la physique devient fortement non linéaire, les chercheurs font appel à un réseau de neurones profond. Ils utilisent d’abord des simulations numériques pour montrer comment les propriétés optiques effectives du guide varient avec la longueur d’onde et la largeur sur des plages réalistes de fabrication. À partir de ces simulations, ils génèrent un grand jeu d’exemples de spectres associés à leurs largeurs réelles et utilisent cette base pour entraîner un réseau pleinement connecté à agir comme un modèle inverse : donné le comportement optique, il prédit la largeur physique. Le modèle entraîné atteint une erreur absolue moyenne impressionnante de seulement 0,15 nanomètre sur des données simulées inédites, indiquant qu’il a capturé la relation complexe entre le spectre et la géométrie bien au‑delà de ce que des polynômes simples peuvent facilement exprimer.

Des mesures de laboratoire aux dispositifs réels

Pour tester la méthode en pratique, l’équipe fabrique 30 dispositifs interférométriques sur une plaquette standard en silicium sur isolant, avec des largeurs de guides effectives réparties sur une plage de ±20 nanomètres autour de la valeur de conception. Ils envoient un laser accordable à travers chaque petite structure et enregistrent le spectre transmis dans la bande C des télécommunications. En localisant soigneusement des creux sombres spécifiques dans le motif et en estimant l’espacement entre ces creux, ils déterminent une paire de grandeurs optiques — indice effectif et indice de groupe — qui permettent d’identifier l’ordre de frange observé. Ces valeurs sont ensuite injectées dans le réseau de neurones préalablement entraîné, qui renvoie une largeur physique prédite pour chaque dispositif, le tout sans sectionner la puce.

À quel point cela se rapproche du microscope

Les auteurs comparent ensuite ces prédictions optiques avec des mesures directes effectuées au microscope électronique à balayage, qui sert d’étalon‑or. Sur les 30 dispositifs, la nouvelle méthode atteint une erreur moyenne de seulement 3,28 nanomètres, le pire cas restant inférieur à 6,7 nanomètres. L’étude analyse en outre l’origine des écarts restants, les attribuant à des incertitudes routinières dans les mesures spectrales, à de légères variations de l’angle des parois latérales des guides et à de minuscules changements d’épaisseur de couches non inclus dans les simulations d’entraînement. Même en tenant compte de ces imperfections du monde réel, l’approche se montre robuste et suffisamment précise pour surveiller la conformité d’un procédé de fabrication par rapport aux dimensions cibles.

Structures de test plus petites, contrôle plus intelligent

En combinant un interféromètre unique et très compact avec un modèle d’apprentissage profond entraîné sur des simulations réalistes, ce travail montre que les fabricants de puces peuvent lire rapidement et de manière non destructive les largeurs de guides d’onde avec une précision proche de celle d’un microscope. Cela signifie qu’ils peuvent détecter des dérives dans les étapes de lithographie ou de gravure en quelques minutes après la sortie d’une plaquette, au lieu d’attendre des inspections hors ligne. La même stratégie pourrait être étendue pour suivre simultanément plusieurs paramètres géométriques, simplement en enrichissant les données d’entraînement et en ajoutant davantage de caractéristiques optiques. À plus long terme, une métrologie assistée par IA pourrait devenir un outil de rétroaction clé pour construire des circuits photoniques plus denses et plus fiables, qui véhiculent les données du monde entier sous forme de faisceaux lumineux.

Citation: Wang, F., You, H., Xu, X. et al. DNN-assisted waveguide width extraction via optical measurement of a single low-order Mach-Zehnder interferometer. Sci Rep 16, 12260 (2026). https://doi.org/10.1038/s41598-026-41085-2

Mots-clés: photonique sur silicium, métrologie des guides d’onde, interféromètre de Mach‑Zehnder, réseaux de neurones profonds, caractérisation optique