Estrazione della larghezza di guide d’onda assistita da DNN tramite misurazione ottica di un singolo interferometro Mach‑Zehnder a bassa ordine

Perché misurare percorsi luminosi minuscoli è importante

All’interno dei data center e dei futuri computer quantistici che spostano informazioni con la luce invece che con l’elettricità, sottili tracciati vetrosi detti guide d’onda indirizzano la luce su un chip. La larghezza esatta di questi tracciati si rivela cruciale: cambiarla di pochi miliardesimi di metro può alterare il comportamento della luce a tal punto da compromettere velocità, consumo energetico o qualità del segnale. Eppure verificare queste dimensioni di solito richiede di sezionare i chip e osservarli con microscopi costosi. Questo studio introduce un metodo più rapido e non distruttivo per “leggere” la larghezza delle guide d’onda usando soltanto una semplice struttura di prova ottica e un modello di deep learning.

La luce come righello sul chip

Gli autori si basano su un dispositivo classico dell’ottica chiamato interferometro Mach–Zehnder, che divide un fascio di luce in due percorsi e poi li ricombina. Se un percorso è anche solo leggermente diverso dall’altro, la luce in uscita forma uno schema distintivo di frange chiare e scure attraverso colori diversi, molto simile alle increspature che si vedono quando due insiemi di onde si incontrano sull’acqua. Poiché questo schema è sensibile a quanto la luce è confinata in una guida d’onda, codifica indirettamente informazioni sulla larghezza della guida. Il team progetta una versione particolarmente compatta di questo interferometro su una piattaforma di fotonica su silicio, con i due bracci identici eccetto per una differenza di lunghezza molto piccola di soli 26,672 micrometri—molto più corta rispetto alle strutture tipicamente usate per tali misure.

Trasformare spettri complessi in dimensioni semplici

Invece di affidarsi a formule di adattamento tradizionali, che incontrano difficoltà quando la fisica diventa fortemente non lineare, i ricercatori ricorrono a una rete neurale profonda. Prima usano simulazioni al computer per mostrare come le proprietà ottiche efficaci della guida d’onda cambiano con lunghezza d’onda e larghezza in intervalli realistici di fabbricazione. Da queste simulazioni generano un ampio insieme di spettri di esempio associati alle loro larghezze reali e usano questo database per addestrare una rete neurale completamente connessa a funzionare come modello inverso: dato il comportamento ottico, prevede la larghezza fisica. Il modello addestrato raggiunge un impressionante errore assoluto medio di soli 0,15 nanometri su dati simulati non visti prima, indicando che ha catturato la relazione intricata tra spettro e geometria ben oltre ciò che semplici polinomi possono esprimere facilmente.

Dalle misure di laboratorio ai dispositivi reali

Per testare il metodo nella pratica, il team fabbrica 30 dispositivi interferometrici su una comune wafer silicon‑on‑insulator, con larghezze reali delle guide d’onda distribuite in un intervallo di ±20 nanometri intorno al valore di progetto. Fanno passare un laser sintonizzabile attraverso ciascuna piccola struttura e registrano lo spettro trasmesso nella banda C per telecomunicazioni. Localizzando con cura specifici minimi scuri nello schema e stimando la distanza tra questi minimi, determinano una coppia di grandezze ottiche—indice efficace e indice di gruppo—that insieme identificano quale ordine di frangia stanno osservando. Questi valori vengono poi inseriti nella rete neurale pre‑addestrata, che restituisce una predizione della larghezza fisica per ciascun dispositivo, il tutto senza sezionare il chip.

Quanto si avvicina a un microscopio

Gli autori confrontano quindi queste predizioni ottiche con misure dirette ottenute con un microscopio elettronico a scansione, che funge da standard d’oro. Sui 30 dispositivi, il nuovo metodo raggiunge un errore medio di soli 3,28 nanometri, con il caso peggiore ancora sotto i 6,7 nanometri. Lo studio analizza inoltre da dove provengono le discrepanze residue, ricondendole a incertezze di routine nelle misure spettrali, lievi variazioni nell’angolo delle pareti laterali delle guide e piccole variazioni nello spessore degli strati non incluse nelle simulazioni di addestramento. Anche tenendo conto di queste imperfezioni reali, l’approccio si dimostra robusto e sufficientemente accurato per monitorare quanto un processo di fabbricazione mantenga le dimensioni target.

Strutture di prova più piccole, controllo più intelligente

Combinando un singolo interferometro molto compatto con un modello di deep learning addestrato su simulazioni realistiche, questo lavoro mostra che i produttori di chip possono leggere rapidamente e in modo non distruttivo le larghezze delle guide d’onda con una precisione prossima a quella dei microscopi. Ciò significa che possono individuare derive nei passaggi di litografia o incisione entro minuti dall’uscita di una wafer dalla linea, invece di attendere l’imaging off‑line. La stessa strategia potrebbe essere estesa a tracciare più parametri geometrici contemporaneamente, semplicemente arricchendo i dati di addestramento e aggiungendo più caratteristiche ottiche. A lungo termine, tale metrologia assistita dall’IA potrebbe diventare uno strumento di feedback chiave per costruire circuiti fotonici più densi e affidabili che trasportano i dati del mondo su fasci di luce.

Citazione: 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

Parole chiave: fotonică su silicio, metrologia delle guide d’onda, interferometro Mach‑Zehnder, reti neurali profonde, caratterizzazione ottica