DNN-ondersteunde extractie van golfgeleiderbreedte via optische meting van een enkele laagordige Mach-Zehnder-interferometer

Waarom het meten van minuscuule lichtpaden belangrijk is

In de datacenters en toekomstige kwantumcomputers die informatie met licht in plaats van elektriciteit verplaatsen, sturen haar­dunne glasachtige banen, zogenoemde golfgeleiders, dat licht over een chip. De exacte breedte van deze banen blijkt cruciaal te zijn: wijziging met slechts enkele nanometers kan het gedrag van het licht zodanig veranderen dat snelheid, energieverbruik of signaalkwaliteit lijden. Toch betekent het controleren van die afmetingen meestal dat chips moeten worden opengesneden en bekeken met dure microscopen. Deze studie introduceert een snellere, niet‑destructieve manier om de breedte van een golfgeleider uit te lezen met alleen een eenvoudige optische teststructuur en een deep‑learningmodel.

Licht als liniaal op een chip

De auteurs bouwen voort op een klassiek apparaat uit de optica, de Mach–Zehnder‑interferometer, die een lichtbundel in twee paden splitst en daarna weer samenvoegt. Als het ene pad ook maar iets anders is dan het andere, vormt het uitgekoppelde licht een kenmerkend patroon van heldere en donkere franjes over verschillende kleuren, vergelijkbaar met de rimpels die ontstaan wanneer twee golfpatronen in water samenkomen. Omdat dit patroon gevoelig is voor hoe sterk licht in een golfgeleider wordt ingesloten, codeert het indirect informatie over de breedte van de golfgeleider. Het team ontwerpt een bijzonder compacte versie van deze interferometer op een siliciumfotonica‑platform, waarbij de twee armen identiek zijn behalve een zeer kleine lengteverschil van slechts 26,672 micrometer—veel korter dan de structuren die doorgaans voor dergelijke metingen worden gebruikt.

Complexe spectra omzetten in eenvoudige afmetingen

In plaats van te vertrouwen op traditionele curve‑fittingformules, die moeite hebben wanneer de fysica sterk niet‑lineair wordt, wenden de onderzoekers zich tot een diep neuraal netwerk. Ze gebruiken eerst computersimulaties om te laten zien hoe de effectieve optische eigenschappen van de golfgeleider veranderen met zowel golflengte als breedte binnen realistische fabricagebereiken. Uit deze simulaties genereren ze een grote set voorbeeldspectra gekoppeld aan hun werkelijke breedtes en gebruiken deze database om een volledig verbonden neuraal netwerk te trainen als inverse model: gegeven het optische gedrag voorspelt het de fysieke breedte. Het getrainde model behaalt een indrukwekkende gemiddelde absolute fout van slechts 0,15 nanometer op ongeziene gesimuleerde data, wat aangeeft dat het de ingewikkelde relatie tussen spectrum en geometrie heeft vastgelegd, veel verder dan wat eenvoudige polynomen gemakkelijk kunnen uitdrukken.

Van laboratoriummetingen naar echte apparaten

Om de methode in de praktijk te testen, fabriceert het team 30 interferometer‑apparaten op een standaard silicium‑op‑isolator‑wafer, met werkelijke golfgeleiderbreedtes verspreid over een bereik van ±20 nanometer rond de ontwerpwaarde. Ze laten een stembare laser door elke kleine structuur schijnen en registreren het getransmitteerde spectrum in de telecommunicatie C‑band. Door zorgvuldig specifieke donkere dalen in het patroon te lokaliseren en te schatten hoe dicht deze dalen op elkaar liggen, bepalen ze een paar optische grootheden—effectieve index en groepsindex—die samen aangeven welke franjeorde ze waarnemen. Deze waarden worden vervolgens in het voorgetrainde neurale netwerk gevoerd, dat voor elk apparaat een voorspelde fysieke breedte teruggeeft, allemaal zonder in de chip te hoeven snijden.

Hoe dicht het bij een microscoop komt

De auteurs vergelijken deze optische voorspellingen vervolgens met directe metingen gedaan met een rasterelektronenmicroscoop, die als gouden standaard dient. Over de 30 apparaten behaalt de nieuwe methode een gemiddelde fout van slechts 3,28 nanometer, met het slechtste geval nog steeds onder 6,7 nanometer. De studie analyseert verder waar de resterende afwijkingen vandaan komen en traceert deze naar gebruikelijke onzekerheden in spectrale metingen, kleine variaties in de hoek van de zijwanden van de golfgeleider en zeer kleine veranderingen in laagdikte die niet in de trainingssimulaties waren opgenomen. Zelfs rekening houdend met deze imperfecties uit de praktijk blijkt de aanpak robuust en nauwkeurig genoeg om te monitoren hoe goed een fabricageproces zijn streefafmetingen aanhoudt.

Kleinere teststructuren, slimmer procesbeheer

Door een enkele, zeer compacte interferometer te combineren met een deep‑learningmodel dat op realistische simulaties is getraind, laat dit werk zien dat chipfabrikanten snel en niet‑destructief golfgeleiderbreedtes kunnen uitlezen met bijna microscoopniveau‑precisie. Dat betekent dat ze afwijkingen in lithografie‑ of etsstappen binnen enkele minuten nadat een wafer de lijn verlaat kunnen signaleren, in plaats van te wachten op off‑line beeldvorming. Dezelfde strategie kan worden uitgebreid om meerdere geometrische parameters tegelijk te volgen, simpelweg door de trainingsdata te verrijken en meer optische kenmerken toe te voegen. Op langere termijn kan dergelijke AI‑ondersteunde metrologie een sleutelfeedbackinstrument worden voor het bouwen van dichtere, betrouwbaardere fotonische schakelingen die de gegevens van de wereld via lichtbundels vervoeren.

Bronvermelding: 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

Trefwoorden: siliciumfotonica, golfgeleider‑metrologie, Mach‑Zehnder‑interferometer, diepe neurale netwerken, optische karakterisering