Wydobywanie szerokości falowodu wspomagane przez DNN za pomocą optycznego pomiaru pojedynczego niskorzędowego interferometru Mach–Zehndera

Dlaczego pomiar malutkich dróg świetlnych ma znaczenie

W centrach danych i przyszłych komputerach kwantowych, które przesyłają informacje światłem zamiast prądem, włosowato cienkie, szklaste ścieżki zwane falowodami kierują to światło po chipie. Dokładna szerokość tych ścieżek okazuje się kluczowa: zmiana o zaledwie kilka miliardowych metra może przesunąć zachowanie światła na tyle, by pogorszyć prędkość, zużycie energii lub jakość sygnału. Tymczasem sprawdzenie tych wymiarów zwykle oznacza rozcinanie układów i zaglądanie do nich drogimi mikroskopami. W tym badaniu przedstawiono szybszy, nieniszczący sposób „odczytu” szerokości falowodu, wykorzystujący jedynie prostą strukturę testową optyczną i model uczenia głębokiego.

Światło jako linijka na chipie

Autorzy bazują na klasycznym urządzeniu optycznym zwanym interferometrem Mach–Zehndera, które dzieli wiązkę światła na dwie ścieżki, a następnie je ponownie łączy. Jeśli jedna ścieżka różni się nawet nieznacznie od drugiej, wychodzące światło tworzy charakterystyczny układ jasnych i ciemnych pasm w zależności od koloru, podobnie jak fale na wodzie spotykające się i nakładające. Ponieważ ten wzór jest czuły na to, jak mocno światło jest ograniczone w falowodzie, pośrednio koduje informacje o jego szerokości. Zespół zaprojektował szczególnie kompaktową wersję tego interferometru na platformie fotoniki krzemowej, z dwiema ramionami identycznymi z wyjątkiem bardzo małej różnicy długości wynoszącej zaledwie 26,672 mikrometra — znacznie krótszej niż struktury zwykle używane do takich pomiarów.

Przekształcanie złożonych widm w proste wymiary

Zamiast polegać na tradycyjnych formułach dopasowywania krzywych, które zawodzą gdy fizyka staje się silnie nieliniowa, badacze zwracają się ku głębokiej sieci neuronowej. Najpierw za pomocą symulacji komputerowych pokazują, jak efektywne właściwości optyczne falowodu zmieniają się z długością fali i szerokością w realistycznym zakresie produkcyjnym. Z tych symulacji generują duży zbiór przykładowych widm sparowanych z ich rzeczywistymi szerokościami i używają tej bazy do wytrenowania w pełni połączonej sieci neuronowej działającej jako model odwrotny: na podstawie zachowania optycznego przewiduje fizyczną szerokość. Wytrenowany model osiąga imponujący średni błąd bezwzględny zaledwie 0,15 nanometra na niewidzianych danych symulacyjnych, co wskazuje, że uchwycił złożoną zależność między widmem a geometrią daleko poza tym, co proste wielomiany mogą łatwo wyrazić.

Od pomiarów laboratoryjnych do rzeczywistych urządzeń

Aby przetestować metodę w praktyce, zespół wytworzył 30 urządzeń interferometrowych na standardowej płytce krzem na izolatorze (silicon‑on‑insulator), z rzeczywistymi szerokościami falowodów rozłożonymi w zakresie ±20 nanometrów wokół wartości projektowej. Przepuszczali przez każdą małą strukturę dostrajane źródło laserowe i rejestrowali transmitowane widmo w paśmie telekomunikacyjnym C. Poprzez staranne zlokalizowanie konkretnych ciemnych minimów we wzorze i oszacowanie ich rozstępu określili parę wielkości optycznych — indeks efektywny i indeks grupowy — które razem identyfikują, który rząd interferencyjny obserwują. Te wartości są następnie wprowadzane do uprzednio wytrenowanej sieci neuronowej, która zwraca przewidywaną szerokość fizyczną dla każdego urządzenia, wszystko to bez rozcinania chipu.

Jak blisko jest do mikroskopu

Następnie autorzy porównują te optyczne przewidywania z bezpośrednimi pomiarami wykonanymi przy użyciu skaningowego mikroskopu elektronowego, który służy jako złoty standard. Wśród 30 urządzeń nowa metoda osiąga średni błąd jedynie 3,28 nanometra, przy czym najgorszy przypadek pozostaje poniżej 6,7 nanometra. Badanie analizuje dalej, skąd pochodzą pozostałe rozbieżności, śledząc je do rutynowych niepewności w pomiarach widmowych, niewielkich odchyleń kąta ścian bocznych falowodu oraz drobnych zmian grubości warstw, które nie zostały uwzględnione w symulacjach treningowych. Nawet uwzględniając te rzeczywiste niedoskonałości, podejście okazuje się wystarczająco odporne i dokładne do monitorowania, jak dobrze proces produkcji utrzymuje docelowe wymiary.

Mniejsze struktury testowe, mądrzejsza kontrola

Łącząc pojedynczy, bardzo kompaktowy interferometr z modelem uczenia głębokiego wytrenowanym na realistycznych symulacjach, praca pokazuje, że producenci chipów mogą szybko i nieniszcząco odczytywać szerokości falowodów z precyzją bliską poziomowi mikroskopowemu. Oznacza to, że mogą wykryć dryfy w litografii lub procesie trawienia w ciągu minut od opuszczenia linii produkcyjnej przez płytkę, zamiast czekać na badania poza linią. Ta sama strategia mogłaby zostać rozszerzona, by śledzić jednocześnie kilka parametrów geometrycznych, po prostu wzbogacając dane treningowe i dodając więcej cech optycznych. W dłuższej perspektywie taka metrologia wspomagana AI może stać się kluczowym narzędziem sprzężenia zwrotnego przy budowie gęstszych, bardziej niezawodnych układów fotonicznych, które przenoszą światowe dane za pomocą wiązek światła.

Cytowanie: 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

Słowa kluczowe: fotonyka krzemowa, metrologia falowodów, interferometr Mach–Zehndera, głębokie sieci neuronowe, charakteryzacja optyczna