Extração assistida por rede neural profunda da largura da guia de onda via medição óptica de um único interferômetro de Mach‑Zehnder de baixa ordem

Por que medir trajetos minúsculos de luz importa

Dentro dos data centers e dos futuros computadores quânticos que transportam informação com luz em vez de eletricidade, trilhas finíssimas semelhantes a vidro chamadas guias de onda direcionam essa luz ao redor de um chip. A largura exata dessas trilhas revela‑se crucial: alterá‑la em apenas alguns bilionésimos de metro pode mudar o comportamento da luz o suficiente para prejudicar velocidade, consumo de energia ou qualidade do sinal. Ainda assim, verificar essas dimensões geralmente envolve cortar chips e examiná‑los com microscópios caros. Este estudo apresenta uma maneira mais rápida e não destrutiva de “ler” a largura da guia de onda usando apenas uma estrutura de teste óptica simples e um modelo de aprendizado profundo.

A luz como régua em um chip

Os autores partem de um dispositivo clássico da óptica chamado interferômetro de Mach–Zehnder, que divide um feixe de luz em dois caminhos e depois os recombina. Se um caminho for mesmo que ligeiramente diferente do outro, a luz de saída forma um padrão distintivo de franjas claras e escuras ao longo de diferentes cores, muito parecido com as ondulações que você vê quando dois conjuntos de ondas se encontram na água. Como esse padrão é sensível a quão fortemente a luz é confinada numa guia de onda, ele codifica indiretamente informação sobre a largura da guia. A equipe projeta uma versão particularmente compacta desse interferômetro em uma plataforma de fotônica de silício, com os dois braços idênticos exceto por uma diferença de comprimento muito pequena de apenas 26,672 micrômetros — muito menor do que as estruturas tipicamente usadas para essas medições.

Transformando espectros complexos em dimensões simples

Em vez de confiar em fórmulas tradicionais de ajuste de curva, que falham quando a física se torna fortemente não linear, os pesquisadores recorrem a uma rede neural profunda. Primeiro, usam simulações por computador para mostrar como as propriedades ópticas efetivas da guia de onda mudam com comprimento de onda e largura dentro de faixas realistas de fabricação. A partir dessas simulações, geram um grande conjunto de espectros de exemplo pareados com suas larguras reais e usam esse banco de dados para treinar uma rede totalmente conectada para atuar como um modelo inverso: dado o comportamento óptico, ela prevê a largura física. O modelo treinado alcança um impressionante erro absoluto médio de apenas 0,15 nanômetros em dados simulados não vistos, indicando que capturou a relação intrincada entre espectro e geometria muito além do que polinômios simples conseguem expressar facilmente.

Das medições de laboratório a dispositivos reais

Para testar o método na prática, a equipe fabrica 30 dispositivos interferométricos em uma pastilha padrão de silício sobre isolante, com larguras reais das guias distribuídas ao redor do valor projetado em uma faixa de ±20 nanômetros. Eles iluminam cada pequena estrutura com um laser sintonizável e registram o espectro transmitido na banda C de telecomunicações. Ao localizar cuidadosamente vales escuros específicos no padrão e estimar o espaçamento entre esses vales, determinam um par de quantidades ópticas — índice efetivo e índice de grupo — que, em conjunto, identificam qual ordem de franja estão observando. Esses valores são então fornecidos à rede neural pré‑treinada, que retorna uma largura física prevista para cada dispositivo, tudo isso sem cortar o chip.

Quão perto chega de um microscópio

Os autores então comparam essas previsões ópticas com medições diretas feitas por microscopia eletrônica de varredura, que serve como padrão‑ouro. Ao longo dos 30 dispositivos, o novo método alcança um erro médio de apenas 3,28 nanômetros, com o pior caso ainda abaixo de 6,7 nanômetros. O estudo analisa ainda mais de onde surgem as discrepâncias remanescentes, rastreando‑as até incertezas rotineiras nas medições espectrais, pequenas variações no ângulo das paredes laterais da guia e minúsculas mudanças na espessura de camadas que não foram incluídas nas simulações de treinamento. Mesmo levando em conta essas imperfeições do mundo real, a abordagem se mostra robusta e precisa o suficiente para monitorar quão bem um processo de fabricação está mantendo suas dimensões alvo.

Estruturas de teste menores, controle mais inteligente

Ao combinar um único interferômetro muito compacto com um modelo de aprendizado profundo treinado em simulações realistas, este trabalho mostra que os fabricantes de chips podem ler rapidamente e de forma não destrutiva as larguras das guias de onda com precisão próxima à de um microscópio. Isso significa que eles podem detectar desvios em etapas de litografia ou de gravação em minutos após uma pastilha sair da linha, em vez de esperar por imagens off‑line. A mesma estratégia pode ser ampliada para rastrear vários parâmetros geométricos ao mesmo tempo, simplesmente enriquecendo os dados de treinamento e adicionando mais recursos ópticos. A longo prazo, essa metrologia assistida por IA pode tornar‑se uma ferramenta de feedback chave para construir circuitos fotônicos mais densos e mais confiáveis que transportam os dados do mundo em feixes de luz.

Citação: 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

Palavras-chave: fotônica de silício, metrologia de guias de onda, interferômetro de Mach‑Zehnder, redes neurais profundas, caracterização óptica