Извлечение ширины волновода с помощью DNN через оптическое измерение одного низко‑порядкового интерферометра Маха‑Цендера

Почему важно измерять крошечные оптические пути

Внутри дата‑центров и будущих квантовых компьютеров, которые передают информацию с помощью света вместо электричества, тончайшие стекловидные дорожки — волноводы — направляют этот свет по чипу. Точная ширина этих дорожек оказывается критичной: изменение на пару миллиардных долей метра может достаточно сильно изменить поведение света, чтобы ухудшить скорость, потребление энергии или качество сигнала. При этом проверка этих размеров обычно требует вскрытия чипов и изучения их дорогими микроскопами. В этом исследовании предложен более быстрый, неразрушающий способ «считывать» ширину волновода, используя только простую оптическую тестовую структуру и модель глубокого обучения.

Свет как измерительная линейка на чипе

Авторы опираются на классическое оптическое устройство — интерферометр Маха–Цендера, который разделяет пучок света на два пути и затем снова их объединяет. Если один путь даже немного отличается от другого, исходящий свет формирует характерный узор светлых и тёмных полос по разным цветам, подобно рябям, которые возникают при наложении двух волн на воде. Поскольку этот узор чувствителен к тому, насколько сильно свет локализуется в волноводе, он косвенно кодирует информацию о его ширине. Команда разработала особо компактную версию такого интерферометра на платформе кремниевой фононики, где оба плеча идентичны за исключением очень малого различия в длине всего 26,672 микрометра — значительно короче, чем структуры, обычно применяемые для таких измерений.

Преобразование сложных спектров в простую геометрию

Вместо опоры на традиционные формулы аппроксимации кривых, которые с трудом работают в сильно нелинейной области, исследователи использовали глубокую нейронную сеть. Сначала они применили компьютерные симуляции, чтобы показать, как эффективные оптические характеристики волновода меняются в зависимости от длины волны и ширины в реалистичных пределах изготовления. Из этих симуляций они сгенерировали большой набор примерных спектров в паре с их истинными ширинами и использовали базу данных для обучения полностью связной нейронной сети, работающей как обратная модель: по оптическому отклику она предсказывает физическую ширину. Обученная модель достигает впечатляющей средней абсолютной ошибки всего 0,15 нанометра на невидимых симулированных данных, что указывает на то, что она уловила тонкую зависимость между спектром и геометрией далеко за пределами возможностей простых полиномов.

От лабораторных измерений к реальным устройствам

Чтобы опробовать метод на практике, команда изготовила 30 интерферометрических устройств на стандартной подложке «кремний на изоляторе», при этом реальные ширины волноводов варьировались в пределах ±20 нанометров вокруг проектного значения. Они пропускали через каждую крошечную структуру перестраиваемый лазер и регистрировали пропускание в телекоммуникационной C‑полосе. Тщательно локализуя определённые тёмные впадины в спектральном узоре и оценивая их взаимное расстояние, они определяли пару оптических величин — эффективный показатель преломления и групповой показатель — которые вместе идентифицируют порядок интерференционной полосы, которую наблюдают. Эти значения затем подаются в заранее обученную нейросеть, которая возвращает предсказанную физическую ширину для каждого устройства, и всё это — без разрушения чипа.

Насколько близко это к микроскопу

Авторы затем сравнили эти оптические предсказания с прямыми измерениями, выполненными с помощью растрового электронного микроскопа, служащего золотым стандартом. По 30 устройствам новый метод показывает среднюю ошибку всего 3,28 нанометра, при этом худший случай остаётся ниже 6,7 нанометра. Исследование также анализирует, откуда берутся оставшиеся расхождения, связывая их с рутинными неопределённостями в спектральных измерениях, незначительными вариациями угла боковых стенок волновода и крошечными изменениями толщины слоёв, которые не были учтены в тренировочных симуляциях. Даже с учётом этих реальных несовершенств подход оказывается достаточно устойчивым и точным для мониторинга того, насколько хорошо технологический процесс поддерживает целевые размеры.

Меньше тестовой структуры, умнее управление

Сочетая один очень компактный интерферометр с моделью глубинного обучения, обученной на реалистичных симуляциях, эта работа показывает, что производители чипов могут быстро и неразрушающе считывать ширины волноводов с точностью, близкой к уровню микроскопа. Это означает возможность обнаруживать смещения в литографии или травлении в течение минут после выхода пластины из линии, вместо ожидания офлайн‑сканирования. Та же стратегия может быть расширена для отслеживания нескольких геометрических параметров одновременно просто за счёт обогащения тренировочных данных и добавления дополнительных оптических признаков. В долгосрочной перспективе такая ИИ‑ассистированная метрология может стать ключевым инструментом обратной связи при создании более плотных и надёжных фотонных схем, которые будут нести мировые данные с помощью световых пучков.

Цитирование: 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

Ключевые слова: кремниевая фононика, измерение геометрии волноводов, интерферометр Маха‑Цендера, глубокие нейронные сети, оптическая характеристика