DNN-stödd extraktion av vågledarens bredd via optisk mätning av en enda lågfrekvent Mach‑Zehnder‑interferometer

Varför mätning av mikroskopiska ljusleder är viktig

Inne i datacenter och framtida kvantdatorer som för information med ljus istället för elektricitet, styr hårtunna glasliknande banor kallade vågledare ljuset runt på ett chip. Den exakta bredden på dessa banor visar sig vara avgörande: ändra den med bara några miljarddelar av en meter och ljusets beteende kan skifta tillräckligt för att påverka hastighet, effektförbrukning eller signal‑kvalitet. Ändå innebär kontroll av dessa dimensioner oftast att man måste öppna chipen och granska dem i dyra mikroskop. Denna studie presenterar ett snabbare, icke‑destruktivt sätt att ”läsa av” vågledarbredden med endast en enkel optisk provstruktur och en djupinlärningsmodell.

Ljus som linjal på ett chip

Författarna bygger vidare på en klassisk optisk anordning kallad Mach–Zehnder‑interferometer, som delar en ljusstråle i två vägar och sedan återförenar dem. Om en väg ens är något annorlunda än den andra bildar utgående ljus ett karakteristiskt mönster av ljusa och mörka fransar över olika färger, ungefär som vågmönstren du ser när två uppsättningar vågor möts i vatten. Eftersom detta mönster är känsligt för hur tätt ljuset är bundet i en vågledare, kodar det indirekt information om vågledarens bredd. Gruppen utformar en särskilt kompakt version av denna interferometer på en kisel‑fotonikplattform, där de två armarna är identiska förutom en mycket liten längdskillnad på endast 26,672 mikrometer — långt kortare än de strukturer som vanligtvis används för sådana mätningar.

Att förvandla komplexa spektra till enkla dimensioner

I stället för att förlita sig på traditionella kurvanpassningsformler, som har svårt när fysiken blir starkt icke‑linjär, vänder sig forskarna till ett djupt neuralt nätverk. De använder först dator­simuleringar för att visa hur de effektiva optiska egenskaperna hos vågledaren förändras med både våglängd och bredd över realistiska tillverkningsintervall. Från dessa simuleringar genererar de en stor mängd exempel­spektra parade med sina verkliga bredder och använder denna databas för att träna ett fullt anslutet neuralt nätverk att fungera som en invers modell: givet det optiska beteendet förutspår det den fysiska bredden. Den tränade modellen når en imponerande medelabsolutfel på endast 0,15 nanometer på osedda simulerade data, vilket indikerar att den fångat den intrikata relationen mellan spektrum och geometri långt bortom vad enkla polynom lätt kan uttrycka.

Från laboratoriemätningar till riktiga enheter

För att testa metoden i praktiken tillverkar gruppen 30 interferometer‑anordningar på en standard kisel‑på‑isolator‑wafer, med faktiska vågledarbredder spridda kring designvärdet inom ±20 nanometer. De belyser varje liten struktur med en ställbar laser och registrerar det transmittade spektret i telekommunikations‑C‑bandet. Genom att noggrant lokalisera specifika mörka dalar i mönstret och uppskatta hur tätt dessa dalar ligger kan de bestämma ett par optiska kvantiteter — effektivt brytningsindex och gruppindex — som tillsammans identifierar vilken fransordning de observerar. Dessa värden matas sedan in i det förtränade neurala nätverket, som returnerar en förutsagd fysisk bredd för varje enhet, helt utan att skära i chippet.

Hur nära ett mikroskop det kommer

Författarna jämför därefter dessa optiska förutsägelser med direkta mätningar gjorda med svepelektronmikroskopi, som tjänar som guldlstandarden. Över de 30 enheterna uppnår den nya metoden ett genomsnittligt fel på endast 3,28 nanometer, där värsta fallet fortfarande ligger under 6,7 nanometer. Studien analyserar vidare var de återstående avvikelserna kommer från och spårar dem till rutinmässiga osäkerheter i spektromätningar, små variationer i vågledarens sidväggsvinkel samt små förändringar i lager­tjocklek som inte inkluderades i tränings­simuleringarna. Även med hänsyn till dessa verkliga imperfektioner visar sig tillvägagångssättet vara robust och tillräckligt exakt för att övervaka hur väl en tillverkningsprocess håller sina måldimensioner.

Mindre provstrukturer, smartare kontroll

Genom att kombinera en enda, mycket kompakt interferometer med en djupinlärningsmodell tränad på realistiska simuleringar visar detta arbete att chip­tillverkare snabbt och icke‑destruktivt kan läsa av vågledarbredder med nästan mikroskopisk precision. Det innebär att de kan upptäcka skiftningar i litografi‑ eller fräsningssteg inom några minuter efter att en wafer lämnat linjen, istället för att vänta på off‑line‑avbildning. Samma strategi skulle kunna utökas för att spåra flera geometriska parametrar samtidigt, helt enkelt genom att berika träningsdata och lägga till fler optiska kännetecken. På längre sikt kan sådan AI‑assisterad metrologi bli ett viktigt återkopplingsverktyg för att bygga tätare, mer pålitliga fotoniska kretsar som för världens data på ljusstrålar.

Citering: 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

Nyckelord: kisel‑fotonik, vågledarmetrologi, Mach‑Zehnder‑interferometer, djupa neurala nätverk, optisk karakterisering