通过对单个低阶马赫–曾德尔干涉仪的光学测量，借助深度神经网络提取波导宽度

为何测量微小光路至关重要

在那些用光而非电来传输信息的数据中心和未来量子计算机中，像头发丝般细的玻璃状通道——波导——在芯片上引导光线。波导的精确宽度非常关键：仅改变几纳米甚至更小的量级，光的行为就可能发生足以影响速度、功耗或信号质量的变化。然而，检查这些尺寸通常意味着要切开芯片并用昂贵的显微镜观察。本文介绍了一种更快捷、无损的“读取”波导宽度的方法，只需一个简单的光学测试结构和一个深度学习模型。

将光作为芯片上的尺子

作者基于光学中的经典器件——马赫–曾德尔干涉仪，该器件将一束光分成两条路径再重组。如果两条路径之一与另一条略有不同，输出光在不同颜色上会形成独特的明暗条纹，就像两组波在水面相遇时产生的波纹一样。由于这种干涉图样对光在波导中被束缚的程度很敏感，它间接地编码了关于波导宽度的信息。团队在硅光子学平台上设计了一种特别紧凑的干涉仪，两个臂除了只有26.672微米的极小长度差外完全相同——远比此类测量中通常使用的结构短得多。

把复杂光谱变成简单尺寸

研究人员没有依赖传统的曲线拟合公式（当物理变得强非线性时，传统方法会困难重重），而是转向深度神经网络。他们首先用计算机模拟展示波导的有效光学特性如何随波长和宽度在现实的加工范围内变化。基于这些模拟，他们生成了大量带有真实宽度标签的示例光谱，并用该数据库训练一个全连接神经网络作为逆向模型：给定光学表现，预测物理宽度。训练后的模型在未见过的模拟数据上达到了仅0.15纳米的平均绝对误差，表明它已捕捉到光谱与几何之间的复杂关系，远超简单多项式所能轻松表达的范围。

从实验室测量到真实器件

为在实际中检验该方法，团队在标准硅绝缘体衬底上制造了30个干涉仪器件，实际波导宽度在设计值附近呈±20纳米的分布。他们用可调谐激光照射每个微小结构并记录电信C波段的传输光谱。通过精确定位图样中的特定暗谷并估算这些暗谷的相对间距，他们确定了一对光学量——有效折射率和群折射率——这两项共同识别出所观测的干涉级次。然后将这些值输入预先训练的神经网络，网络返回每个器件的预测物理宽度，整个过程无需切开芯片。

与显微镜相比的接近程度

作者随后将这些光学预测与作为金标准的扫描电子显微镜直接测量结果进行比较。在30个器件中，该新方法的平均误差仅为3.28纳米，最差情况仍低于6.7纳米。研究进一步分析了剩余差异的来源，追溯到光谱测量中的常规不确定性、波导侧壁角度的轻微变化，以及训练模拟中未包含的薄层厚度微小变化。即便考虑到这些现实世界的不完美，该方法仍被证明在监控制造工艺维持目标尺寸方面足够稳健且准确。

更小的测试结构，更智能的控制

通过将单个非常紧凑的干涉仪与基于现实模拟训练的深度学习模型相结合，这项工作表明芯片制造商可以快速且无损地读取接近显微镜水平精度的波导宽度。这意味着他们可以在晶圆离开生产线几分钟内发现光刻或刻蚀步骤的偏移，而不必等待离线成像。通过丰富训练数据并增加更多光学特征，同一策略还可以扩展为同时跟踪多个几何参数。长期来看，这类人工智能辅助的计量有望成为构建更密集、更可靠的光子电路的关键反馈工具，这些电路以光束承载全球数据。

引用: 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

关键词: 硅光子学, 波导计量, 马赫‑曾德尔干涉仪, 深度神经网络, 光学表征