Microring Resonator Dispersion Metrology with Neural Networks

Resumen Técnico: Metrología de la Dispersión de Resonadores de Anillo Microscópico con Redes Neuronales

Planteamiento del Problema
El conocimiento preciso de la dispersión del resonador, derivada tanto de las dimensiones geométricas como de las propiedades de los materiales, es crítico para la fotónica integrada no lineal de alto rendimiento, tales como los osciladores paramétricos ópticos y las peines de frecuencias (frequency combs). Si bien las mediciones directas a nivel de fabricación (por ejemplo, imágenes de sección transversal o elipsometría) ofrecen una visión limitada, la caracterización óptica completa para una metrología de dispersión precisa es lenta y no es adecuada para la producción masiva en fundiciones. Los métodos no destructivos existentes suelen fallar al capturar las contribuciones de la dispersión geométrica, y el análisis destructivo es poco práctico para el monitoreo de procesos a escala de oblea. Existe la necesidad de un método rápido y no destructivo que vincule las firmas de dispersión óptica medibles con la geometría del dispositivo y los parámetros del material subyacentes.

Metodología
Los autores proponen un marco de aprendizaje automático (ML) que utiliza tres arquitecturas de redes neuronales distintas entrenadas con conjuntos de datos generados numéricamente. Los conjuntos de datos simulan un resonador de anillo de nitruro de silicio (Si$_3$N$_4$) con un radio exterior fijo (23 $\mu$m) y variaciones en la altura del anillo (620–720 nm) y el ancho (750–950 nm). La dispersión del material se modela mediante ecuaciones de tipo Sellmeier con cuatro conjuntos de parámetros distintos (SM1–SM4) que representan diferentes relaciones de gas de amoníaco a silano durante la deposición.

El marco aborda tres problemas complementarios:

1. Regresión Inversa (Predicción de Geometría): Una red neuronal profunda (20 capas ocultas) predice el ancho y la altura del anillo a partir de los espectros de dispersión integrada ($D_{int}$).
2. Clasificación Inversa (Identificación de Material): Una red de clasificación identifica el modelo Sellmeier específico (relación de gas) utilizado en el material basándose en los datos de $D_{int}$.
3. Predicción Directa (Síntesis de Dispersión): Una red de regresión predice los coeficientes de un polinomio de sexto orden para reconstruir el espectro completo de $D_{int}$ directamente a partir de las dimensiones del anillo, evitando la necesidad de realizar simulaciones numéricas repetidas.

El estudio evalúa rigurosamente la robustez del modelo introduciendo ruido controlado ($\pm$50 MHz y $\pm$200 MHz) para simular incertidumbres de medición realistas y analiza el impacto del submuestreo espectral (variando el número de puntos de datos de $D_{int}$ utilizados).

Resultados Clave

• Precisión de la Predicción de la Geometría: En condiciones sin ruido, el modelo de regresión logra una precisión sub-nanométrica (< 1 nm) tanto para el ancho como para la altura. Bajo ruido realista ($\pm$50 MHz), la precisión se mantiene alta con errores < 8 nm utilizando aproximadamente 45 muestras de dispersión. Con niveles de ruido más altos ($\pm$200 MHz), los errores aumentan a aproximadamente 16 nm. El modelo demuestra que la predicción de la altura es generalmente más robusta que la del ancho debido a la mayor sensibilidad de $D_{int}$ a las variaciones de la altura.
• Clasificación de Material: La red de clasificación logra una precisión > 99% en la identificación del modelo Sellmeier correcto en todas las condiciones de ruido. Esta tarea resulta significativamente más robusta al ruido que la regresión de dimensiones, ya que las diferentes relaciones de gas producen perfiles de $D_{int}$ distintivamente diferentes.
• Eficiencia de Muestreo: El estudio encuentra que las muestras de dispersión tomadas lejos de la frecuencia de bombeo (donde la curvatura espectral es mayor) son las más informativas. Aunque 45 muestras son suficientes para sistemas de alta precisión, incluso un muestreo reducido (por ejemplo, 6 muestras) ofrece resultados razonables en escenarios de bajo ruido, aunque la precisión se degrada con altas relaciones de gas donde las curvas de $D_{int}$ se aplanan.
• Predicción Directa: La red directa reconstruye con éxito los espectros de dispersión a partir de entradas geométricas con alta fidelidad, proporcionando una alternativa rápida a los resolvedores de modos propios (eigenmode solvers) para la evaluación de diseño.
• Resiliencia al Ruido: Los modelos exhiben una alta resiliencia al jitter de frecuencia y a las perturbaciones estocásticas, funcionando eficazmente como filtros no lineales que priorizan la curvatura espectral global sobre las fluctuaciones localizadas.

Significancia y Reivindicaciones
El artículo afirma establecer un marco de aprendizaje automático bidireccional que vincula las respuestas ópticas medibles ($D_{int}$) con los parámetros de fabricación subyacentes (geometría y material). Los autores postulan que este enfoque ofrece una herramienta rápida y no destructiva para el control de calidad a escala de oblea y el monitoreo de procesos en fundiciones fotónicas. Al demostrar que un conjunto limitado y juiciosamente elegido de frecuencias de resonancia puede permitir una predicción de dimensiones precisa incluso con ruido de medición realista, el trabajo sugiere una vía para superar los cuellos de botella de los métodos de caracterización actuales. La capacidad de realizar tanto tareas inversas (caracterización) como directas (predicción de diseño) dentro de este marco resalta el potencial del ML para acelerar el desarrollo y despliegue de sistemas fotónicos avanzados sin requerir pruebas destructivas o barridos ópticos exhaustivos.