🔬 optics

Machine Learning-Driven Design of Mixed-Pitch Grating Couplers for Co-Packaged Optics Applications

Este artículo presenta una herramienta de software impulsada por aprendizaje automático que cuenta con una red neuronal profunda y una interfaz gráfica de usuario que diseña automáticamente acopladores de rejilla de pitch mixto para óptica empaquetada conjuntamente, logrando una alta precisión en el cumplimiento de las longitudes de onda de pico y los anchos de banda especificados por el usuario con un error mínimo en comparación con las simulaciones FDTD.

Autores originales: Yu Dian Lim, Yun Da Chua, Wai Cheung Ma, Yeow Kheng Lim, Chuan Seng Tan

Publicado 2026-07-20

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Yu Dian Lim, Yun Da Chua, Wai Cheung Ma, Yeow Kheng Lim, Chuan Seng Tan

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el internet como una ciudad enorme y bulliciosa donde los datos son el tráfico. Durante años, este tráfico se ha desplazado por cables de cobre, como coches atrapados en un embotellamiento de calles viejas y estrechas. Pero a medida que nuestro mundo digital explota con la inteligencia artificial y los centros de datos masivos, estas carreteras de cobre están chocando contra un muro; son demasiado lentas, demasiado calientes y están demasiado congestionadas. Para solucionar esto, los ingenieros están construyendo un nuevo tipo de autopista: la Óptica Co-Empaquetada (CPO, por sus siglas en inglés). En lugar de usar cobre, la CPO utiliza la luz para transportar información, y empaqueta estas autopistas basadas en la luz justo al lado de los chips informáticos que realizan el trabajo pesado.

Sin embargo, lograr que la luz entre y salga de estos diminutos chips es complicado. Piensa en un acoplador de rejilla (grating coupler) como una "rampa de entrada" o "rampa de salida" especializada para la luz. Es una estructura minúscula con una serie de crestas que atrapa un haz de luz y lo guía hacia un cable microscópico en un chip. El problema es que en un centro de datos moderno, no tienes solo un color de luz; tienes todo un arcoíris de diferentes longitudes de onda (colores) que intentan usar la misma rampa de entrada al mismo tiempo. Diseñar una única rampa de entrada que pueda manejar todo este arcoíris de manera eficiente es como intentar construir un único puente que funcione perfectamente para una bicicleta, un camión de carga y un coche de carreras a la vez. Es increíblemente complejo y, por lo general, determinar la forma correcta para ese puente requiere miles de simulaciones lentas y pesadas para la computadora.

Aquí es donde entra en juego el equipo de la Universidad Tecnológica de Nanyang y la Universidad Nacional de Singapur con un atajo ingenioso. Han desarrollado una nueva herramienta de software que utiliza un "cerebro" llamado Red Neuronal Profunda (DNN) para diseñar estos acopladores de rejilla de paso mixto de forma instantánea. En lugar de que la computadora adivine y pruebe miles de veces, la DNN actúa como un chef experimentado que ha probado 10,000 recetas diferentes. Los investigadores alimentaron a la IA con una biblioteca masiva de 10,000 ejemplos simulados, mostrándole cómo diferentes formas de la rejilla (los "ingredientes") cambiaban el comportamiento de la luz (el "sabor").

Una vez que la IA aprendió los patrones, los investigadores la probaron con unos 1,000 pedidos nuevos. Le pidieron a la IA que diseñara acopladores para longitudes de onda de pico específicas (el color principal de la luz) y valores de anchura a media altura (FWHM) —una forma elegante de decir "qué tan ancho debe ser el arcoíris de colores"—. Los resultados fueron impresionantes. En 822 de los 1,000 intentos, el diseño de la IA estaba dentro de un 15% del objetivo, y en 351 intentos, estuvo increíblemente cerca, con un error de menos del 5%. Al observar específicamente el color principal de la luz, 844 intentos fueron exactos, con un error de menos de 0.002 µm. Para el ancho del rango de color, 738 intentos estuvieron dentro de un margen de 0.010 µm del objetivo.

Para asegurarse de que esto no fuera solo una fantasía de la computadora, el equipo realmente construyó algunas de estas estructuras diseñadas por IA en chips de silicio reales y las probó con láseres. Si bien las mediciones del mundo real mostraron algunas pequeñas diferencias en comparación con las simulaciones por computadora —principalmente porque el mundo real es tridimensional y desordenado, mientras que el modelo de la computadora era una versión 2D simplificada—, la forma general de los patrones de luz coincidió muy bien. Los colores de pico fueron casi idénticos, aunque el "ancho" de la luz fue un poco más difícil de predecir perfectamente debido a las diminutas imperfecciones de fabricación.

¿Lo mejor de todo? El equipo no se guardó esto para sí mismo. Integraron la IA en un software fácil de usar con una interfaz gráfica, disponible en línea. Ahora, si un ingeniero necesita una rampa de entrada de luz personalizada para un color y un ancho específicos, simplemente puede introducir sus números y el software sugerirá instantáneamente el diseño exacto e incluso dibujará los planos (diseño GDS) para que pueda utilizarlos. Es una nueva herramienta poderosa que convierte una pesadilla de diseño de meses en unos pocos clics, ayudando a construir el internet más rápido, más frío y más eficiente del futuro.

Resumen Técnico: Diseño de Acopladores de Rejilla de Paso Mixto para Óptica Co-Empaquetada Impulsado por Aprendizaje Automático

Planteamiento del Problema
El crecimiento exponencial de las cargas de trabajo hiper-escalables en la era de la inteligencia artificial ha llevado a las interconexiones eléctricas tradicionales basadas en cobre a sus límites físicos en cuanto a ancho de banda, consumo de energía y latencia. Para abordar esto, la Óptica Co-Empaquetada (CPO) integra transceptores fotónicos directamente en sustratos con ASICs, GPUs o switches de alto rendimiento. Un desafío crítico en CPO es la integración de canales fotónicos con diversas longitudes de onda y respuestas espectrales. Mientras que la longitud de onda operativa de un acoplador de rejilla está determinada fundamentalmente por su paso (pitch), los escenarios de CPO a menudo requieren que una única fuente de luz sea compartida por múltiples canales, lo que hace necesarios los acopladores de rejilla de paso mixto para el acoplamiento de longitud de onda múltiple. El diseño de estas estructuras de paso mixto para lograr un amplio ancho de banda y respuestas espectrales específicas es complejo, requiriendo tradicionalmente simulaciones repetitivas y laboriosas de Diferencia de Tiempo de Dominio de Finitos (FDTD).

Metodología
Los autores proponen un enfoque impulsado por el aprendizaje automático para automatizar el diseño de acopladores de rejilla de paso mixto. La metodología involucra los siguientes pasos:

Estructura del Dispositivo: El dispositivo objetivo es un acoplador de rejilla de paso mixto que consta de cuatro regiones distintas. Cada región posee parámetros únicos de paso ( $p$ ) y ciclo de trabajo ($dc $) ($ p_1, dc_1 $a$ p_4, dc_4$), con cada región conteniendo seis protuberancias. Esta estructura está diseñada para acoplar un rango más amplio de longitudes de onda.
Generación del Conjunto de Datos: Se creó un conjunto de datos de aproximadamente 10,000 muestras. Cada muestra consiste en una combinación única de los ocho parámetros de la rejilla y su correspondiente espectro de potencia, simulado mediante técnicas FDTD.
Arquitectura del Modelo: Se desarrolló una Red Neuronal Profunda (DNN) con cinco capas ocultas (que contienen 2, 128, 64, 32 y 16 nodos, respectivamente). El modelo opera de manera inversa al diseño: toma un espectro objetivo (representado por 300 valores normalizados) como entrada y devuelve los ocho parámetros de la rejilla correspondientes.
Flujo de Trabajo: Los usuarios especifican las longitudes de onda pico deseadas y los valores de Ancho Completo a la Mitad del Máximo (FWHM). El sistema genera un espectro Gaussiano basado en estos parámetros de entrada, el cual sirve como entrada para la DNN entrenada. El modelo sugiere los parámetros de la rejilla, que luego son verificados mediante simulación FDTD. Si el espectro simulado coincide con el espectro objetivo del usuario, se genera automáticamente un diseño de disposición (layout) GDS.
Implementación de Software: Se desarrolló una Interfaz Gráfica de Usuario (GUI) utilizando Streamlit para facilitar la interacción del usuario y permitir la descarga de los diseños GDS generados.

Resultados Clave
El rendimiento del modelo DNN entrenado fue evaluado utilizando aproximadamente 1,000 combinaciones de longitudes de onda pico (1.535 – 1.615 µm) y valores de FWHM (0.08 – 0.145 µm):

Coincidencia Espectral: Al comparar el espectro Gaussiano especificado por el usuario con el espectro verificado por FDTD, 822 intentos (82.2%) resultaron en un Error Absoluto Medio (MAE) menor al 15%, y 351 intentos (35.1%) lograron un MAE menor al 5%. El modelo funcionó mejor en el rango de longitudes de onda pico de 1.57–1.6 µm y FWHM de 0.095–0.115 µm.
Precisión de Parámetros:
- Longitud de Onda Pico: 844 intentos (84.4%) lograron un Error Absoluto (AE) menor a 0.002 µm entre la longitud de onda pico especificada por el usuario y la verificada por FDTD.
- FWHM: 738 intentos (73.8%) lograron un AE menor a 0.010 µm para los valores de FWHM.
Verificación Experimental: Los autores fabricaron una muestra en una plataforma de Silicio sobre Aislante (SOI) de 220 nm y midieron el espectro utilizando una configuración de acoplamiento superior. Las comparaciones entre los espectros simulados por FDTD, definidos por el usuario y medidos experimentalmente mostraron que los errores de longitud de onda pico fueron generalmente inferiores a 0.005 µm. Sin embargo, se observaron desviaciones mayores en los valores de FWHM entre la simulación y el experimento. Los autores atribuyen estas discrepancias al uso de modelos FDTD 2D para el entrenamiento (que tratan todas las regiones de la rejilla por igual) frente a la realidad 3D de los dispositivos fabricados (donde las regiones tienen diferentes tamaños debido al estrechamiento o tapering), así como a errores de fabricación como imprecisiones de grabado.

Significancia y Reivindicaciones
El artículo afirma introducir un marco práctico y automatizado para diseñar acopladores de rejilla de paso mixto adaptados para aplicaciones de CPO. La principal significancia radica en la capacidad de generar rápidamente parámetros de rejilla personalizados basados en requisitos espectrales especificados por el usuario (longitud de onda pico y FWHM), evitando la necesidad de simulaciones manuales iterativas.

Los autores mantienen un tono modesto respecto a los resultados experimentales, reconociendo que, si bien el modelo DNN puede "sugerir" con precisión los parámetros adecuados para coincidir con las características espectrales deseadas, existen desviaciones en el FWHM entre la simulación y la medición física. Sugieren que las mejoras de precisión futuras podrían lograrse incorporando datos experimentales en el conjunto de entrenamiento y refinando la simulación FDTD para que coincida mejor con las realidades experimentales 3D. El trabajo culmina en una herramienta de acceso público (www.inphai.com) que permite a los usuarios probar el modelo y descargar los diseños GDS correspondientes, con el objetivo de facilitar la adopción de estos componentes en sistemas de óptica co-empaquetada.

Más como este