Microring Resonator Dispersion Metrology with Neural Networks

Sintesi Tecnica: Metrologia della Dispersione di Microanelli Risonanti con Reti Neurali

Definizione del Problema
La conoscenza precisa della dispersione del risonatore, derivante sia dalle dimensioni geometriche che dalle proprietà dei materiali, è critica per la fotonica integrata non lineare ad alte prestazioni, come gli oscillatori parametrici ottici e i pettini di frequenza (frequency combs). Sebbene le misurazioni dirette a livello di fabbricazione (ad esempio, l'imaging della sezione trasversale o l'ellissometria) offrano una visione limitata, la caratterizzazione ottica completa per una metrologia precisa della dispersione è dispendiosa in termini di tempo e inadatta per la produzione su larga scala in fonderia. I metodi non distruttivi esistenti spesso non riescono a catturare i contributi della dispersione geometrica, e l'analisi distruttiva è impraticabile per il monitoraggio dei processi su scala wafer. È necessario un metodo rapido e non distruttivo per collegare le firme della dispersione ottica misurabili ai parametri geometrici e dei materiali del dispositivo.

Metodologia
Gli autori propongono un framework di apprendimento automatico (ML) che utilizza tre distinte architetture di reti neurali addestrate su dataset generati numericamente. I dataset simulano un microanello risonante in nitruro di silicio (Si$_3$N$_4$) con un raggio esterno fisso (23 $\mu$m) e altezze (620–720 nm) e larghezze (750–950 nm) variabili. La dispersione del materiale è modellata utilizzando equazioni di tipo Sellmeier con quattro distinti set di parametri (SM1–SM4) che rappresentano diversi rapporti tra ammoniaca e silano durante la deposizione.

Il framework affronta tre problemi complementari:

1. Regressione Inversa (Predizione della Geometria): Una rete neurale profonda (20 strati nascosti) predice la larghezza e l'altezza dell'anello a partire dagli spettri di dispersione integrata ($D_{int}$).
2. Classificazione Inversa (Identificazione del Materiale): Una rete di classificazione identifica il modello Sellmeier specifico (rapporto di gas) utilizzato nel materiale sulla base dei dati $D_{int}$.
3. Predizione Diretta (Sintesi della Dispersione): Una rete di regressione predice i coefficienti di un polinomio di sesto ordine per ricostruire l'intero spettro $D_{int}$ direttamente dai parametri geometrici dell'anello, evitando la necessità di ripetute simulazioni numeriche.

Lo studio valuta rigorosamente la robustezza del modello introducendo rumore controllato ($\pm$50 MHz e $\pm$200 MHz) per simulare incertezze di misurazione realistiche e analizza l'impatto del sottocampionamento spettrale (variando il numero di punti dati $D_{int}$ utilizzati).

Risultati Chiave

• Accuratezza della Predizione della Geometria: In condizioni prive di rumore, il modello di regressione raggiunge un'accuratezza sub-nanometrica (< 1 nm) sia per la larghezza che per l'altezza. In condizioni di rumore realistico ($\pm$50 MHz), l'accuratezza rimane elevata con errori < 8 nm utilizzando circa 45 campioni di dispersione. Con livelli di rumore più elevati ($\pm$200 MHz), gli errori aumentano a circa 16 nm. Il modello dimostra che la predizione dell'altezza è generalmente più robusta della predizione della larghezza, a causa della maggiore sensibilità di $D_{int}$ alle variazioni di altezza.
• Classificazione del Materiale: La rete di classificazione raggiunge un'accuratezza superiore al 99% nell'identificare il corretto modello Sellmeier in tutte le condizioni di rumore. Questo compito è significativamente più robusto al rumore rispetto alla regressione delle dimensioni, poiché diversi rapporti di gas producono profili $D_{int}$ distintamente formati.
• Efficienza di Campionamento: Lo studio rileva che i campioni di dispersione prelevati lontano dalla frequenza di pompa (dove la curvatura spettrale è maggiore) sono i più informativi. Sebbene 45 campioni siano sufficienti per sistemi ad alta precisione, anche un campionamento ridotto (ad esempio, 6 campioni) fornisce risultati ragionevoli per scenari a basso rumore, sebbene l'accuratezza degradi con alti rapporti di gas dove le curve $D_{int}$ si appiattiscono.
• Predizione Diretta: La rete diretta ricostruisce con alta fedeltà gli spettri di dispersione a partire dagli input geometrici, fornendo un'alternativa rapida ai solver degli autostati (eigenmode solvers) per la valutazione del design.
• Resilienza al Rumore: I modelli mostrano un'alta resilienza al jitter di frequenza e alle perturbazioni stocastiche, funzionando efficacemente come filtri non lineari che danno priorità alla curvatura spettrale globale rispetto alle fluttuazioni localizzate.

Significatività e Rivendicazioni
L'articolo sostiene di aver stabilito un framework di apprendimento automatico bidirezionale che collega le risposte ottiche misurabili ($D_{int}$) ai parametri di fabbricazione sottostanti (geometria e materiale). Gli autori asseriscono che questo approccio offre uno strumento rapido e non distruttivo per il controllo qualità su scala wafer e il monitoraggio dei processi nelle fonderie fotoniche. Dimostrando che un set limitato di frequenze di risonanza judiciousamente scelte può consentire una precisa predizione delle dimensioni anche con rumore di misurazione realistico, il lavoro suggerisce una via per superare gli ostacoli degli attuali metodi di caratterizzazione. La capacità di eseguire sia compiti inversi (caratterizzazione) che diretti (predizione del design) all'interno di questo framework evidenzia il potenziale dell'ML per accelerare lo sviluppo e l'implementazione di sistemi fotonici avanzati senza richiedere test distruttivi o estese scansioni ottiche.