🔬 optics

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

Questo articolo presenta uno strumento software guidato dal machine learning, caratterizzato da una rete neurale profonda e un'interfaccia grafica utente, che progetta automaticamente accoppiatori di reticolo a passo misto per l'ottica co-impacchettata, raggiungendo un'elevata precisione nel soddisfare le lunghezze d'onda di picco e le larghezze di banda specificate dall'utente con un errore minimo rispetto alle simulazioni FDTD.

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

Pubblicato 2026-07-20

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

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

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate Internet come una città enorme e frenetica, dove i dati sono il traffico. Per anni, questo traffico si è mosso lungo fili di rame, come auto intrappolate in un ingorgo di vecchie e strette strade. Ma con l'esplosione del nostro mondo digitale, fatto di intelligenza artificiale e massicci data center, queste strade di rame stanno incontrando un muro; sono troppo lente, troppo calde e troppo affollate. Per risolvere il problema, gli ingegneri stanno costruendo un nuovo tipo di autostrada: la Co-Packaged Optics (CPO). Invece di usare il rame, la CPO utilizza la luce per trasportare informazioni, e posiziona queste autostrade basate sulla luce proprio accanto ai chip del computer che svolgono il lavoro pesante.

Tuttavia, far entrare ed uscire la luce da questi minuscoli chip è complicato. Pensate a un accoppiatore a reticolo (grating coupler) come a una sorta di "rampa di accesso" o "uscita" specializzata per la luce. È una struttura minuscola con una serie di creste che cattura un fascio di luce e lo guida in un filo microscopico su un chip. Il problema è che in un moderno data center non avete solo un colore di luce; avete un intero arcobaleno di diverse lunghezze d'onda (colori) che cercano tutti di usare la stessa rampa contemporaneamente. Progettare una singola rampa in grado di gestire tutto questo arcobaleno in modo efficiente è come cercare di costruire un unico ponte che funzioni perfettamente sia per una bicicletta, sia per un autoarticolato, sia per un'auto da corsa, tutto nello stesso momento. È incredibilmente complesso e, di solito, capire la forma giusta per quel ponte richiede migliaia di simulazioni lente e pesanti per il computer.

È qui che interviene il team della Nanyang Technological University e della National University of Singapore con una scorciatoia geniale. Hanno sviluppato un nuovo strumento software che utilizza un "cervello" chiamato Rete Neurale Profonda (Deep Neural Network - DNN) per progettare istantaneamente questi accoppiatori a reticolo a passo misto. Invece di far indovinare e controllare migliaia di volte al computer, la DNN agisce come uno chef esperto che ha assaggiato 10.000 ricette diverse. I ricercatori hanno nutrito l'IA con una vasta libreria di 10.000 esempi simulati, mostrando come diverse forme del reticolo (gli "ingredienti") cambiassero il comportamento della luce (il "sapore").

Una volta che l'IA ha imparato i modelli, i ricercatori l'hanno testata con circa 1.000 nuove richieste. Hanno chiesto all'IA di progettare accoppiatori per specifiche "lunghezze d'onda di picco" (il colore principale della luce) e valori di "larghezza a metà altezza" (FWHM), che è un modo elegante per dire "quanto deve essere ampio l'arcobaleno di colori". I risultati sono stati impressionanti. In 822 casi su 1.000, il design dell'IA era entro il 15% del target, e in 351 tentativi era incredibilmente vicino, con un errore inferiore al 5%. Guardando specificamente al colore principale della luce, 844 tentativi erano precisi, con un errore inferiore a 0,002 µm. Per la larghezza dell'intervallo di colori, 738 tentativi erano entro 0,010 µm dall'obiettivo.

Per assicurarsi che non fosse solo una fantasia del computer, il team ha effettivamente costruito alcune di queste strutture progettate dall'IA su veri chip di silicio e le ha testate con dei laser. Sebbene le misurazioni nel mondo reale abbiano mostrato alcune piccole differenze rispetto alle simulazioni al computer — principalmente perché il mondo reale è tridimensionale e disordinato, mentre il modello al computer era una versione 2D semplificata — la forma generale dei pattern di luce corrispondeva molto bene. I colori di picco erano quasi identici, sebbene la "larghezza" della luce sia stata un po' più difficile da prevedere perfettamente a causa di minuscole imperfezioni di fabbricazione.

La parte migliore? Il team non ha tenuto tutto per sé. Ha racchiuso l'IA in un software user-friendly con un'interfaccia grafica, disponibile online. Ora, se un ingegnere ha bisogno di una rampa di accesso luminosa personalizzata per un colore e una larghezza specifici, può semplicemente inserire i suoi numeri e il software suggerirà istantaneamente il design esatto e disegnerà persino i relativi progetti (layout GDS) da utilizzare. È un nuovo strumento potente che trasforma un incubo di progettazione di mesi in pochi clic, aiutando a costruire l'internet più veloce, più fresco ed efficiente del futuro.

Sintesi Tecnica: Progettazione di Accoppiatori a Gratina a Passo Misto Guidata dal Machine Learning per l'Ottica Co-Packaged

Definizione del Problema
La crescita esponenziale dei carichi di lavoro hyper-scale nell'era dell'intelligenza artificiale ha spinto i tradizionali interconnessioni elettriche basate su rame ai loro limiti fisici in termini di larghezza di banda, consumo di potenza e latenza. Per affrontare questo problema, l'ottica Co-Packaged (CPO) integra transceiver fotonici direttamente sugli substrati con ASIC, GPU o switch ad alte prestazioni. Una sfida critica nella CPO è l'integrazione di canali fotonici con diverse lunghezze d'onda e risposte spettrali. Sebbene la lunghezza d'onda operativa di un accoppiatore a gratina sia fondamentalmente determinata dal suo passo, gli scenari CPO richiedono spesso che una singola sorgente luminosa sia condivisa da più canali, rendendo necessari accoppiatori a gratina a passo misto per l'accoppiamento multi-lunghezza d'onda. Progettare queste strutture a passo misto per ottenere una banda larga e risposte spettrali specifiche è complesso e richiede tradizionalmente ripetute e dispendiose simulazioni FDTD (Finite-Difference Time-Domain).

Metodologia
Gli autori propongono un approccio guidato dal machine learning per automatizzare la progettazione di accoppiatori a gratina a passo misto. La metodologia prevede le seguenti fasi:

Struttura del Dispositivo: Il dispositivo target è un accoppiatore a gratina a passo misto composto da quattro regioni distinte. Ogni regione possiede parametri unici di passo ( $p$ ) e duty cycle ($dc $) ($ p_1, dc_1$ attraverso $p_4, dc_4$ ), con ogni regione che contiene sei protuberanze. Questa struttura è progettata per accoppiare una gamma più ampia di lunghezze d'onda.
Generazione del Dataset: È stato creato un dataset di circa 10.000 campioni. Ogni campione consiste in una combinazione unica degli otto parametri della gratina e del corrispondente spettro di potenza, simulato tramite tecniche FDTD.
Architettura del Modello: È stata sviluppata una rete neurale profonda (DNN) con cinque strati nascosti (contenenti rispettivamente 256, 128, 64, 32 e 16 nodi). Il modello opera in modalità di progettazione inversa: riceve in input uno spettro target (rappresentato da 300 valori normalizzati) e restituisce gli otto parametri della gratina corrispondenti.
Workflow: Gli utenti specificano le lunghezze d'onda di picco desiderate e i valori di Full-Width Half-Maximum (FWHM). Il sistema genera uno spettro Gaussiano basato su questi input, che funge da input per la DNN addestrata. Il modello suggerisce i parametri della gratina, che vengono poi verificati tramite simulazione FDTD. Se lo spettro simulato corrisponde allo spettro target dell'utente, viene generato automaticamente un layout GDS (Graphical Data System).
Implementazione Software: È stata sviluppata un'interfaccia grafica (GUI) utilizzando Streamlit per facilitare l'interazione dell'utente e consentire il download dei layout GDS generati.

Risultati Chiave
Le prestazioni del modello DNN addestrato sono state valutate utilizzando circa 1.000 combinazioni di lunghezze d'onda di picco (1,535 – 1,615 µm) e valori FWHM (0,08 – 0,145 µm):

Corrispondenza Spettrale: Confrontando lo spettro Gaussiano specificato dall'utente con lo spettro verificato tramite FDTD, 822 tentativi (82,2%) hanno prodotto un Errore Assoluto Medio (MAE) inferiore al 15%, e 351 tentativi (35,1%) hanno ottenuto un MAE inferiore al 5%. Il modello ha performato meglio nell'intervallo di lunghezze d'onda di picco 1,57–1,6 µm e FWHM 0,095–0,115 µm.
Accuratezza dei Parametri:
- Lunghezza d'Onda di Picco: 844 tentativi (84,4%) hanno ottenuto un Errore Assoluto (AE) inferiore a 0,002 µm tra la lunghezza d'onda di picco specificata dall'utente e quella verificata tramite FDTD.
- FWHM: 738 tentativi (73,8%) hanno ottenuto un AE inferiore a 0,010 µm per i valori FWHM.
Verifica Sperimentale: Gli autori hanno fabbricato un campione su una piattaforma Silicon-on-Insulator (SOI) a 220nm e misurato lo spettro utilizzando un setup ottico di accoppiamento dall'alto (top-coupling). I confronti tra lo spettro simulato FDTD, quello definito dall'utente e quello misurato sperimentalmente hanno mostrato che gli errori della lunghezza d'onda di picco erano generalmente inferiori a 0,005 µm. Tuttavia, sono state osservate deviazioni maggiori nei valori FWHM tra simulazione ed esperimento. Gli autori attribuiscono queste discrepanze all'uso di modelli FDTD 2D per l'addestramento (che trattano tutte le regioni della gratina allo stesso modo) rispetto alla realtà 3D dei dispositivi fabbricati (dove le regioni hanno dimensioni diverse a causa della rastrematura/tapering), nonché agli errori di produzione come le imprecisioni di incisione (etching).

Significatività e Rivendicazioni
Il documento sostiene di introdurre un framework pratico e automatizzato per la progettazione di accoppiatori a gratina a passo misto su misura per applicazioni CPO. La significatività primaria risiede nella capacità di generare rapidamente parametri di gratina personalizzati basati su requisiti spettrali specificati dall'utente (lunghezza d'onda di picco e FWHM), evitando la necessità di simulazioni manuali iterative.

Gli autori mantengono un tono modesto riguardo ai risultati sperimentali, riconoscendo che, sebbene il modello DNN possa "suggerire" accuratamente parametri idonei per corrispondere alle caratteristiche spettrali desiderate, esistono deviazioni nel FWHM tra simulazione e misurazione fisica. Suggeriscono che futuri miglioramenti dell'accuratezza potrebbero essere ottenuti incorporando dati sperimentali nel set di addestramento e raffinando la simulazione FDTD per corrispondere meglio alle realtà sperimentali 3D. Il lavoro culmina in uno strumento accessibile al pubblico (www.inphai.com) che consente agli utenti di testare il modello e scaricare i corrispondenti layout GDS, con l'obiettivo di facilitare l'adozione di questi componenti nei sistemi di ottica co-packaged.

Articoli simili