Microring Resonator Dispersion Metrology with Neural Networks

技術要約：ニューラルネットワークを用いたマイクロリング共振器の分散計測

問題提起
幾何学的寸法と材料特性の両方に起因する共振器分散の精密な把握は、光パラメトリック発振器や周波数コムなどの高性能な非線形集積フォトニクスにおいて極めて重要である。直接的な製造レベルの測定（断面画像撮影やエリプソメトリなど）は限定的な洞察しか提供できず、精密な分散計測のための完全な光学特性評価は時間を要し、大規模なファウンドリ生産には適していない。既存の非破壊的手法は、幾何学的分散の寄与を捉えきれないことが多く、また破壊分析はウェハスケールのプロセスモニタリングには実用的ではない。そのため、測定可能な光学分散のシグネチャと、基礎となるデバイスの形状および材料パラメータを結びつける、迅速かつ非破壊的な手法が求められている。

手法
著者らは、数値生成されたデータセットを用いて学習させた3つの異なるニューラルネットワークアーキテクチャを利用した機械学習（ML）フレームワークを提案している。データセットは、固定された外半径（23 $\mu$m）を持ち、変化するリングの高さ（620–720 nm）および幅（750–950 nm）を持つ窒化シリコン（Si$_3$N$_4$）マイクロリング共振器をシミュレートしている。材料分散は、堆積中のアンモニア対シランのガス比率の違いを表す4つの異なるパラメータセット（SM1–SM4）を用いたSellmeier型の方程式を用いてモデル化されている。

このフレームワークは、3つの補完的な課題に対処する：

1. 逆回帰（形状予測）： 深層ニューラルネットワーク（20隠れ層）が、積分分散（$D_{int}$）スペクトルからリングの幅と高さを予測する。
2. 逆分類（材料識別）： 分類ネットワークが、$D_{int}$ データに基づき、使用された材料の特定のSellmeierモデル（ガス比率）を特定する。
3. 順方向予測（分散合成）： 回帰ネットワークが、リングの寸法から直接、全 $D_{int}$ スペクトルを再構成するための6次多項式の係数を予測し、繰り返しの数値シミュレーションを回避する。

本研究では、現実的な測定不確かさをシミュレートするために制御されたノイズ（$\pm$50 MHz および $\pm$200 MHz）を導入し、スペクトルのダウンサンプリング（使用される $D_{int}$ データ点の数の変化）の影響を分析することで、モデルの堅牢性を厳密に評価している。

主な結果

• 形状予測精度： ノイズのない条件下では、回帰モデルは幅と高さの両方に対してサブナノメートル精度（< 1 nm）を達成する。現実的なノイズ（$\pm$50 MHz）下でも、約45個の分散サンプルを使用することで高い精度を維持し、誤差は8 nm未満となる。より高いノイズレベル（$\pm$200 MHz）では、誤差は約16 nmに増加する。モデルは、$D_{int}$ が高さの変化に対してより高い感度を持つため、幅の予測よりも高さの予測の方が一般的に堅牢であることを示している。
• 材料分類： 分類ネットワークは、すべてのノイズ条件下で、正しいSellmeierモデルを99%以上の精度で特定する。このタスクは、異なるガス比率が特徴的な形状の $D_{int}$ プロファイルを生み出すため、寸法の回帰よりも大幅にノイズに対して堅牢であることが証明されている。
• サンプリング効率： 研究の結果、ポンプ周波数から遠い場所（スペクトルの曲率が高い場所）で取得された分散サンプルが最も情報量が多いことが判明した。高精度システムには45個のサンプルが十分であるが、低ノイズのシナリオでは、削減されたサンプリング（例：6個）でも妥当な結果が得られる。ただし、ガス比率が高く $D_{int}$ 曲線が平坦化する場合、精度は低下する。
• 順方向予測： 順方向ネットワークは、幾何学的入力から分散スペクトルを高忠実度で再構成することに成功しており、設計評価のための高速な代替手段を提供する。
• ノイズ耐性： モデルは、周波数ジッターや確率的な摂動に対して高い耐性を示し、局所的な変動よりもグローバルなスペクトル曲率を優先する非線形フィルタとして効果的に機能する。

意義および主張
本論文は、測定可能な光学応答（$D_{int}$）と基礎となる製造パラメータ（形状および材料）を結びつける双方向の機械学習フレームワークを確立したと主張している。著者らは、このアプローチが、フォトニクスファウンドリにおけるウェハスケールの品質管理およびプロセスモニタリングのための、迅速かつ非破壊的なツールを提供すると述べている。限定された適切に選択された共振周波数のセットによって、現実的な測定ノイズ下でも正確な寸法予測が可能であることを示すことで、本研究は現在の特性評価手法のボトルネックを克服する経路を提示している。このフレームワーク内で、逆（特性評価）および順方向（設計予測）の両方のタスクを実行できる能力は、破壊テストや徹底的な光学スキャンを必要とせずに、高度なフォトニクスシステムの開発と展開を加速させる機械学習の可能性を強調している。