Microring Resonator Dispersion Metrology with Neural Networks

기술 요약: 신경망을 이용한 마이크로링 공진기 분산 계측

문제 정의
기하학적 치수와 재료 특성 모두에서 기인하는 공진기 분산에 대한 정밀한 지식은 광학 파라미터 발진기(OPO) 및 주파수 콤(frequency combs)과 같은 고성능 비선형 집적 광학 소자 구현에 매우 중요하다. 단면 이미징이나 타원계측법(ellipsometry)과 같은 직접적인 제작 단계의 측정 방식은 제한적인 통찰만을 제공하며, 정밀한 분산 계측을 위한 완전한 광학적 특성 분석은 시간이 많이 소java 소요될 뿐만 아니라 대규모 파운드리 생산에는 적합하지 않다. 기존의 비파괴적 방법들은 기하학적 분산 기여도를 포착하지 못하는 경우가 많으며, 파괴적 분석은 웨이퍼 규모의 공정 모니터링에 부적합하다. 따라서 측정 가능한 광학적 분산 시그니처를 기저의 소자 기하 구조 및 재료 파라미터와 연결하는 신속하고 비파괴적인 방법이 필요하다.

방법론
저자들은 수치적으로 생성된 데이터셋을 통해 학습된 세 가지 구별된 신경망 아키텍처를 활용하는 머신러닝(ML) 프레임워크를 제안한다. 데이터셋은 고정된 외경(23 $\mu$m)과 변화하는 링 높이(620–720 nm) 및 폭(750–950 nm)을 가진 실리콘 질화물(Si$_3$N$_4$) 마이크로링 공진기를 시뮬레이션한다. 재료 분산은 증착 과정 중 암모니아 대 실란 가스 비율을 나타내는 네 가지 별도의 파라미터 세트(SM1–SM4)를 사용하여 Sellmeier 유형 방정식으로 모델링된다.

본 프레임워크는 세 가지 상호 보완적인 문제를 다룬다:

1. 역회귀 (기하 구조 예측): 심층 신경망(20개의 은닉층)이 통합 분산($D_{int}$) 스펙트럼으로부터 링의 폭과 높이를 예측한다.
2. 역분류 (재료 식별): 분류 네트워크가 $D_{int}$ 데이터를 기반으로 사용된 특정 Sellmeier 모델(가스 비율)을 식별한다.
3. 순방향 예측 (분산 합성): 회귀 네트워크가 링 치수로부터 전체 $D_{int}$ 스펙트럼을 직접 재구성하기 위해 6차 다항식의 계수를 예측하며, 이를 통해 반복적인 수치 시뮬레이션을 우회한다.

본 연구는 실제적인 측정 불확실성을 시뮬레이션하기 위해 제어된 노이즈($\pm$50 MHz 및 $\pm$200 MHz)를 도입하고, 스펙트럼 다운샘플링(사용되는 $D_{int}$ 데이터 포인트 수의 변화)의 영향을 분석함으로써 모델의 강건성을 엄격하게 평가한다.

주요 결과

• 기하 구조 예측 정확도: 노이즈가 없는 조건에서 회귀 모델은 폭과 높이 모두에 대해 서브 나노미터 수준의 정확도(< 1 nm)를 달달성한다. 실제적인 노이즈($\pm$50 MHz) 하에서도 약 45개의 분산 샘플을 사용하면 오차 8 nm 미만으로 높은 정확도를 유지한다. 더 높은 노이즈 수준($\pm$200 MHz)에서는 오차가 약 16 nm로 증가한다. 모델은 $D_{int}$가 높이 변화에 더 민감하기 때문에 높이 예측이 일반적으로 폭 예측보다 더 강건하다는 것을 보여준다.
• 재료 분류: 분류 네트워크는 모든 노이즈 조건에서 올바른 Sellmeier 모델을 식별하는 데 있어 99% 이상의 정확도를 달성한다. 이 작업은 서로 다른 가스 비율이 뚜렷하게 구분되는 형태의 $D_{int}$ 프로파일을 생성하기 때문에, 치수 회귀보다 노이즈에 훨씬 더 강건함을 입증했다.
• 샘플링 효율성: 본 연구는 펌프 주파수에서 멀리 떨어진 곳(스펙트럼 곡률이 높은 곳)에서 채취한 분산 샘플이 가장 정보력이 높다는 것을 발견했다. 고정밀 시스템에는 45개의 샘플이 충분하지만, 저노이즈 시나리오에서는 감소된 샘플링(예: 6개)으로도 합리적인 결과를 얻을 수 있다. 다만, 가스 비율이 높아 $D_{int}$ 곡선이 평탄해지는 경우에는 정확도가 저하된다.
• 순방향 예측: 순방향 네트워크는 기하학적 입력을 통해 분산 스펙트럼을 높은 충실도로 성공적으로 재구성하며, 이는 설계 평가를 위한 빠른 대안을 제공한다.
• 노이즈 복원력: 모델은 주파수 지터 및 확률적 섭동에 대해 높은 복원력을 보이며, 국부적인 변동보다 전역적인 스펙트럼 곡률을 우선시하는 효과적인 비선형 필터로서 기능한다.

의의 및 주장
본 논문은 측정 가능한 광학적 응답($D_{int}$)을 기저의 제작 파라미터(기하 구조 및 재료)와 연결하는 양방향 머신러닝 프레임워크를 구축했다고 주장한다. 저자들은 이 접근 방식이 광학 파운드리에서 웨이퍼 규모의 품질 관리 및 공정 모니터링을 위한 신속하고 비파괴적인 도구를 제공한다고 상정한다. 제한된 수의 신중하게 선택된 공진 주파수만으로도 실제 측정 노이즈 환경에서 정확한 치수 예측이 가능하다는 것을 입증함으로써, 본 연구는 현재의 특성 분석 방법이 가진 병목 현상을 극복할 수 있는 경로를 제시한다. 역방향(특성 분석) 및 순방향(설계 예측) 과업을 모두 수행할 수 있는 이 프레임워크의 능력은, 파괴적 테스트나 철저한 광학적 스윕 없이도 첨단 광학 시스템의 개발 및 배포를 가속화할 수 있는 머신러닝의 잠재력을 강조한다.