🔬 optics

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

본 논문은 딥 뉴럴 네트워크와 그래픽 사용자 인터페이스를 특징으로 하는 머신 러닝 기반의 소프트웨어 도구를 제시하며, 이는 FDTD 시뮬레이션과 비교하여 오차를 최소화하면서 사용자가 지정한 피크 파장 및 대역폭을 높은 정확도로 충족하는 코패키지드 옵틱스용 혼합 피치 격자 결합기를 자동으로 설계한다.

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

게시일 2026-07-20

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

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

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

인터넷을 데이터가 교통 흐름이 되는 거대하고 북적이는 도시라고 상상해 보십시오. 수년 동안 이 교통량은 구리 전선을 따라 이동해 왔으며, 이는 마치 좁고 오래된 도로에 갇힌 자동차들처럼 정체된 상태였습니다. 하지만 인공지능과 거대 데이터 센터로 인해 디지털 세계가 폭발적으로 성장함에 따라, 이러한 구리 도로는 한계에 부착하고 있습니다. 너무 느리고, 너무 뜨겁고, 너무 혼잡하기 때문입니다. 이를 해결하기 위해 엔지니어들은 새로운 종류의 고속도로를 건설하고 있습니다: 바로 공동 패키징 광학(Co-Packaged Optics, CPO)입니다. CPO는 구리 대신 빛을 사용하여 정보를 전달하며, 이 빛 기반의 고속도로를 무거운 작업을 수행하는 컴퓨터 칩 바로 옆에 배치합니다.

하지만 빛이 이 작은 칩으로 들어가고 나가는 과정은 까다롭습니다. 격자 결합기(grating coupler)를 빛을 위한 특수 '진입로' 또는 '진출로'라고 생각해 보십시오. 이것은 빛의 빔을 포착하여 칩 위의 미세한 전선으로 안내하는 일련의 능선(ridges)을 가진 아주 작은 구조물입니다. 문제는 현대의 데이터 센터에는 단 하나의 색깔의 빛만 있는 것이 아니라, 서로 다른 파장(색상)의 무지개가 동시에 같은 진입로를 사용하려 한다는 점입니다. 이 전체 무지개를 효율적으로 처리할 수 있는 단 하나의 진입로를 설계하는 것은, 자전거, 세미트럭, 경주용 자동차 모두에 완벽하게 작동하는 단 하나의 다리를 만드는 것과 같습니다. 이는 매우 복 phép하며, 보통 이러한 다리의 적절한 형태를 찾아내기 위해서는 수천 번의 느리고 컴퓨터 집약적인 시뮬레이션이 필요합니다.

여기서 난양 공과대학교(NTU)와 싱가포르 국립대학교(NUS) 연구팀이 영리한 지름길을 제시합니다. 그들은 딥 뉴럴 네트워크(Deep Neural Network, DNN)라는 '두뇌'를 사용하는 새로운 소프트웨어 도구를 개발하여, 이 혼합 피치 격자 결합기를 즉각적으로 설계할 수 있게 했습니다. 컴퓨터가 수천 번씩 추측하고 확인하는 대신, DNN은 10,000가지의 서로 다른 레시피를 맛본 숙련된 요리사처럼 행동합니다. 연구진은 AI에게 10,000개의 시뮬레이션 사례가 담긴 방대한 라이브러리를 학습시켰으며, 이를 통해 격자의 다양한 모양(재료)이 빛의 거동(맛)을 어떻게 변화시키는지 보여주었습니다.

AI가 패턴을 학습하자, 연구진은 약 1,000건의 새로운 요청으로 테스트를 진행했습니다. 그들은 AI에게 특정 '피크 파장'(주요 색상)과 '반치폭'(FWHM, 무지개의 색 범위가 얼마나 넓은지를 나타내는 전문 용어) 값을 지정하여 설계를 요청했습니다. 결과는 인상적이었습니다. 1,000번의 시도 중 822번에서 AI의 설계는 목표치의 15% 이내에 들어왔으며, 351번의 시도에서는 오차가 5% 미만일 정도로 매우 정밀했습니다. 주요 색상을 구체적으로 살펴보면, 844번의 시도가 0.002 µm 미만의 오차로 정확했습니다. 색상 범위의 폭에 대해서는 738번의 시도가 목표값의 0ichi 0.010 µm 이내에 들어왔습니다.

이것이 단순한 컴퓨터상의 환상이 아님을 증명하기 위해, 연구팀은 실제로 이 AI가 설계한 구조물들을 실리콘 칩 위에 제작하여 레이저로 테스트했습니다. 실제 측정 결과는 컴퓨터 시뮬레이션과 약간의 차이를 보였는데, 이는 주로 실제 세상은 3차원적이고 복잡한 반면 컴퓨터 모델은 단순화된 2D 버전이었기 때문입니다. 그러나 전반적인 빛의 패턴은 매우 잘 일치했습니다. 피크 색상은 거의 동일했으나, 미세한 제조 결함으로 인해 '폭'을 완벽하게 예측하는 것은 다소 어려웠습니다.

가장 멋진 점은 연구팀이 이 기술을 혼자만 간직하지 않았다는 것입니다. 그들은 이 AI를 그래픽 인터페이스를 갖춘 사용자 친화적인 소프트웨어로 구현하여 온라인에서 사용할 수 있도록 만들었습니다. 이제 엔지니어가 특정 색상과 폭에 맞는 맞춤형 빛 진입로가 필요하다면, 단순히 숫자를 입력하기만 하면 됩니다. 그러면 소프트웨어가 즉시 정확한 설계를 제안하고, 사용할 수 있는 설계도(GDS 레이아웃)까지 그려줍니다. 이는 수개월이 걸리는 설계의 악몽을 단 몇 번의 클릭으로 바꿔주는 강력한 새로운 도구이며, 더 빠르고, 더 시원하며, 더 효율적인 미래의 인터넷을 구축하는 데 기여하고 있습니다.

기술 요약: 코-패키지드 옵틱스를 위한 머신러닝 기반 혼합 피치 격자 결합기 설계

문제 정의
인공지능 시대의 기하급수적인 하이퍼스케일 워크로드 증가는 기존의 구리 기반 전기 인터커넥트를 대역폭, 전력 소비 및 지연 시간 측면에서 물리적 한계로 몰아넣었습니다. 이를 해결하기 위해, 코-패키지드 옵틱스(Co-Packaged Optics, CPO)는 고성능 ASIC, GPU 또는 스위치와 함께 광 트랜시버를 기판에 직접 통합합니다. CPO의 핵심 과제는 다양한 파장과 스펙트럼 응답을 가진 광학 채널을 통합하는 것입니다. 격자 결합기의 동작 파장은 근본적으로 그 피치(pitch)에 의해 결정되지만, CPO 시나리오에서는 단일 광원을 여러 채널이 공유해야 하는 경우가 많으므로 다중 파장 결합을 위한 혼합 피치 격자가 필요합니다. 넓은 대역폭과 특정 스펙트럼 응답을 달목적으로 혼합 피치 구조를 설계하는 것은 복잡하며, 전통적으로 반복적이고 시간이 많이 소요되는 시차 도메계 유한 차분법(FDTD) 시뮬레이션을 요구합니다.

방법론
저자들은 혼합 피치 격자 결합기 설계를 자동화하기 위한 머신러닝 기반 접근 방식을 제안합니다. 이 방법론은 다음 단계들을 포함합니다:

소자 구조: 대상 소자는 네 개의 서로 다른 영역으로 구성된 혼합 피치 격자 결합기입니다. 각 영역은 고유한 피치( $p$ )와 듀티 사이클($dc $) 파라미터($ p_1, dc_1 $부터$ p_4, dc_4$까지)를 가지며, 각 영역은 6개의 돌출부를 포함합니다. 이 구조는 더 넓은 범위의 파장을 결합하도록 설계되었습니다.
데이터셋 생성: 약 10,000개의 샘플로 구성된 데이터셋이 생성되었습니다. 각 샘플은 8개의 격자 파라미터와 그에 대응하는 전력 스펙트럼(FDTD 기법을 사용하여 시뮬레이션됨)의 고유한 조합으로 구성됩니다.
모델 아키텍처: 5개의 은닉층(각각 256, 128, 64, 32, 16개의 노드 포함)을 가진 심층 신경망(DNN)이 개발되었습니다. 이 모델은 역설계 방식으로 작동합니다. 즉, 목표 스펙트럼(300개의 정규화된 값으로 표현됨)을 입력으로 받아 그에 대응하는 8개의 격자 파라미터를 출력합니다.
워크플로우: 사용자가 원하는 피크 파장과 반치폭(FWHM) 값을 지정합니다. 시스템은 이러한 입력을 기반으로 가우시안 스펙트럼을 생성하며, 이는 훈련된 DNN의 입력 역할을 합니다. 모델은 격자 파라미터를 제안하고, 이 파라미터들은 FDTD 시뮬레이션을 통해 검증됩니다. 만약 시뮬레이션된 스펙트럼이 사용자의 목표와 일치하면, 그래픽 데이터 시스템(GDS) 레이아웃이 자동으로 생성됩니다.
소프트웨어 구현: 사용자 상호작용을 용이하게 하고 생성된 GDS 레이아웃을 다운로드할 수 있도록 Streamlit을 사용하여 그래픽 사용자 인터페이스(GUI)를 개발했습니다.

주요 결과
훈련된 DNN 모델의 성능은 약 1,000가지의 피크 파장(1.535 – 1.615 µm) 및 FWHM 값(0.08 – 0.145 µm) 조합을 사용하여 평가되었습니다:

스펙트럼 매칭: 사용자가 지정한 가우시안 스펙트럼과 FDTD로 검증된 스펙트럼을 비교했을 때, 822회(82.2%)의 시도가 15% 미만의 평균 절대 오차(MAE)를 기록했으며, 351회(35.1%)는 5% 미만의 MAE를 달성했습니다. 모델은 피크 파장 1.57–1.6 µm 및 FWHM 0.095–0.115 µm 범위에서 가장 우수한 성능을 보였습니다.
파라미터 정확도:
- 피크 파장: 844회(84.4%)의 시도가 사용자가 지정한 파장과 FDTD로 검증된 파장 사이에 0.002 µm 미만의 절대 오차(AE)를 달성했습니다.
- FWHM: 738회(73.8%)의 시도가 FWHM 값에 대해 0.010 µm 미만의 AE를 달성했습니다.
실험적 검증: 저자들은 220nm 실리콘 온 인슐레이터(SOI) 플랫폼 상에 샘플을 제작하고 탑-커플링 광학 설정을 사용하여 스펙트럼을 측정했습니다. FDTD 시뮬레이션, 사용자 정의, 그리고 실험적으로 측정된 스펙트럼 간의 비교 결과, 피크 파장 오차는 일반적으로 0.005 µm 미만이었습니다. 그러나 시뮬레이션과 실험 사이의 FWHM 값에서는 더 큰 편차가 관찰되었습니다. 저자들은 이러한 불일치를 2D FDTD 모델(모든 격자 영역을 동일하게 취급함)을 사용하여 훈련한 것과, 테이퍼링으로 인해 각 영역의 크기가 달라지는 3D 실제 제작 소자 사이의 차이, 그리고 식각 부정확성과 같은 제조 오차 때문이라고 설명했습니다.

의의 및 주장
본 논문은 코-패키지드 옵틱스 애플리케이션에 맞춤화된 혼합 피치 격자 결합기를 설계하기 위한 실용적이고 자동화된 프레임워크를 도입했다고 주장합니다. 주요 의의는 사용자가 지정한 스펙트럼 요구 사항(피크 파장 및 FWHM)을 바탕으로 맞춤형 격자 파라미터를 빠르게 생성할 수 있어, 반복적인 수동 시뮬레이션의 필요성을 배제할 수 있다는 점에 있습니다.

저자들은 실험 결과에 대해 신중한 어조를 유지하며, DNN 모델이 원하는 스펙트럼 특성을 맞추기 위해 적절한 파라미터를 정확하게 "제안"할 수는 있지만, 물리적 측정값과 FWHM 사이에는 편차가 존재함을 인정했습니다. 이들은 향-정밀도 개선을 위해 실험 데이터를 훈련 세트에 통합하고, 3D 실험 현실과 더 잘 일치하도록 FDTD 시뮬레이션을 개선할 수 있다고 제안했습니다. 이 연구는 사용자가 모델을 테스트하고 해당 GDS 레이아웃을 다운로드할 수 있는 공개 액세스 도구(www.inphai.com)로 마무리되며, 이를 통해 코-패키지드 옵틱스 시스템에서 이러한 부품의 도입을 용이하게 하는 것을 목표로 합니다.

유사한 논문