Microring Resonator Dispersion Metrology with Neural Networks

Technische Samenvatting: Microring Resonator Dispersie Metrologie met Neurale Netwerken

Probleemstelling
Nauwkeurige kennis van resonator-dispersie, voortvloeiend uit zowel geometrische dimensies als materiaaleigenschappen, is cruciaal voor hoogwaardige nietlineaire geïntegreerde fotonica, zoals optische parametrische oscillatoren en frequentiekammen. Hoewel directe metingen op fabricageniveau (bijv. dwarsdoorsnede-imaging of ellipsometrie) beperkt inzicht bieden, is volledige optische karakterisering voor nauwkeurige dispersiemetrologie tijdrovend en ongeschikt voor grootschalige foundry-productie. Bestaande niet-destructieve methoden slagen er vaak niet in om bijdragen van geometrische dispersie te vangen, en destructieve analyse is onpraktisch voor wafer-schaal procesbewaking. Er is behoefte aan een snelle, niet-destructieve methode om meetbare optische dispersiesignaturen te koppelen aan de onderliggende apparaatgeometrie en materiaalparameters.

Methodologie
De auteurs stellen een machine learning (ML) raamwerk voor dat gebruikmaakt van drie verschillende neurale netwerkarchitecturen, getraind op numeriek gegenereerde datasets. De datasets simuleren een siliciumnitride (Si$_3$N$_4$) microring resonator met een vaste buitenradius (23 $\mu$m) en variërende ringhoogtes (620–720 nm) en breedtes (750–950 nm). Materiaaldispersie wordt gemodelleerd met Sellmeier-type vergelijkingen met vier verschillende parameter-sets (SM1–SM4) die verschillende ammoniak-naar-silaan gasverhoudingen tijdens de depositie vertegenwoordigen.

Het raamwerk behandelt drie complementaire problemen:

1. Inverse Regressie (Geometrie-voorspelling): Een diep neuraal netwerk (20 verborgen lagen) voorspelt de ringbreedte en -hoogte op basis van geïntegreerde dispersie ($D_{int}$) spectra.
2. Inverse Classificatie (Materiaalidentificatie): Een classificatienetwerk identificeert het specifieke Sellmeier-model (gasverhouding) dat in het materiaal is gebruikt op basis van $D_{int}$ data.
3. Forward Voorspelling (Dispersie-synthese): Een regressienetwerk voorspelt de coëfficiënten van een zesde-orde polynoom om het volledige $D_{int}$ spectrum direct te reconstrueren, waarbij herhaalde numerieke simulaties worden omzeild.

De studie evalueert de robuustheid van de modellen rigoureus door gecontroleerde ruis ($\pm$50 MHz en $\pm$200 MHz) te introduceren om realistische meetonzekerheden te simuleren en analyseert de impact van spectrale downsampling (het variëren van het aantal gebruikte $D_{int}$ datapunten).

Belangrijkste Resultaten

• Nauwkeurigheid van Geometrie-voorspelling: Onder ruisloze omstandigheden bereikt het regressiemodel een sub-nanometer nauwkeurigheid (< 1 nm) voor zowel breedte als hoogte. Onder realistische ruis ($\pm$50 MHz) blijft de nauwkeurigheid hoog met fouten < 8 nm met ongeveer 45 dispersiesamples. Bij hogere ruisniveaus ($\pm$200 MHz) nemen de fouten toe tot ongeveer 16 nm. Het model toont aan dat hoogtevoorspelling over het algemeen robuuster is dan breedtevoorspelling vanwege de hogere gevoeligheid van $D_{int}$ voor variaties in hoogte.
• Materiaalclassificatie: Het classificatienetwerk behaalt > 99% nauwkeurigheid bij het identificeren van het correcte Sellmeier-model onder alle ruiscondities. Deze taak is aanzienlijk robuuster tegen ruis dan dimensieregressie, omdat verschillende gasverhoudingen onderscheidende $D_{int}$ profielen produceren.
• Sampling Efficiëntie: De studie stelt vast dat dispersiesamples genomen ver van de pompfrequentie (waar de spectrale kromming hoger is) het meest informatief zijn. Hoewel 45 samples voldoende zijn voor precisiesystemen, levert zelfs gereduceerde sampling (bijv. 6 samples) redelijke resultaten op voor scenario's met lage ruis, hoewel de nauwkeurigheid afneemt bij hoge gasverhoudingen waar $D_{int}$ curves afvlakken.
• Forward Voorspelling: Het forward netwerk reconstrueert succesvol dispersiespectra vanuit geometrische inputs met hoge getrouwheid, wat een snelle alternatieve methode biedt voor design-beoordeling zonder eigenmode solvers.
• Ruisresistentie: De modellen vertonen een hoge veerkracht tegen frequentiejitter en stochastische verstoringen, waarbij ze effectief functioneren als nietlineaire filters die globale spectrale kromming prioriteren boven lokale fluctuaties.

Betekenis en Claims
Het artikel claimt een bidirectionaal machine learning raamwerk te hebben gevestigd dat meetbare optische responsen ($D_{int}$) koppelt aan onderliggende fabricageparameters (geometrie en materiaal). De auteurs stellen dat deze aanpak een snelle, niet-destructieve tool biedt voor wafer-schaal kwaliteitscontrole en procesbewaking in fotonische foundries. Door aan te tonen dat een beperkte set zorgvuldig gekozen resonantiefrequenties nauwkeurige dimensievoorspelling mogelijk maakt, zelfs met realistische meetruis, suggereert dit werk een pad om de knelpunten van huidige karakteriseringsmethoden te overwinnen. Het vermogen om zowel inverse (karakterisering) als forward (design voorspelling) taken binnen dit raamwerk uit te voeren, benadrukt het potentieel van ML om de ontwikkeling en implementatie van geavanceerde fotonische systemen te versnellen zonder dat destructieve testen of uitputtende optische sweeps vereist zijn.