Machine Learning-Driven Design of Mixed-Pitch Grating Couplers for Co-Packaged Optics Applications
Dit artikel presenteert een door machine learning gedreven softwaretool met een diep neuraal netwerk en een grafische gebruikersinterface die automatisch mixed-pitch grating couplers ontwerpt voor co-packaged optica, waarbij een hoge nauwkeurigheid wordt bereikt bij het voldoen aan door de gebruiker gespecificeerde piekbreedtes en bandbreedtes met minimale fouten vergeleken met FDTD-simulaties.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je het internet voor als een enorme, bruisende stad waar data het verkeer is. Jarenlang is dit verkeer over koperen draden bewogen, als auto's die vaststaan in de file op oude, smalle straten. Maar nu onze digitale wereld explodeert met kunstmatige intelligentie en enorme datacenters, lopen deze koperen wegen tegen een muur aan; ze zijn te traag, te warm en te druk. Om dit op te lossen, bouwen ingenieurs een nieuw soort snelweg: Co-Packaged Optics (CPO). In plaats van koper gebruikt CPO licht om informatie te vervoeren, en ze plaatsen deze lichtgebaseerde snelwegen direct naast de computerchips die het zware werk verrichten.
Het is echter lastig om licht in en uit deze minuscule chips te krijgen. Denk aan een grating coupler als een gespecialiseerde "oprit" of "afrit" voor licht. Het is een piepkleine structuur met een reeks richels die een lichtstraal opvangt en deze in een microscopisch draadje op een chip geleidt. Het probleem is dat je in een modern datacenter niet slechts één kleur licht hebt; je hebt een hele regenboog van verschillende golflengten (kleuren) die allemaal tegelijkertijd dezelfde oprit willen gebruiken. Het ontwerpen van een enkele oprit die deze hele regenboog efficiënt kan verwerken, is als het proberen te bouwen van een enkele brug die perfect werkt voor zowel een fiets, een vrachtwagen als een racewagen tegelijkertijd. Het is ongelooflijk complex, en meestal vereist het bepalen van de juiste vorm voor die brug duizenden trage, computerintensieve simulaties.
Hier komt een team van de Nanyang Technological University en de National University of Singapore met een slimme afkorting. Ze hebben een nieuwe softwaretool ontwikkeld die een "brein" genaamd een Deep Neural Network (DNN) gebruikt om deze mixed-pitch grating couplers direct te ontwerpen. In plaats van dat de computer duizenden keren gokt en controleert, fungeert de DNN als een ervaren chef die al 10.000 verschillende recepten heeft geproefd. De onderzoekers voerden de AI een enorme bibliotheek van 10.000 gesimuleerde voorbeelden, waarin de AI zag hoe verschillende vormen van de grating (de "ingrediënten") de manier waarop licht zich gedraagt (de "smaak") veranderden.
Zodra de AI de patronen had geleerd, testten de onderzoekers het met ongeveer 1.000 nieuwe verzoeken. Ze vroegen de AI om couplers te ontwerpen voor specifieke "piekgolflengten" (de hoofdkleur van het licht) en "full-width half-maximum" (FWHM) waarden, wat een chique manier is om te zeggen "hoe breed de regenboog aan kleuren moet zijn". De resultaten waren indrukwekkend. In 822 van de 1.000 pogingen lag het ontwerp van de AI binnen 15% van het doel, en in 351 pogingen was het ongelooflijk dichtbij, met minder dan 5% foutmarge. Wanneer men specifiek naar de hoofdkleur van het licht keek, waren 844 pogingen spot-on, met een fout van minder dan 0,002 µm. Voor de breedte van het kleurbereik waren 738 pogingen binnen 0,010 µm van het doel.
Om er zeker van te zijn dat dit geen computerfantasie was, hebben de makers enkele van deze door AI ontworpen structuren daadwerkelijk gebouwd op echte siliciumchips en getest met lasers. Hoewel de metingen in de echte wereld enkele kleine verschillen vertoonden ten opzichte van de computersimulaties — voornamelijk omdat de echte wereld driedimensionaal en rommelig is, terwijl het computermodel een vereenvoudigde 2D-versie was — kwam de algemene vorm van de lichtpatronen heel goed overeen. De piekkleuren waren bijna identiek, hoewel de "breedte" van het licht iets moeilijker perfect te voorspellen was door minuscule productiefouten.
Het beste deel? Het team heeft dit niet alleen voor zichzelf gehouden. Ze hebben de AI verpakt in een gebruiksvriendelijke software met een grafische interface, die online beschikbaar is. Nu, als een ingenieur een aangepaste licht-oprit nodig heeft voor een specifieke kleur en breedte, kan hij simpelweg zijn getallen invoeren en zal de software direct het exacte ontwerp voorstellen en zelfs de blauwdrukken (GDS layout) tekenen om te gebruiken. Het is een krachtig nieuw hulpmiddel dat een maandenlange ontwerpmarmer transformeert in een paar klikken, wat helpt bij het bouwen van het snellere, koelere en efficiëntere internet van de toekomst.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.