Closing the Loop in Epitaxy with Machine Learning: Joint Optimization of Growth and Geometry in On-Chip Lasers

Título: Fechando o Ciclo na Epitaxia com Aprendizado de Máquina: Otimização Conjunta de Crescimento e Geometria em Lasers On-Chip

1. O Problema

A principal barreira para a escalabilidade de circuitos fotônicos integrados (PICs) é a reprodutibilidade dispositivo-a-dispositivo. Variações sutis nos processos de crescimento epitaxial "de baixo para cima" (bottom-up) e na fabricação introduzem desvios nanométricos na geometria e na composição dos materiais. Isso resulta em:

• Baixo rendimento (yield) e falta de uniformidade em grandes populações de dispositivos.
• Aumento da carga de calibração, ajuste e "trimming" em circuitos complexos.
• Dificuldade em atingir especificações rigorosas de potência e comprimento de onda para aplicações como multiplexação por divisão de comprimento de onda densa (DWDM).

Embora estratégias de fabricação de alta precisão e triagem estatística existam, a variabilidade ainda é tratada como um subproduto inevitável, em vez de um objetivo explícito de otimização no processo de design.

2. Metodologia

Os autores desenvolveram um fluxo de trabalho de ponta a ponta baseado em dados, combinando otimização bayesiana e aprendizado de máquina generativo para lasers de microrressonador com poços quânticos múltiplos (MQW MRs) crescidos via Epitaxia de Área Seletiva (SAE).

• Otimização Bayesiana Multiobjetivo (MOBO):

  • Foi utilizado um modelo substituto (surrogate model) baseado em Processos Gaussianos para navegar em um espaço de parâmetros de 7 dimensões (5 parâmetros de crescimento + 2 parâmetros geométricos).
  • Objetivos Otimizados: Otimização conjunta de (i) o limiar de laser mediano, (ii) o comprimento de onda de emissão mediano e, crucialmente, (iii) a variância do limiar (uniformidade dentro do campo).
  • O objetivo era minimizar o limiar e a variância simultaneamente, mantendo o rendimento em 100%.

• Análise de Morfologia com Autoencoders Variacionais (VAEs):

  • Para diagnosticar a variabilidade residual sob condições nominalmente idênticas, foi treinado um VAE para aprender uma representação latente comprimida (vetores de 32 dimensões) das imagens ópticas dos microrressonadores.
  • O VAE captura características morfológicas complexas e assimétricas que descritores geométricos simples (como diâmetro) não conseguem quantificar.
  • Análise de Discrepância: A similaridade morfológica entre lotes repetidos foi quantificada usando a Discrepância Máxima Média ao Quadrado (MMD²) no espaço latente, correlacionada com a distância de Wasserstein (W1) das distribuições de limiar de laser.

• Modelagem Preditiva:

  • Regressão Ridge com validação cruzada foi usada para decompor a capacidade preditiva do limiar de laser, isolando a contribuição dos parâmetros de crescimento, geometria nominal e, finalmente, as características morfológicas extraídas pelo VAE.

3. Principais Contribuições

1. Otimização Explícita de Variância: Pela primeira vez, a variabilidade dispositivo-a-dispositivo (variância do limiar) foi tratada como uma função objetivo explícita no processo de otimização de crescimento e geometria, e não apenas como uma métrica pós-fabricação.
2. Diagnóstico de "Causa Raiz" via Espaço Latente: O uso de VAEs permitiu isolar e quantificar a contribuição da desordem morfológica sutil para a flutuação de desempenho, desconectando-a dos parâmetros de crescimento conhecidos.
3. Fluxo de Trabalho Fechado (Closed-Loop): Estabelecimento de um ciclo onde a otimização de parâmetros de crescimento é guiada por estatísticas populacionais e a análise de imagens valida as fontes de variabilidade residual.

4. Resultados

• Desempenho do Laser:
  • Rendimento: 100% de rendimento de laser em todos os designs otimizados.
  • Limiar: Redução de 52% no limiar mediano de laser, atingindo 16 µJ cm⁻² pulso⁻¹.
  • Uniformidade: Redução de 73% na variância do limiar em comparação com os melhores valores relatados anteriormente.
  • Comprimento de Onda: Deslocamento do comprimento de onda de emissão mediano para 1333 nm, situando-se na banda O de telecomunicações.
• Correlação Morfologia-Desempenho:
  • Foi estabelecida uma correlação positiva e estatisticamente significativa ($\beta = 70, p = 0.00189$) entre a "lacuna" morfológica (MMD² no espaço latente) e a "lacuna" de limiar (W1). Campos com maiores diferenças morfológicas apresentaram maiores desvios no limiar.
• Valor Preditivo da Morfologia:
  • A adição de características morfológicas do VAE (especificamente vetores latentes residualizados em relação aos parâmetros de crescimento) aumentou a capacidade preditiva do modelo para o limiar de laser em $\Delta R^2 = 0,054$. Isso prova que a morfologia carrega informações físicas independentes e críticas que os parâmetros nominais não capturam.
  • Em contraste, o comprimento de onda de emissão foi bem explicado apenas pelos parâmetros nominais, indicando que a morfologia sutil afeta o limiar (sensível a imperfeições locais) mais do que o comprimento de onda (governado por ressonância macroscópica).

5. Significado e Impacto

Este trabalho representa uma mudança de paradigma na nanofabricação de dispositivos fotônicos:

• Do "Dispositivo Herói" para a "Uniformidade Populacional": Demonstra que é possível otimizar circuitos fotônicos focando na consistência de grandes populações de dispositivos, o que é essencial para a integração em escala de PICs.
• Generalização: O framework proposto é aplicável a qualquer contexto de nanofabricação onde a heterogeneidade de desempenho surge de cinética de crescimento e variação estrutural (ex.: emissores de pontos quânticos, dispositivos de materiais 2D).
• Ponte entre Epitaxia Fundamental e Manufatura Confiável: O estudo fornece um blueprint para projetar e otimizar dispositivos optoeletrônicos complexos e não lineares, transformando a variabilidade de um problema de fabricação em uma variável de design controlável.

Em resumo, os autores demonstraram que o controle ativo da variância através de otimização multiobjetivo, aliado a diagnósticos morfológicos baseados em IA, permite superar as limitações de reprodutibilidade na fabricação de lasers integrados.