🔬 optics

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

Este artigo apresenta uma ferramenta de software impulsionada por aprendizado de máquina, apresentando uma rede neural profunda e uma interface gráfica de usuário que projeta automaticamente acopladores de grade de pitch misto para óptica co-empacotada, alcançando alta precisão em atender aos comprimentos de onda de pico e larguras de banda especificados pelo usuário com erro mínimo em comparação com simulações FDTD.

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

Publicado 2026-07-20

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine a internet como uma cidade massiva e movimentada, onde os dados são o tráfego. Durante anos, esse tráfego tem se movido ao longo de fios de cobre, como carros presos em um congestionamento de ruas antigas e estreitas. Mas, à medida que nosso mundo digital explode com inteligência artificial e enormes centros de dados, essas estradas de cobre estão atingindo um limite; elas são muito lentas, muito quentes e muito congestionadas. Para resolver isso, engenheiros estão construindo um novo tipo de rodovia: a Óptica Co-Empacotada (CPO). Em vez de usar cobre, a CPO usa luz para carregar informações e empacota essas rodovias baseadas em luz bem ao lado dos chips de computador que realizam o trabalho pesado.

No entanto, fazer a luz entrar e sair desses chips minúsculos é complicado. Pense em um acoplador de rede (grating coupler) como uma "rampa de acesso" ou "rampa de saída" especializada para a luz. É uma estrutura minúscula com uma série de cristas que captura um feixe de luz e o guia para dentro de um fio microscópico em um chip. O problema é que, em um centro de dados moderno, você não tem apenas uma cor de luz; você tem todo um arco-íris de diferentes comprimentos de onda (cores) todos tentando usar a mesma rampa de acesso ao mesmo tempo. Projetar uma única rampa que possa lidar com todo esse arco-íris de forma eficiente é como tentar construir uma única ponte que funcione perfeitamente para uma bicicleta, um caminhão e um carro de corrida ao mesmo tempo. É incrivelmente complexo e, geralmente, descobrir a forma certa para essa ponte exige milhares de simulações lentas e pesadas para o computador.

É aqui que a equipe da Universidade Tecnológica de Nanyang e da Universidade Nacional de Singapura entra com um atalho inteligente. Eles desenvolveram uma nova ferramenta de software que utiliza um "cérebro" chamado Rede Neural Profunda (DNN) para projetar esses acopladores de passo misto instantaneamente. Em vez de o computador tentar e errar milhares de vezes, a DNN age como um chef experiente que já provou 10.000 receitas diferentes. Os pesquisadores alimentaram a IA com uma biblioteca massiva de 10.000 exemplos simulados, mostrando como diferentes formas de grade (os "ingredientes") alteravam o comportamento da luz (o "sabor").

Depois que a IA aprendeu os padrões, os pesquisadores a testaram com cerca de 1.000 novas solicitações. Eles pediram à IA para projetar acopladores para comprimentos de onda de pico específicos (a cor principal da luz) e valores de largura à meia altura (FWHM) — que é uma maneira elegante de dizer "o quão largo o arco-íris de cores precisa ser". Os resultados foram impressionantes. Em 822 das 1.000 tentativas, o design da IA estava dentro de 15% do alvo e, em 351 tentativas, estava incrivelmente próximo, com menos de 5% de erro. Ao olhar especificamente para a cor principal da luz, 844 tentativas foram certeiras, com um erro inferior a 0,002 µm. Para a largura da faixa de cores, 738 tentativas ficaram dentro de 0,010 µm do objetivo.

Para garantir que isso não fosse apenas uma fantasia de computador, a equipe realmente construiu algumas dessas estruturas projetadas por IA em chips de silício reais e as testou com lasers. Embora as medições do mundo real tenham mostrado algumas pequenas diferenças em comparação com as simulações de computador — principalmente porque o mundo real é tridimensional e desordenado, enquanto o modelo de computador era uma versão 2D simplificada — o formato geral dos padrões de luz coincidiu muito bem. As cores de pico foram quase idênticas, embora a "largura" da luz tenha sido um pouco mais difícil de prever perfeitamente devido a minúsculas imperfeições de fabricação.

A melhor parte? A equipe não guardou isso apenas para si. Eles envolveram a IA em um software amigável com uma interface gráfica, disponível online. Agora, se um engenheiro precisar de uma rampa de acesso de luz personalizada para uma cor e largura específicas, ele pode simplesmente digitar seus números e o software sugerirá instantaneamente o design exato e até desenhará as plantas (layout GDS) para que ele possa usá-las. É uma nova ferramenta poderosa que transforma um pesadelo de design de meses em alguns cliques, ajudando a construir a internet mais rápida, mais fria e mais eficiente do futuro.

Resumo Técnico: Design de Acopladores de Grade de Passo Misto Impulsionado por Aprendizado de Máquina para Óptica Co-Empacotada

Definição do Problema
O crescimento exponencial das cargas de trabalho hiper-escala na era da inteligência artificial levou os tradicionais interconectores elétricos baseados em cobre aos seus limites físicos em termos de largura de banda, consumo de energia e latência. Para enfrentar isso, a Óptica Co-Empacotada (CPO) integra transceptores fotônicos diretamente em substratos com ASICs, GPUs ou switches de alto desempenho. Um desafio crítico na CPO é a integração de canais fotônicos com diferentes comprimentos de onda e respostas espectrais. Embora o comprimento de onda operacional de um acoplador de grade seja fundamentalmente determinado pelo seu passo, os cenários de CPO frequentemente exigem que uma única fonte de luz seja compartilhada por múltiplos canais, necessitando de grades de passo misto para acoplamento de múltiplos comprimentos de onda. Projetar essas estruturas de passo misto para alcançar ampla largura de banda e respostas espectrais específicas é complexo, exigindo tradicionalmente simulações repetitivas e demoradas de Diferença Finita no Domínio do Tempo (FDTD).

Metodologia
Os autores propõem uma abordagem impulsionada por aprendizado de máquina para automatizar o design de acopladores de grade de passo misto. A metodologia envolve as seguintes etapas:

Estrutura do Dispositivo: O dispositivo alvo é um acoplador de grade de passo misto compreendendo quatro regiões distintas. Cada região possui parâmetros únicos de passo ( $p$ ) e ciclo de trabalho ($dc $) ($ p_1, dc_1$ até $p_4, dc_4$ ), com cada região contendo seis protuberâncias. Esta estrutura é projetada para acoplar uma gama mais ampla de comprimentos de onda.
Geração de Conjunto de Dados: Um conjunto de dados de aproximadamente 10.000 amostras foi criado. Cada amostra consiste em uma combinação única dos oito parâmetros de grade e seu respectivo espectro de potência, simulados utilizando técnicas FDTD.
Arquitetura do Modelo: Um Redes Neurais Profundas (DNN) com cinco camadas ocultas (contendo 256, 128, 64, 32 e 16 nós, respectivamente) foi desenvolvido. O modelo opera de maneira de design inverso: ele recebe um espectro alvo (representado por 300 valores normalizados) como entrada e fornece os oito parâmetros de grade correspondentes.
Fluxo de Trabalho: Os usuários especificam os comprimentos de onda de pico desejados e os valores de Largura Total à Metade da Altura Máxima (FWHM). O sistema gera um espectro Gaussiano baseado nesses inputs, que serve como a entrada para a DNN treinada. O modelo sugere os parâmetros da grade, que são então verificados via simulação FDTD. Se o espectro simulado corresponder ao espectro alvo do usuário, um layout de Sistema de Dados Gráficos (GDS) é gerado automaticamente.
Implementação de Software: Uma Interface Gráfica de Usuário (GUI) foi desenvolvida usando Streamlit para facilitar a interação do usuário e permitir o download dos layouts GDS gerados.

Principais Resultados
O desempenho do modelo DNN treinado foi avaliado utilizando aproximadamente 1.000 combinações de comprimentos de onda de pico (1,535 – 1,615 µm) e valores de FWHM (0,08 – 0,145 µm):

Correspondência Espectral: Ao comparar o espectro Gaussiano especificado pelo usuário com o espectro verificado por FDTD, 822 tentativas (82,2%) resultaram em um Erro Médio Absoluto (MAE) inferior a 15%, e 351 tentativas (35,1%) alcançaram um MAE inferior a 5%. O modelo teve melhor desempenho na faixa de comprimentos de onda de pico de 1,57–1,6 µm e FWHM de 0,095–0,115 µm.
Precisão de Parâmetros:
- Comprimento de Onda de Pico: 844 tentativas (84,4%) alcançaram um Erro Absoluto (AE) inferior a 0,002 µm entre o comprimento de onda de pico especificado pelo usuário e o verificado por FDTD.
- FWHM: 738 tentativas (73,8%) alcançaram um AE inferior a 0,010 µm para os valores de FWHM.
Verificação Experimental: Os autores fabricaram uma amostra em uma plataforma de Silício sobre Isolante (SOI) de 220nm e mediram o espectro usando uma configuração óptica de acoplamento superior. As comparações entre os espectros simulados por FDTD, definidos pelo usuário e medidos experimentalmente mostraram que os erros de comprimento de onda de pico foram geralmente inferiores a 0,005 µm. No entanto, maiores desvios foram observados nos valores de FWHM entre a simulação e o experimento. Os autores atribuem essas discrepâncias ao uso de modelos FDTD 2D para treinamento (que tratam todas as regiões da grade igualmente) versus a realidade 3D dos dispositivos fabricados (onde as regiões têm tamanhos diferentes devido ao afunilamento/tapering), bem como erros de fabricação, como imprecisões de corrosão (etching).

Significância e Alegações
O artigo afirma introduzir um framework prático e automatizado para projetar acopladores de grade de passo misto adaptados para aplicações de CPO. A principal significância reside na capacidade de gerar rapidamente parâmetros de grade personalizados com base em requisitos espectrais especificados pelo usuário (comprimento de onda de pico e FWHM), evitando a necessidade de simulações manuais iterativas.

Os autores mantêm um tom modesto em relação aos resultados experimentais, reconhecendo que, embora a DNN possa "sugerir" com precisão parâmetros adequados para corresponder às características espectrais desejadas, existem desvios no FWHM entre a simulação e a medição física. Eles sugerem que melhorias de precisão futuras poderiam ser alcançadas incorporando dados experimentais no conjunto de treinamento e refinando a simulação FDTD para melhor corresponder às realidades experimentais 3D. O trabalho culmina em uma ferramenta acessível ao público (www.inphai.com) que permite aos usuários testar o modelo e baixar os layouts GDS correspondentes, visando facilitar a adoção desses componentes em sistemas de óptica co-empacotada.

Mais como este