Light coupling to photonic integrated circuits using optimized lensed fibers
本文提出了一种综合性的协同优化策略，通过纳入光纤的非高斯发射剖面，协同优化倒锥形结构与透镜光纤的几何形状，实现了超过80%的耦合效率，并为氮化硅光子集成电路提供了可扩展的制造解决方案。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图将一桶大口宽口的宽口水（光纤）倒入一根非常细小、脆弱的饮用吸管（光子芯片）中。如果你只是把水倒进去，大部分水都会溅出来并被浪费掉。在光与计算机的世界里，这种“溅出”被称为耦合损耗（coupling loss），它是制造像数据中心和人工智能中所使用的那样快速、高效设备的一个巨大难题。
多年来，科学家们一直试图通过改变吸管（芯片）末端的形状，将其制成一个被称为“反向锥形结构”（inverse taper）的漏斗，以便更好地接住水流。他们还使用一种特殊的“透镜纤维”（一种带有微小弯曲玻璃尖端的纤维）来聚焦水流。
然而，人们在设计这些系统时存在一个重大缺陷。
“完美形状”的迷思
直到现在，工程师们一直假设透镜纤维就像一个完美的、平滑的聚光灯（“高斯光束”）。他们认为光是以整齐、对称的圆锥形射出的。基于这种假设，他们设计了芯片漏斗来匹配这种完美的形状。
现实情况：
这篇论文揭示了这一假设是错误的。由于透镜纤维的尖端非常微小（小于光的波长），光线射出时并不完全平滑。它实际上有点杂乱且不均匀，带有旧模型所忽略的“光尾”。这就像假设花园水管喷射出一个完美的圆形水柱，而实际上喷头制造的是一种略微不规则的、溅射状的模式。
新策略：“协同优化”
研究人员意识到，如果根据虚假的、完美的形状来设计芯片漏斗，它就无法很好地捕捉到真实的、杂乱的光。
因此，他们采取了新做法：停止猜测，开始测量。
- 真实扫描： 他们拍摄了超高分辨率的显微镜照片，以观察实际纤维尖端的真实、凹凸不平的形状。
- 真实模拟： 他们将这些真实的、杂乱的形状输入计算机模型，而不是使用那些虚假的“完美”形状。
- 匹配： 然后，他们重新设计了芯片漏斗，使其能够完美匹配来自纤维的实际杂乱光线。
这就像量体裁衣。以前，他们是根据模特完美的、理想化的尺寸来制作西装。现在，他们拿着卷尺去测量真人，看清肩膀在哪里稍微不对称，然后根据那个特定的人精准裁剪布料。
结果
通过将真实的纤维形状与真实的芯片形状相匹配，他们实现了巨大的提升：
- 效率： 他们成功将纤维中超过 80% 的光导入了芯片。这就像从桶里接水，每 10 滴水就能有 8 滴进入吸管，几乎没有溅出。
- 容错性： 他们还发现，使用稍大的纤维“光斑尺寸”会让连接更具容错性。如果你轻微碰到了纤维（对准偏差），光仍然可以进入。这就像有一个更宽的漏斗，即使你的手抖了一下，也能接住水。
- 宽带特性： 这在各种颜色的光（频率）范围内都有效，这对于高速数据传输至关重要。
为什么这很重要
论文得出结论：这种“协同优化”（同时修正纤维和芯片）是使光子芯片能够在标准工厂（CMOS 晶圆厂）进行大规模生产的关键。
这不仅仅是关于更好的光导管；它是在为下一代技术赋能。作者特别提到，高效的光耦合对于以下领域至关重要：
- 光互连（Optical interconnects）： 更快地连接计算机芯片。
- 神经形态计算（Neuromorphic computing）： 构建像人类神经元一样工作的计算机大脑。
- 量子信息处理（Quantum information processing）： 处理用于未来超级计算机的脆弱量子态。
- 数据中心与人工智能（Data centers and AI）： 彻底改变我们处理海量数据的方式。
简而言之，这篇论文说：“不要假设光是完美的。测量真实的光，根据它构建芯片，你就能得到一个表现极其出色的系统。”
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。