Machine Learning-Driven Design of Mixed-Pitch Grating Couplers for Co-Packaged Optics Applications
本文介绍了一种由机器学习驱动的软件工具，该工具具有深度神经网络和图形用户界面，能够为共封装光学器件自动设计混合节距光栅耦合器，在满足用户指定的峰值波长和带宽方面实现了高精度，且与时域有限差分（FDTD）模拟相比误差极小。
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，互联网就像一座繁忙的大都市，数据就是其中的交通流量。多年来，这些流量一直沿着铜线移动，就像卡在狭窄旧街道上的汽车一样。但随着人工智能和大型数据中心的爆发式增长，我们的数字世界正面临挑战；这些铜质道路正撞上一堵墙：它们太慢、太热，也太拥挤了。为了解决这个问题，工程师们正在建造一种新型高速公路：共封装光学（Co-Packaged Optics, CPO）。CPO 不再使用铜，而是利用光来传递信息，并将这些基于光的“高速公路”直接紧挨着进行重体力活的计算机芯片进行封装。
然而，让光进入并离开这些微小的芯片非常困难。把“光栅耦合器”（grating coupler）想象成一个专门的“上匝道”或“下匝道”。它是一个带有系列脊状结构的微小结构，能够捕捉光束并将其引导进芯片上的微型导线。问题在于，在现代数据中心里，你拥有的不仅仅是一种颜色的光，而是一整道由不同波长（颜色）组成的彩虹，它们试图同时使用同一个上匝道。设计一个能高效处理这整道彩虹的单一上匝道，就像是试图建造一座既能完美通行自行车，又能通行半挂卡车和赛车的单桥。这极其复杂，而且通常，确定那个桥梁的最佳形状需要进行数千次耗费大量计算资源的模拟。
这正是来自南洋理工大学和新加坡国立大学的研究团队介入的地方，他们提供了一个聪明的捷径。他们开发了一种新的软件工具，利用被称为“深度神经网络”（DNN）的“大脑”来瞬间设计这些混合间距的光栅耦合器。与其让计算机进行成千上万次的尝试与错误，不如让这个 DNN 扮演一位品尝过一万种不同食谱的资深大厨。研究人员向这个 AI 输入了一个包含一万个模拟案例的海量库，向它展示了不同的光栅形状（“食材”）是如何改变光行为（“风味”）的。
一旦 AI 学习了这些模式，研究人员就用大约 1,000 个新请求对其进行了测试。他们要求 AI 为特定的“峰值波长”（光的主要颜色）和“半高全宽”（FWHM，这是描述“彩虹颜色范围有多宽”的一种专业说法）进行设计。结果令人印象深刻：在 1,000 次尝试中，AI 的设计有 822 次达到了目标的 15% 以内，而在 351 次尝试中，其误差甚至小于 5%，表现得极其精准。当专门观察光的主要颜色时，844 次尝试都非常精准，误差小于 0.002 µm。对于颜色范围的宽度，738 次尝试都处于目标值的 0.010 µm 范围内。
为了确保这不仅仅是计算机的幻想，团队还在真实的硅芯片上制造了一些由 AI 设计的结构，并使用激光进行了测试。虽然实际测量结果与计算机模拟之间存在一些细微差异——这主要是因为现实世界是三维且复杂的，而计算机模型是一个简化的二维版本——但整体的光学模式匹配得非常好。峰值颜色几乎完全一致，尽管由于微小的制造缺陷，光的“宽度”预测起来稍显困难。
最棒的部分在于，该团队并没有将这项技术据为己有。他们将这个 AI 封装进了一个带有图形界面的用户友好型软件中，并在网上公开使用。现在，如果工程师需要一个针对特定颜色和宽度的定制化光上匝道，他们只需输入数字，软件就会立即建议精确的设计方案，甚至能为他们绘制出可直接使用的蓝图（GDS 版图）。这是一个强大的新工具，它将长达数月的设计噩梦缩短为几次点击，助力构建更快、更凉爽、更高效的未来互联网。
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。