集成光学相控阵(OPA)已成为光探测与测距(LiDAR)和光无线通信(OWC)等应用中实现光束形成和转向的关键技术。然而,由于电漂移、热漂移和制造误差等因素,随着通道数量的增加,在 OPA 中实现精确相位控制和管理相位误差变得更具挑战性。传统的 OPA 校准方法通常依赖于基于迭代优化的算法,如遗传或爬山方法,这些方法通常涉及耗时且繁琐的程序,特别是对于按比例集成的 OPA。为了应对这些挑战,韩国科学技术院(KAIST)的研究人员提出了新颖的相位控制方法,该方法利用了专为 64 通道集成 OPA 量身定制的深度神经网络(DNN)架构。这种方法简化相位校准过程,提高这些先进光学系统的光束转向控制效率。64 通道集成硅基 OPA 芯片的设计布局如图 1(a)所示。OPA 芯片包括一个输入光栅耦合器、一个 6 级多模干涉仪(MMI)分光器、64 个电光(EO)移相器和光栅辐射器,所有这些都针对波长为 1550 nm 的横向电(TE)模传播进行了优化。图 1:(a)64 通道光相控阵(OPA)的设计布局;(b)用电线粘合制作的 OPA 板上芯片模块。横向光束转向是通过向每个移相器施加正向偏置电压,通过等离子体色散效应引起相位变化来实现的。纵向光束转向是通过在光栅辐射器上采用 ni-n 加热器,利用热光学(TO)效应实现的。研究重点是与横向光束转向有关的相位控制方面。OPA 芯片是在美国国家纳米制造中心(NNFC)的 8 英寸晶圆上用 220 纳米硅绝缘体(SOI)平台制造的。如图 1(b)所示,芯片通过电线键合连接到印刷电路板(PCB)上。为了训练和评估用于 OPA 相位校准的 DNN 模型,研究人员采用了图 2 所示的实验装置。来自激光二极管(LD)的光源通过光栅耦合器耦合到 OPA 模块。OPA 模块上 64 个移相器的电压控制是通过定制的 LabVIEW 软件控制的数模转换器 (DAC) 板实现的。图 2. 为训练用于 OPA 相位校准的深度神经网络 (DNN) 模型而收集数据的实验装置。同样的设置也用于评估训练后 DNN 模型的性能。通过单个移相器进行相位调整的光最终从辐射器中发射出来,产生远场光束图案。然后使用傅立叶成像系统捕捉远场光束分布,并从生成的二维图像中得出相应的一维光束分布。收集到的数据被用来训练 DNN 模型,通过将生成的电压设置输入 OPA,该模型可以重现所需的光束强度分布。为了解决 64 通道 OPA 中相位控制的复杂性和非唯一性问题,研究人员采用了串联网络架构,如图 3 所示。这种架构简化了训练步骤,确保了所需波束分布和电压集之间的一对一映射。图 3. 用于 OPA 相位控制的串联网络模型示意图。该模型由两个相互连接的网络组成:预先训练的正向建模网络和反向建模网络。训练过程包括首先训练正向建模网络,然后固定其权重,接着训练反向建模网络。两个网络都采用了超参数调整和均方误差 (MSE) 损失函数,以尽量减少训练过程中的偏差。研究人员以爬山算法(HA)搜索的 20 个评估数据集为参考,评估了其训练的 DNN 模型的横梁预测性能,在 20 个案例中的 16 个案例中观察到了一致的结果。图 4. (a) 比较远场光束强度分布的 5 个代表性实验结果:由爬山算法(HA)校准的参考光束(灰色),由训练有素的 DNN 预测的光束强度分布(红色),以及使用训练有素的 DNN 预测电压集获取的实验光束强度分布(蓝色)。(b) 通过 HA 获得的电压集与 DNN 中间层提取的电压集组合的比较。图 4(a)显示了不同方向上 5 个具有代表性的归一化光束分布,比较了三种情况:由 HA 校准的参考光束(灰色)、由训练有素的 DNN 预测的光束强度分布(红色),以及使用训练有素的 DNN 预测电压集获得的实验光束强度分布(蓝色)。此外,图 4(b) 显示了从训练有素的网络中间层提取的电压集和使用 HA 获得的电压集在 5 种不同远场光束强度分布情况下的并排比较。预测电压集产生的归一化实验光束分布在 5 个不同的光束分布中显示出平均 7.05 dB 的边模抑制比(SMSR),略高于网络模拟结果中达到的 6.88 dB。这一 SMSR 水平与使用爬山算法 (HA) 实现的归一化波束分布中观察到的平均 SMSR 7.11 dB 非常接近。虽然峰值强度平均降低了 0.84 dB,但实验光束分布与 HA 校准光束的质量非常接近,这表明 DNN 能够成功地再现所需的光束分布。KAIST 的研究人员展示了用于 OPA 波束成形的深度学习杠杆相位校准方法。与传统爬山算法相比,该方法的性能略有下降,但简化了多波束点的校准,为光学系统和光子应用带来了希望。利用深度学习的力量,简化并增强了先进集成光学相控阵的相位校准过程,推进了激光雷达和光无线通信等新兴技术中更高效、更精确的波束转向控制。[1] J.-Y. Kim, J. Kim, J. Yoon, and H. Kurt, "Deep Learning-Driven Phase Calibration Methodology for Enhanced Beamforming in Integrated Optical Phased Array," School of Electrical Engineering, Korea Advanced Institute of Science & Technology (KAIST), Daejeon, Republic of Korea, 2024, pp.
- END -
我们欢迎化合物/硅基光电子芯片的研究人员和工程师申请体验免费版PIC Studio软件。无论是研究还是商业应用,PIC Studio都可提升您的工作效能。
关于我们:
深圳逍遥科技有限公司(Latitude Design Automation Inc.)是一家专注于半导体芯片设计自动化(EDA)的高科技软件公司。我们自主开发特色工艺芯片设计和仿真软件,提供成熟的设计解决方案如PIC Studio、MEMS Studio和Meta Studio,分别针对光电芯片、微机电系统、超透镜的设计与仿真。我们提供特色工艺的半导体芯片集成电路版图、IP和PDK工程服务,广泛服务于光通讯、光计算、光量子通信和微纳光子器件领域的头部客户。逍遥科技与国内外晶圆代工厂及硅光/MEMS中试线合作,推动特色工艺半导体产业链发展,致力于为客户提供前沿技术与服务。
http://www.latitudeda.com/