Otimização de moduladores Mach-Zehnder integrados em fotônica de silício utilizando redes neurais artificiais

Abstract

Uma das principais vantagens da integração fotônica baseada na plataforma de silício sobre isolante (silicon-on-insulator, SOI) é a sua compatibilidade com o processo de manufatura de metal óxido-semicondutor complementar, possibilitando a produção em massa e reduzindo drasticamente o custo dos dispositivos. Além do mais, o alto contraste de índice de refração nesta plataforma resulta em um forte confinamento da luz no meio guiado, o que permite a construção de dispositivos compactos. Estas propriedades tornam a plataforma de silício sobre isolante atraente no projeto de sistemas coerentes ópticos, tais quais vêm ganhando atenção para enlaces cada vez mais curtos, como é o caso interconexões de alta velocidade em data-centers. Entretanto, o projeto de moduladores de banda larga e de baixo consumo de potência ainda é um desafio nesta plataforma. Dentre as arquiteturas existentes, o modulador de Mach-Zehnder (Mach-Zehnder Modulator, MZM) se mostra um candidato atraente devido ao seu potencial de apresentar larga banda eletro-óptica, baixo consumo de potência e alta estabilidade térmica. Estas qualidades se destacam, em especial, em MZMs com deslocadores de fase baseados no efeito de dispersão de plasma, operando em polarização reversa de tensão. Entretanto, a partir de uma revisão bibliográfica a respeito de MZMs construídos em silício, podemos perceber que o desempenho dos mesmos está atingindo um platô. Por outro lado, até onde sabemos, a otimização de MZMs por algoritmos de inteligência artificial ainda não tem sido explorada na literatura. Modelos de simulação eletromagnéticas apresentam um alto custo de tempo, enquanto que algoritmos de otimização como os evolutivos requerem numerosas inferências, ainda mais ao otimizar um dispositivo com múltiplos parâmetros de projeto, como é o caso do MZM. A partir de simulações realizadas em um entorno que integra os softwares CST, Lumerical (Mode e Device) e uma linguagem de alto nível, como o Python, simularam-se 10.000 configurações de MZM com parâmetros aleatórios. Os dados obtidos mediante estas simulações foram utilizadas para treinar uma rede neural que pode substituir o modelo eletromagnético de alta complexidade no cômputo da função de custo, de forma a acelerar algoritmos de otimização heurística. A simulação e a rede neural consideraram oito parâmetros de design no modelo, incluindo a largura do guia de onda, a largura das regiões dopadas, o comprimento do modulador e a tensão de polarização. No caso dos parâmetros de desempenho do modulador temos a banda eletro-óptica, a tensão de meia-onda e as perdas de inserção ópticas. Os resultados mostraram que a rede neural foi capaz de emular o modelo de simulação, mostrando uma acurácia satisfatória na predição dos três parâmetros de desempenho do MZM. Ao utilizarmos a rede neural como forma de computar a figura de mérito dos MZMs, o custo de tempo é reduzido por um fator de 1e7 em relação ao modelo de simulação. Com esta demanda menor por recursos computacionais, é possível executarmos otimizações que consideram um elevado número de iterações e indivíduos nas populações. Além do mais, diferentes figuras de mérito podem ser utilizadas para dar ênfase na otimização de parâmetros de métrica distintos. Concluímos que esta configuração de otimização conjunta possibilita achar os limites da arquitetura em termos das métricas consideradas.

One of the main advantages of silicon on insulator based integration is its compatibility with the complementary metal-oxide-semiconductor (CMOS) manufacturing process, which enables mass production and drastically reduces device costs. Furthermore, the high refractive index contrast inherent to this platform allows a high confinement of light in the guided medium, enabling the design of compact devices. These silicon-on-insulator (SOI) properties have attracted particular attention for the design of optical coherent systems, which have been getting more popular for shorter and shorter links, as the case of high-speed data-centers interconnections. However, the design of broadband and power-efficient modulators in this platform still poses a challenge. Amongst the existing architectures, the Mach-Zehnder Modulator (MZM) emerges as an attractive candidate, due to its potential for wide electro-optic bandwidth, low power consumption and high thermal stability. Such benefits stand out, in special, when it comes to Mach-Zehnder modulators composed of phase shifters based on the plasma dispersion effect, operating via reverse voltage polarization. However, from a literature review concerning MZMs made of silicon, we observed that the modulators performance is plateauing. On the other hand, to the best of our knowledge, MZM optimization via artificial intelligence algorithms is still unexplored in the literature. Electromagnetic simulation models present a high computational complexity, while optimization algorithms such as genetic algorithm require several inferences, even more when a multi-parameter device such as the MZM is being optimized. The simulations were carried out in an wrapper comprising CST and Lumerical (Mode and Device) softwares, and the high-level programming language Python. From this wrapper, we obtained 10,000 MZM configurations of random parameters. The dataset was used to train an artificial neural network model that can replace the high complexity simulation model in the computation of the cost function, accelerating the convergence of heuristic optimization algorithms. The simulation and the neural network consider eight design parameters, including the waveguide width, the doped regions width, the modulator length and the bias voltage. For the modulator performance metrics we considered the electro-optic bandwidth, the half-wave voltage and the optics insertion loss. The obtained results demonstrated that the network is able to emulate the simulation model with satisfactory accuracy for the three considered performance parameters. By utilizing the neural network for the MZMs evaluation phase of the heuristic algorithm, the time efficiency is increased by 107 times. By alleviating the burden on the hardware resources, it is possible to execute the optimization for high numbers of iterations and MZM samples. Furthermore, different figures of merit can be utilized to emphasize distinct performance parameters in the optimization. We concluded that this joint optimization configuration made it possible for us to explore the limits of the MZM architecture in terms of the considered metrics.