基于降维框架的无源光子电路可扩展时域不确定性量化
《Optics & Laser Technology》:Scalable time-domain uncertainty quantification for passive photonic circuits via dimension-reduction framework
【字体:
大
中
小
】
时间:2026年10月02日
来源:Optics & Laser Technology 4.6
编辑推荐:
**摘要**
绝缘体上硅(SOI)平台的高折射率对比度能够实现密集的光子集成,但也增加了对制造偏差的敏感性。为确保光子集成电路(PICs)的可靠性,设计阶段的工艺容差分析至关重要。本文提出了一种可扩展的时域不确定性量化方法,该方法结合精确降维建模(EDRM)与贡献度分析(C
**摘要**
绝缘体上硅(SOI)平台的高折射率对比度能够实现密集的光子集成,但也增加了对制造偏差的敏感性。为确保光子集成电路(PICs)的可靠性,设计阶段的工艺容差分析至关重要。本文提出了一种可扩展的时域不确定性量化方法,该方法结合精确降维建模(EDRM)与贡献度分析(CDA),构建了分解型基带增广散射矩阵(D-BASM)模型。所提方法显著缓解了传统基于BASM模型固有的维数灾难问题,并在建模过程中所需的样本点数大大减少,从而大幅提高了计算效率。在五阶微环谐振器滤波器和基于MZI的解复用器上进行的对比实验表明,所提方法在精度和效率方面均优于传统BASM和蒙特卡洛方法。
**引言**
随着制造能力的不断提升,硅光子集成电路(PICs)因其与CMOS技术的兼容性而受到广泛关注。然而,不可控的工艺偏差对芯片良率的影响仍然是一个重大挑战。在制造过程中,与工艺偏差相关的随机不确定性(如波导几何偏差、间距开合问题、材料成分波动和表面粗糙度)是不可避免的。特别是绝缘体上硅(SOI)光子学,由于其高折射率对比度的特性,相比其他光子集成平台更容易受到制造过程中引入的偏差的影响[1],[2],[3]。这些偏差可以通过在片上引入热或电相位调制来补偿。然而,这种补偿通常需要额外的芯片面积,并导致功耗和光损耗增加。因此,在设计阶段定量预测和优化潜在工艺偏差对PICs性能和良率的影响至关重要[4],[5]。这种在设计阶段进行的定量分析方法通常被称为不确定性量化(UQ)或变异性分析[6],[7]。
传统上,蒙特卡洛(MC)方法被用作不确定性量化问题最有效且易于实现的解决方案。然而,MC仿真需要大量的运行次数才能获得统计可靠的结果,导致计算成本过高,在硅光子学领域尤为明显[8]。尽管对基于MC的方法进行了各种改进,但其固有的低效性仍是一个根本性限制。为应对这一挑战,研究人员引入了多项式混沌展开(PCE)方法以提高计算效率,并已成功应用于光子学领域[9]。在PCE的基础上,发展出了多种快速随机谱分析方法,如随机Galerkin方法[10]、随机测试方法[11]和随机配置方法[12]。与蒙特卡洛仿真相比,这些方法在保持可比精度的同时,实现了数量级的计算效率加速。
无源PICs,特别是波长选择器件(如滤波器),通常使用其频谱响应在频域中进行表征。虽然这为了解中心频率、带宽和串扰等参数提供了重要洞察,但仅凭频域信息往往不足以评估电路在真实信号条件下的性能。实际上,系统级损伤(如通带中心频率偏移或串扰增加)可以在频谱响应中轻易识别,但如果不进行时域分析,无法准确量化其对信号完整性(如波形失真或时序退化)的实际影响。因此,时域仿真对于评估无源PICs在实际工作环境中的动态行为和整体性能至关重要。此前的研究[13]提出了一种用于无源PICs不确定性量化的时域表征方法。该方法构建了确定性基带增广散射矩阵(BASM)等效模型,并允许使用任意输入信号进行时域仿真,以获得无源PICs的统计时域信息。虽然该方法精度较高,但存在显著局限性。特别是,BASM使用多项式展开系数构建,其规模取决于系统中随机变量的数量。随着维数的增加,BASM的规模迅速增长,导致时域模型构建和仿真效率低下。
为解决这一挑战,本文基于精确降维模型(EDRM)框架和修正的贡献度分析(CDA)算法[14],[15],[16]提出了一种可扩展的时域不确定性量化方法。与原始BASM方法将所有随机变量直接影响散射参数(S参数)的建模方式不同,所提方法将散射参数近似为多个子S参数的和,每个子S参数受不同随机变量子集的影响。随后,对每个分解的子S参数应用多项式混沌展开(PCE)构建相应的分解型基带增广散射矩阵(D-BASM)等效模型。与原始BASM相比,所提方法显著减少了PCE基项的数量。原始BASM模型的仿真结果可以通过多个D-BASM模型的仿真结果的线性组合来恢复。所提模型有效缓解了高维或高PCE阶数场景下原始BASM方法在模型规模迅速增长以及建模和仿真计算成本方面的问题。此外,它还显著减少了模型构建所需的样本点数。
本文其余部分组织如下:第2节简要介绍BASM不确定性量化模型。第3节简要回顾基于CDA和PCE的EDRM框架。第4节详细阐述所提方法的技术细节。第5节通过两个案例研究展示了该方法的优点。最后,第6节给出本文的结论。
**第2节 片段:基带增广散射矩阵建模方法的简要回顾**
无源PICs是线性时不变系统,其输入输出特性可以使用S参数矩阵在频域中进行描述。假设无源PIC系统受一组随机变量ξ=[ξ?, ξ?, …, ξ_d]?∈??的影响。这些随机变量通常源于制造缺陷或环境波动。例如,ξ?可能对应于波导厚度或宽度的变化,或间距/耦合系数的偏差。
**第3节 片段:基于贡献度分析算法的精确降维模型**
CDA算法通过在随机输入参数中引入有限数量的变化并评估相应的模型输出变化,来估计模型对每个输入变量的敏感性。为便于此分析,该算法构建了四种不同配置的随机变量,这些配置由输入空间的维数决定[14]:
ξ???=[ξ????, ξ????, …, ξ_d???]?
ξ?1?=[ξ??1?, ξ??1?, …, ξ_d?1?]?
ξ_i???=[ξ????, ξ????, …, ξ_i?1?, …, ξ_d???]?
ξ_i?1?=[ξ??1?, ξ??1?, …, ξ_i???, …, ξ_d?1?]?
**第4节 片段:基于EDRM框架的无源PICs不确定性量化模型**
基于前述方法,通过CDA与EDRM的集成,系统级不确定响应被分解为子函数。本节将降维框架扩展到无源PICs的增广系统,以缓解BASM不确定性量化方法中遇到的模型规模爆炸问题。
**第5节 片段:无源PICs的不确定性量化**
本节将所提技术应用于两个无源PICs,以验证方法的精度和效率。S参数通过Luceda IPKISS仿真获得,所有计算均在配备Intel Core i7处理器和32 GB RAM的个人计算机上完成。
**结论**
本文提出了一种高效的无源PICs不确定性量化方法。通过对BASM模型进行分解和降维处理,所提方法在随机变量数量方面具有良好的可扩展性,减少了计算时间和采样需求。该方法将修正的CDA算法与PCE相结合,构建了多个增广子模型。然后这些子模型的仿真结果通过适当的方式合并。
**CRediT作者贡献声明**
Liqiong Huang:撰写——初稿。Dezong Dai:方法论。Yinghao Ye:撰写——审稿与编辑。
**利益冲突声明**
作者声明他们不存在已知的竞争性财务利益或个人关系,这些利益或关系可能影响本文报告的工作。
**致谢**
本工作得到国家自然科学基金(62205075)和贵州省基础研究计划(自然科学基金)(ZD[2026]053)的支持。
Liqiong Huang | Dezong Dai | Yinghao Ye
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号