一种基于智能算法的高Q值硅基光子晶体纳米束微腔

一种基于智能算法的高q值硅基光子晶体纳米束微腔
技术领域
1.本发明涉及光传感和光通信等领域，具体涉及一种基于智能算法的高q值硅基光子晶体纳米束微腔。


背景技术：

2.随着集成电路超大规模时代的到来，集成电路的特征尺寸将会朝着更加微型化的方向发展，工艺和材料是集成电路继续微型化发展的首要瓶颈。硅基光子芯片或硅基光电混合集成芯片，就是要把各种光子功能器件甚至微电子器件集成在一个芯片上。因此光子器件的尺寸应该达到微电子器件的大小，即要在微纳米与光波长同量级的尺度上实现对光子的操控。
3.为了解决这一问题，光子晶体备受关注。光子晶体的能带结构特性实现了对光子的有效调控。而且因为传输损耗小、设计自由度高、弯曲损耗小、功能丰富、易于集成等优点，光子晶体已成为一个良好的硅基微纳光电器件制作平台，在硅基光电集成回路中扮演着越来越重要的角色。光子晶体微腔是在完美光子晶体结构中引入点缺陷而形成的，在腔中只有满足谐振条件的特定频率的光波的光场会得到谐振增强。光子晶体微腔体积很小，而腔内能量谐振后很强，因而腔内光能量密度很大，腔内光与物质相互作用得到大大增强，光学非线性效应显著增强。光子晶体微腔拥有诸多优势，如品质因子高、模式体积小、尺寸小、易于集成、设计自由度高、腔内光与物质相互作用强等。目前，光子晶体微腔因其独特特性，被广泛应用于光学滤波器、全光开关、低阈值无阈值激光器、高效率光源、高灵敏度传感器等中。
4.在过去的十年中，人们提出了各种方案来追求高性能光子晶体纳米束微腔。经典的设计方法有使用两个锥形波导，在微腔两侧的镜的中间具有锥形孔径和晶格周期，并获得一维光子晶体纳米束微腔。通过进一步优化腔长，提出了理论q因子为1.4
×
107、模体积为0.39(λ/n)3的纳米腔。实验测得其q因子为7.5
×
105。也有采用一种确定性设计方法设计的光子晶体纳米束微腔，可以实现高q值。然而谐振腔模式体积相对较大，而且需要30对高斯镜，这增加了器件设计和制造的难度。本设计不仅采用机器学习优秀的数据分析能力，分析q值和结构参数之间的关系，且结合遗传算法，利用其较好较快的探索最优解的特点，高效的对参数空间进行求解。本设计通过采用机器学习-遗传算法的方法优化的光子晶体纳米束微腔，理论q因子高达1.2
×
108，模式体积仅仅只有0.32(λ/n)3。
5.综上所述，基于机器学习-遗传算法优化的高q值光子晶体纳米束微腔是本发明的创研动机，在光通信系统中有着巨大的市场需求。


技术实现要素：

6.本发明要解决的技术问题是在较小模式体积下，获取高q值的硅基光子晶体纳米束微腔。
7.一种基于智能算法的高q值硅基光子晶体纳米束微腔，该q值硅基光子晶体纳米束
微腔为谐振腔，包括两个反射区和渐变区，渐变区位于两个反射区中间，渐变区包括若干渐变孔；
8.首先只对腔长进行扫描，渐变孔的大小从渐变区的中间位置向两边呈递进增加，确定此时的硅基光子晶体纳米束微腔为初始谐振腔结构，在初始谐振腔结构的基础上，通过微调渐变孔，生成随机结构，获取q值关于随机结构参数的数据集，将该数据集分为训练集和测试集；
9.然后采用神经网络，其输入为腔长和渐变孔之间的距离，其输出为log
10
q，分别采用训练集和测试集对该神经网络进行训练及测试，得到训练好后的神经网络；
10.最后，结合遗传算法对初始谐振腔结构进行优化，以训练好后神经网络的输出为遗传算法的适应度函数，向着适应度高的方向迭代，得到最终收敛的log
10
q，即得到最优的谐振腔结构参数以及对应的q值，即得到高q值硅基光子晶体纳米束微腔。
11.进一步地，所述初始谐振腔结构是一个悬空的锥形结构，渐变孔的半径是相邻两孔间距离的0.28倍。
12.进一步地，所述q值的计算公式为：
[0013][0014]
其中，ω0是角频率，u(t)是谐振腔中存储的总能量。
[0015]
进一步地，所述谐振腔的材料是硅，其内具有若干空气孔，该若干空气孔呈现左右对称的分布，渐变孔为空气孔中的一部分。
[0016]
进一步地，所述谐振腔采用soi平台，谐振腔的波导宽度为500nm，高度为220nm，晶格周期为460nm，反射区空气孔的半径为128.8nm。
[0017]
进一步地，所述谐振腔的反射区内两个相邻空气孔的圆心距离为329.8102nm，渐变孔的间距由内向外依次为340.1814nm，359.7913nm，380.4111nm，400.3983nm，420.2000nm，439.8526nm，渐变孔的半径分别是对应孔距的0.28倍。
[0018]
进一步地，所述神经网络采用人工神经网络，包含一个输入层、一个输出层和一个隐藏层，隐藏层中神经元个数为6个。
[0019]
进一步地，所述随机结构参数包括渐变孔之间的距离和腔长。
[0020]
进一步地，在遗传算法中，渐变孔之间的距离和腔长的变化范围都设置为[-1nm，1nm]。
[0021]
本发明的有益效果是：本发明不仅利用神经网络优秀的数据分析能力来得到q值和结构参数之间的关系，而且巧妙地结合遗传算法高效求取最优解的优势来优化光子晶体纳米束微腔，从而极大地提升了光子晶体纳米束微腔性能。神经网络-遗传算法技术能够有效地探索微腔的多个结构参数和q值之间的关系，突破了光子晶体纳米束微腔参数优化效率低、优化时间过长等限制，优化的光子晶体纳米束微腔在小模式体积(～0.32(λ/n)3)条件时，实现了目前最高q值，有利于构建片上高精度光学传感和滤波等系统。
附图说明
[0022]
下面结合附图对本发明的具体实施方式作进一步详细的说明。
[0023]
图1是高q值硅基光子晶体纳米束微腔的平面结构图。
[0024]
图2是神经网络模型，以及分别在训练集，测试集拟合图。
[0025]
图3是高q值硅基光子晶体纳米束微腔的电场图。
[0026]
图4是高q值硅基光子晶体纳米束微腔优化前后的电场高斯拟合和泄漏区中能量对比图。
[0027]
图5是遗传算法优化光子晶体纳米束微腔的迭代图。
具体实施方式
[0028]
下面结合附图和具体实施方式，对本发明做进一步说明。
[0029]
本实施例公开了一种基于智能算法的高q值硅基光子晶体纳米束微腔，基于神经网络和遗传算法进行优化，通过改变谐振腔中渐变孔的距离和腔长，使谐振腔中的光场分布更满足高斯函数模型，极大提高了光子晶体对光的限制能力，进而大大提高了光子晶体微腔的q值。依据上述原理，首先对腔长(中心两个孔圆心的距离)进行扫描，然后渐变孔之间的距离由外向内按等差依次递减，来获取一个初始的谐振腔结构。通过微调渐变孔之间的距离，q值发生明显变化，因此对渐变孔进一步优化来获取更高的q值。考虑到神经网络具有优秀的数据处理能力，结合神经网络来探索q值与结构参数之间的关系。随机改变初始谐振腔中渐变孔和腔长的距离，生成随机结构，获取q值关于结构参数的数据集，并将数据集分为训练集和测试集，接着用训练集来训练神经网络，最后利用遗传算法进行参数探索，最终得到如图1所示的高q值硅基光子晶体纳米束腔，谐振腔的主体结构是渐变孔的间距呈递进式，半径随孔间距的变化而变化，且光子晶体纳米束腔处于悬空状态，为锥形结构，优化后的结构参数变化幅度很小，模式体积几乎不变，保持一个较小的数值。
[0030]
光子晶体纳米束微腔品质因子(q)描述的是光子晶体纳米束微腔对光子在时间上的限制能力，即光子寿命的长短，也可以反映微腔的光学损耗，光学q值越大，谐振腔对光场的谐振增强越强，相同条件下腔内光场强度越大。在光子晶体微腔中，q值的大小源于散射损耗，散射损耗越大，q值越小，因此如何减小散射损耗是提高q值的关键。q值可描述为：
[0031][0032]
其中ω0是角频率，u(t)是腔体中存储的总能量。
[0033]
通过改变谐振腔中渐变孔的距离，使谐振腔中的光场分布更满足高斯函数模型，极大提高了光子晶体对光的限制能力，进而大大提高了光子晶体微腔的q值。首先只对腔长进行扫描，然后左右各6个孔之间的距离呈等差渐变，即第一步确定初始的谐振腔结构。由于微调渐变孔，q值有明显的变化，为了得到更优的结构参数和更高的q值，结合机器学习的方法来进一步探索。在初始结构的基础上，生成随机结构，获取q值与结构参数的数据集。空气孔的个数一共有30个。神经网络的输出(即log
10
q)作为适应度函数。最优的谐振腔两个中心孔的圆心距离为329.8102nm，渐变孔的间距(两个圆心之间的距离)由内向外依次是340.1814nm，359.7913nm，380.4111nm，400.3983nm，420.2000nm，439.8526nm，渐变孔的半径分别是对应孔距的0.28倍。
[0034]
图2是神经网络模型，以及在训练集和测试集上的拟合情况。该神经网络含有一个隐藏层、一个输入层和一个输出层，将优化的结构参数作为神经网络的输入，而log
10
q作为输出，隐藏层中含有6个神经元。其中，以随机结构中渐变孔之间的距离和腔长(中心两个孔
圆心之间的距离)作为其输入(即7个输入)，log
10
q作为输出(即1个输出)。并且将数据集按7：3分成训练集和测试集两个部分。然后对神经网络进行训练，在训练集和测试集上，数据集中分布在拟合函数附近。该神经网络的预测误差为0.097，足够用来预测微腔q值。最后利用遗传算法对结构参数进行优化，将神经网络的预测值作为遗传算法的适应度，并向着适应度高的方向迭代，经过有限次迭代后，log
10
q最终收敛。并通过时域有限差分的方法验证q值为1.2
×
108，达到了目前设计的最高值。
[0035]
图3是优化后的最优的q值硅基光子晶体纳米束微腔的电场图，即高q值硅基光子晶体纳米束微腔的电场图。从图中可以看出，光能量集中分布在光子晶体纳米束微腔的几何中心，光场被限制在光子晶体纳米束微腔中。
[0036]
图4是高q值硅基光子晶体纳米束微腔优化前后的电场高斯拟合和泄漏区中能量对比图。相比于优化前，优化后结构的电场高斯拟合程度更好，更符合高斯函数模型，对光能量的限制能力更强。从泄漏区中的能量也可看出，优化后泄漏区中的能量明显减少，意味着微腔的散射损耗变小了，表明微腔的q值有了显著提升。
[0037]
图5是采用机器学习-遗传算法技术，对光子晶体纳米束微腔进行优化迭代，在进行100次迭代后，适应度逐渐收敛，大约在7.6，并得到与之对应的结构参数，最终利用时域有限差分的方法对谐振腔结构参数进行验证，即优化后的光子晶体纳米束微腔的q值为1.2
×
108，是目前同等模式体积下实现的最高光子晶体纳米束微腔q值。优化后得到的光子晶体纳米束微腔的模式体积为0.32(λ/n)3，q值和模式体积都是对光子晶体纳米束微腔的检测参数，所述模式体积描述的是光子晶体纳米束微腔对光子在空间上的限制能力，模式体积越小，表示该谐振腔被限制在越小的区域，在谐振腔内总能量相同的条件下，谐振腔内光功率密度越大，光与物质之间的相互作用会更强。模式体积可描述为：
[0038][0039]
其中ε(r)是介电常数，e(r)是电场。
[0040]
通过本发明的技术方案，最终得到的光子晶体纳米束微腔的q值最优，同时计算得到的模式体积也较小，满足本领域的设计要求。
[0041]
本发明的有益效果是：本发明不仅利用神经网络优秀的数据分析能力来得到q值和结构参数之间的关系，而且巧妙地结合遗传算法高效求取最优解的优势来优化光子晶体纳米束微腔，从而极大地提升了光子晶体纳米束微腔性能。神经网络-遗传算法技术能够有效地探索微腔的多个结构参数和q值之间的关系，突破了光子晶体纳米束微腔参数优化效率低、优化时间过长等限制，优化的光子晶体纳米束微腔在小模式体积(～0.32(λ/n)3)条件时，实现了目前最高q值，有利于构建片上高精度光学传感和滤波等系统。
[0042]
以上是本发明的技术原理以及仿真结果，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上对本发明做出各种变化，均为本发明的保护范围。