集成電路(IC)由于量子尺寸和功耗問題越來越無法滿足現(xiàn)代社會對高速數(shù)據(jù)處理和信息傳輸?shù)囊�。人們越來越關注到光子作為信息載體時的獨特優(yōu)勢,希望可以利用光子延續(xù)摩爾定律的發(fā)展。在這樣的時代背景下,硅基光子學得到了廣泛的研究。而對硅基光子系統(tǒng)性能的提升成為了重要的課題。除了利用基于傳統(tǒng)理論的設計和優(yōu)化方法外,將其他領域的理論向光學領域和硅基光子系統(tǒng)進行推廣以及結合近些年發(fā)展迅速的人工智能和逆向設計等新的技術手段都將為提升硅基光子系統(tǒng)的性能提供新的動力。本論文主要研究了提升硅基光子系統(tǒng)性能的新方法,主要創(chuàng)新點如下。引入了時空對稱理論,提出了在自發(fā)PT對稱性破缺的雙模波導中,損耗介質對模式耦合損耗具有額外的增強作用。通過在雙模SOI波導上設計有效折射率實部和虛部的微擾分布,構建了處于厄米相、破缺的PT對稱相和純吸收相的三種器件。通過數(shù)值計算和實驗有效地驗證了當系統(tǒng)處于破缺的PT對稱相時,相比于純吸收相將具有更高的對目標輸出模式能量的損耗。在該方案中,損耗介質在常規(guī)的光吸收作用以外,還引入了從厄米相到破缺的PT對稱相的相變,而后者強烈地阻止從輸入模式到輸出模式的能量耦合,可以有效地增強模式耦合損耗。實驗結果顯示,模式耦合損耗增強因子可以達到17dB,且具有較高的帶寬。通過時空對稱理論增強硅基SOI波導內模式耦合損耗的方案,可以為吸收型光強度調制器或光開光提供一種新型的設計思路,使得對于電控損耗介質的利用更加高效,提高調制深度或消光比。引入了人工神經(jīng)網(wǎng)絡算法,提出了使用卷積神經(jīng)網(wǎng)絡分析多模波導內模式能量分布的方案。該方案不依靠以往常用的空間模式排序技術,降低了器件層面的復雜度,并將此負擔轉移到了數(shù)據(jù)處理層面。針對片上常見的薄SOI多模波導和SOI重多模波導,分別設計了專用的卷積神經(jīng)網(wǎng)絡和普適的二維卷積神經(jīng)網(wǎng)絡,從而利用預處理后的遠場光強圖像預測模式能量分布。這些訓練好的卷積神經(jīng)網(wǎng)絡的性能經(jīng)驗證能夠達到較高水準。在SOI重多模波導中,該性能也沒有下降。此外,訓練好的卷積神經(jīng)網(wǎng)絡經(jīng)驗證對噪聲具有較高的魯棒性。這種利用卷積神經(jīng)網(wǎng)絡分析多模波導中的模式能量分布的新方法對于空分復用和結構光領域具有較高的潛在應用,并且可以拓展到多模光纖體系。引入了逆向設計理念,提出了利用粒子群優(yōu)化(PSO)算法設計超小尺寸高性能的硅基模式轉換器的方案。該方案將模式轉換器耦合區(qū)域的單側寬度變化和總長度參數(shù)化,并給予它們合理的取值范圍形成解空間。以FDTD計算出的TE00模的平均前向透射率為適合度函數(shù),不斷更新在解空間搜索的粒子的速度和位置,從而逐漸逼近全局最優(yōu)解。根據(jù)上述逆向設計的理念,得到了模式轉換器的全局最優(yōu)參數(shù)(或接近最優(yōu))并對其尺寸、插損、背向散射、模式轉換率、模式純度和加工誤差容忍度等多個性能指標進行了分析。通過和前人結果進行比較,該模式轉換器表現(xiàn)優(yōu)異。
【學位單位】：南京大學
【學位級別】：博士
【學位年份】：2019
【中圖分類】：TN36
【部分圖文】：

圖１．２典型的硅基光電子芯片示意圖丨１０丨。??Ｆｉｇｕｒｅ?１．２?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｔｙｐｉｃａｌ?ｓｉｌｉｃｏｎ?ｏｐｔｏｅｌｅｃｔｒｏｎｉｃ?ｃｈｉｐ?｜１０｜．??圖１．２是一個典型的硅基光電子芯片。圖中顯示了調制器、探測器、耦合器、??波導等器件，此外還需要在芯片上集成光源以形成一個完整的硅基光電子芯片。??在通訊的應用場景下，往往還需要復用和解復用器件。整個芯片的性能由這些器??件或子系統(tǒng)的性能共同決定，因此提升這些硅基光子器件的性能是一個十分重要??的課題。除了利用基于傳統(tǒng)理論的設計和優(yōu)化方法外，將其他領域的理論向光學??２??

?第一章緒論???保形成波導底部的較寬硅層。這種復雜且對精準度要求較高的微加工工藝流程是??將脊波導推向大規(guī)模生產的巨大阻力，即使在實驗室階段，也更愿意使用方波導??以降低對微加工工藝的要求。此外，一種方便加工的槽波導也被提出并實現(xiàn)［１７，??１８］。與上述兩種波導不同的是，槽波導電場最強的地方在兩個硅條中間的空氣??槽中。這種性質將使得暴露在硅條外的電場可以與增益材料更加高效的相互作用，??從而提高全光開關［１９］、光學放大器［２０］和光學探測器［２１］的性能。當然，這種被??局域在幾Ｉ?寬度內的強電場，也可以用于多種場景下的高靈敏度光學傳感器??丨２２，?２３］。以上三種波導的橫截面以及場分布示意圖如下圖所示。??

（２）分光器??分光器是集成光互連領域不可或缺的組成部分，它可以將信號送到芯片的不??同部分。如圖１．４所示，常見的分光器件包括Ｙ結［２６］、定向耦合器［２７］、絕熱??３ｄＢｆ禺合器［２８］和基于多模干涉（Ｍｕｌｔｉ－ｍｏｄｅ?ｉｎｔｅｒｆｅｒｅｎｃｅ，ＭＭＩ）的器件［２９］等。??此外，還有一些基于ｌｘＮ環(huán)型諧振腔［３０］和倒梯形波導（Ｉｎｖｅｒｓｅｔａｐｅｒ）?［３１］的結??構也有相關研究，但是這些結構對微加工工藝的要求相對較高才能保證其性能。??ａ，ｂ?ｃ，??Ｏｕｔｌ?Ｉｎｌ?．?ｒｗｉ??＊?Ｏｕｔｌ??ＩＩＩ＊?Ｉｎ??Ｉｎ２?〇ｕｔ２??〇ｕｔ２?Ｏｕｔ２??圖１．４分光器件示意圖，其中紅色為Ｓｉ，灰色為Ｓｉ０２。（ａ）?１ｘ２?Ｙ結。（ｂ）?２ｘ２絕熱３ｄＢ??耦合器＾?（ｃ）?ｌｘ２ＭＭＩ。??Ｆｉｇｕｒｅ?１．４?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍｓ?ｏｆ?ｂｅａｍ?ｓｐｌｉｔｔｅｒｓ，?ｉｎ?ｗｈｉｃｈ?ｒｅｄ?ｒｅｐｒｅｓｅｎｔｓ?ｓｉｌｉｃｏｎ?ａｎｄ?ｇｒａｙ??ｒｅｐｒｅｓｅｎｔｓ?Ｓｉ〇２．?（ａ）?１ｘ２?Ｖ－ｊｕｎｃｔｉｏｎ．?（ｂ）?２ｘ２?ａｄｉａｂａｔｉｃ?３ｄＢ?ｃｏｕｐｌｅｒ
【相似文獻】

相關期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡拐點預測法[J];金融經(jīng)濟;2017年18期

2 劉高宇;;深度神經(jīng)網(wǎng)絡在煤質數(shù)據(jù)分析與預測中的應用[J];電腦知識與技術;2019年28期

3 馮偉業(yè);廖可非;歐陽繕;牛耀;;基于膠囊神經(jīng)網(wǎng)絡的合成孔徑雷達圖像分類方法[J];科學技術與工程;2019年28期

4 溫贊揚;;基于群智優(yōu)化神經(jīng)網(wǎng)絡的音樂風格分類模型研究[J];現(xiàn)代電子技術;2019年21期

5 鄭麗;;建筑設計中神經(jīng)網(wǎng)絡技術與遺傳算法探究[J];湖北農機化;2019年21期

6 易煒;何嘉;鄒茂揚;;基于循環(huán)神經(jīng)網(wǎng)絡的對話系統(tǒng)記憶機制[J];計算機工程與設計;2019年11期

7 黃為;李永剛;胡上成;汪毅;;基于循環(huán)神經(jīng)網(wǎng)絡的船搖數(shù)據(jù)實時預測[J];科學技術與工程;2019年31期

8 賴策;魏小琴;;卷積神經(jīng)網(wǎng)絡的訓練方式研究[J];信息與電腦(理論版);2019年22期

9 周濟民;;基于神經(jīng)網(wǎng)絡改進的元胞自動機分析——美國阿片類藥物濫用情況[J];信息系統(tǒng)工程;2019年11期

10 馬猛;王明紅;;基于進化神經(jīng)網(wǎng)絡的304不銹鋼車削加工表面粗糙度預測[J];輕工機械;2019年06期

相關博士學位論文 前10條

1 劉昂;微結構硅基光子學器件性能的研究[D];南京大學;2019年

2 肖理業(yè);基于機器學習的電磁場建模與設計研究[D];電子科技大學;2019年

3 付錢華;憶阻神經(jīng)網(wǎng)絡的動力學研究[D];電子科技大學;2019年

4 張馬路;Spiking機器學習算法研究[D];電子科技大學;2019年

5 杜昌順;面向細分領域的輿情情感分析關鍵技術研究[D];北京交通大學;2019年

6 陳涵瀛;核電站熱工水力系統(tǒng)工況預測與診斷方法研究[D];哈爾濱工程大學;2018年

7 梁智杰;聾啞人手語識別關鍵技術研究[D];華中師范大學;2019年

8 饒紅霞;信息受限下神經(jīng)網(wǎng)絡的狀態(tài)估計和擬同步研究[D];廣東工業(yè)大學;2019年

9 趙博雅;基于卷積神經(jīng)網(wǎng)絡的硬件加速器設計及實現(xiàn)研究[D];哈爾濱工業(yè)大學;2018年

10 陳科海;機器翻譯上下文表示方法研究[D];哈爾濱工業(yè)大學;2019年

相關碩士學位論文 前10條

1 白會杰;基于人工智能的光伏發(fā)電短期功率預測技術[D];北京交通大學;2019年

2 張榮葳;基于卷積神經(jīng)網(wǎng)絡與SimHash的網(wǎng)絡異常流量檢測技術研究[D];中國工程物理研究院;2019年

3 張超利;基于神經(jīng)網(wǎng)絡的河南省空氣污染預測研究[D];華北水利水電大學;2019年

4 范汝鑫;基于深度神經(jīng)網(wǎng)絡的個性化商品推薦研究[D];合肥工業(yè)大學;2019年

5 賈凱;人工蜂群算法與BP神經(jīng)網(wǎng)絡并行集成學習研究[D];合肥工業(yè)大學;2019年

6 黃國維;基于深度學習的城市垃圾桶智能分類研究[D];安徽理工大學;2019年

7 江白華;基于深度學習的人臉識別研究[D];安徽理工大學;2019年

8 侯棟楠;基于深度特征學習的振動狀態(tài)識別方法[D];華北電力大學;2019年

9 肖煒茗;基于Bernstein多項式和階梯路徑構造的前向插值神經(jīng)網(wǎng)絡及逼近能力[D];天津師范大學;2019年

10 強碩;基于神經(jīng)網(wǎng)絡的電鍋爐動態(tài)過程建模研究[D];華北電力大學;2019年

本文編號：2859685