基于校准辅助的应力光控相位编程技术，用于3D打印光学神经网络前端

《Optics & Laser Technology》：Calibration-assisted stress-optic phase programming for a 3D-printed optical neural-network frontend

　　•为3D打印的开放神经网络（ONN）前端制定了辅助校准的压力光相位编程方法。
•在±5%的增益误差控制场景下，评估了0.85的压力控制过程窗口。
•MPB代理验证将相位编程误差保持在0.0012π以下。
•理想情况下，每个节点进行一次增益校准后，4节点和8节点情况下的模拟相位通过率均可恢复到100%。
•MZI测量显示条纹位移幅度呈单调减少趋势，MNIST基准测试量化了相位灵敏度。

**引言**
集成ONN利用光干涉进行高带宽和低延迟的线性变换。可以通过级联干涉仪合成幺正变换，从三角Reck网格转换为深度更小、损耗对称性更好的矩形Clements网格[1]、[2]。光子AI的演示和综述展示了相干ONN、张量核心概念以及卷积加速器方面的飞速进展[3]、[4]、[5]、[6]、[7]、[8]。补充的系统级工作包括基于物理感知的反向传播的分布式边缘推理[9]和硬件感知训练[10]，包括实验实现的原位反向传播[11]以及全前向协议[12]。实际瓶颈在于相位控制。热光式、基于载波的和微机电式的相位移器提供了制造后的可调性，并且可以在大型网格中自动配置[13]、[14]、[15]。然而，主动调谐会引入静态功耗、热串扰、光损耗、反馈电子器件和漂移等问题。对于聚合物和3D打印光子学而言，这些缺点尤其明显，因为增材制造技术承诺低成本和快速原型制作，但最终尺寸和材料状态可能会有所变化[16]、[17]。
非易失性替代方案包括退火引起的应力修剪[18]、相变材料集成[19]和聚合物包层曝光[20]，可以在编程后避免静态 holding 功耗。第4节对这些方法与当前辅助校准过程窗口进行了定量比较。现有的演示主要强调设备级别的修剪范围、精度、稳定性或准确性恢复，而不是通过打印ONN前端传递的增益灵敏度所允许的压力控制余量。
在这里，我们研究了3D打印A7 ONN前端的压力光相位写入技术（图1）。压力控制设置在??design = 0.85，从而在满应力上限以下保留了校准余量。与使用打印的压力图案作为固定开环控制不同，所提出的工作流程会测量每个制造出的相位响应，估算其局部增益，并在允许的范围内校正控制信号。本文推导了编程规则，并区分了测量得到的校准证据、建模的模态量、统计容差 scenario 和系统级精度预测。

**公式化**
根据不同用途使用了两种输入编码方式。在MNIST灵敏度基准测试中，矢量图像?? ∈?784经过标准化，并通过训练集拟合的白化PCA运算符??64进行映射：??=??64?(?????)，????={0,????≥0,??,????<0,??(bench)0=|??|‖??‖2⊙???????。因此，每个PCA幅度设置了一个光场幅度，其符号表示为0或π的相位。对于独立的?? = 8场传播演示器，则使用非负的条带积分功率：??=max?(??8???,0)?????max?(??8???,0)+????，??(demo)0=√??。

**验证结果**
图2确定了几何结构和模态范围。布局面板是架构框架，而非可用于制造的掩模CAD；最终耦合器尺寸、弯曲半径、折叠路由和I/O转换仍需作为组件设计输入。全向量横截面使用了50 μm × 50 μm的芯层，而独立的30 μm × 30 μm MPB方形仅用于相位灵敏度扫描的参数匹配代理。标称的MZI臂间距为220 μm，退火转换受到限制。

**与以往相位编程和修剪方法的比较**
表2将当前方法与三种易失性主动调谐方法和三种非易失性修剪方法进行了对比，涵盖了易失性、保持功率、报告的范围和精度、报告的损耗惩罚、容差处理以及验证水平。这些量值根据每个来源附带的索引定义、设备和实验进行复现，因为某些指标在不同平台之间可能不一致。

**结论**
我们开发了一种辅助校准的压力光相位编程工作流程，适用于3D打印的ONN前端，并将其实验结果、数值结果和预期性能分开。850 nm MZI测量显示条纹位移幅度呈单调减少趋势，这与应力释放一致：未经退火的条纹位移为-2.44 ± 0.06条，经过85 °C/60分钟后降至-1.21 ± 0.08条。这个n = 3的数据集支持了响应方向，并与建模的满应力尺度一致；但它本身并不能单独证明这一点。

**CRediT作者贡献声明**
Po-Jui Chiang：概念化、方法论、软件开发、验证、形式分析、研究、可视化、初稿撰写、审稿与编辑、监督、资金获取。
Yin-Chi Liao：软件开发、研究。
Sheng-Xin Pan：研究、数据管理。
Shuo-Hsien Wang：研究、数据管理。

**利益冲突声明**
作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。

**致谢**
本工作得到了台湾国家科学技术委员会（NSTC）的支持，授予编号为114-2221-E-992-032的资助。
Po-Jui Chiang | Yin-Chi Liao | Sheng-Xin Pan | Shuo-Hsien Wang