集成光子学加速可靠性测试的机器学习方法

《Microelectronics Reliability》：Machine learning approach for accelerated reliability testing of integrated photonics

　　

机器学习方法预测了光子集成电路（PICs）的故障。利用加速寿命测试（ALT）应力数据实现了可靠性预测。阈值电流（Ith）上升被确定为关键退化标记。梯度提升（Gradient Boosting）模型优于其他机器学习技术。在48小时测试后即可实现可靠的故障预测。

**研究背景、问题与意义**
磷化铟（InP）是成熟的光子器件平台，广泛应用于激光器、光电二极管等器件的制造，并支持有源与无源结构的单片集成。然而，光子集成电路（PICs）的可靠性评估面临耗时且缺乏统一标准的挑战。与微电子行业遵循JEDEC标准或大型光学系统遵循Telcordia GR 468不同，光子学领域尚未建立标准化测试程序。许多公司采用设计可靠性（DfR）实践，但测试周期仍然漫长，成本高昂，严重制约了产品上市时间。因此，研究人员致力于开发更快速、高效的可靠性评估方法。本研究利用机器学习（ML）加速InP法布里-珀罗（F-P）激光器的可靠性评估，旨在通过早期测试数据预测长期行为，从而缩短测试时间并降低成本。该论文发表在《Microelectronics Reliability》上。

**主要关键技术方法（不超过250字）**
研究人员采用加速寿命测试（ALT）方法，对64个InP F-P激光器（来自两个不同晶圆，增益长度LG分别为300、500、750 μm）施加85°C高温和低于阈值的电流应力（Jstress，第一数据集最高15 kA/cm2，第二数据集固定8 kA/cm2），收集600小时内的光电流-电压（LIV）数据，提取阈值电流（Ith）作为关键退化指标。通过特征工程，输入特征包括设计参数（LG、晶圆位置LC）、应力参数（Jstress、时间tstress、累积应力CCS）以及交互特征（如LG×Ith(0)）。选用多种监督学习回归模型：梯度提升（GB）、随机森林（RF）、XGBoost、多层感知器（MLP）及其集成。使用随机拆分（80%训练，20%测试）和5折交叉验证，以R²、RMSE、MAE、MAPE评估模型性能。

**研究结果（保留每个小标题）**
**5. 结果**：通过对比不同特征集和模型，发现梯度提升（GB）模型在特征集8（包含LG、LC、Ith(0)、Ith(24)、Ith(48)、Jstress、tstress、CCS、LG×Ith(0)）上表现最优，其R²值最高，RMSE、MAE和MAPE最低。模型基于48小时数据可准确预测600小时内的阈值电流，训练集和测试集的最大相对误差分别为10%和15%。预测值集中在理想线附近，表明模型精确且一致。交叉验证（5折与10折）进一步证实了模型的稳定性和泛化能力，无显著差异。

**讨论总结**
讨论部分指出，该模型可扩展到更复杂的PIC结构，但需更多数据支持。若针对新组件（如调制器、半导体光放大器SOA），需专用测试数据；若扩展到完整PIC，需测试所有关键构建块并考虑耦合退化效应。对于不同材料平台（如硅光子学或氮化硅），物理退化机制差异显著，需重新设计特征集。要扩展预测至600小时以上，需获取更长老化数据（如1000–2000小时），以学习完整退化曲线，包括从初始烧入阶段到长期稳态退化率的转变。当前预测限制主要来自数据获取，而非模型本身。

**研究结论翻译**
本研究展示了机器学习加速法布里-珀罗激光器可靠性评估的潜力。通过将特征工程与统计建模相结合，研究人员预测了加速应力条件下阈值电流（Ith）的演化。结果表明，梯度提升（GB）模型提供了最准确和稳定的预测，优于线性模型和神经网络模型。重要的是，该模型仅基于48小时测试即可预测设备行为及高达600小时的潜在故障，从而消除了长期测量的需求。这显著减少了实验时间和成本，同时保持了高预测精度。本研究建立了捕捉退化动力学并增强模型性能的特征工程技术。交叉验证确认了模型的鲁棒性，为过拟合提供了额外防护。所开发的模型针对本研究使用的InP法布里-珀罗激光器数据集进行了专门优化，代表了该特定器件类型的最佳性能和最可靠框架。尽管其范围有针对性，但这种优化确保了最大准确性和可解释性。总体而言，所提出的方法为加速光子器件可靠性测试提供了实用框架，支持更快、数据驱动的认证过程，最终实现更高效的集成光子电路开发和部署。通过更快地测试器件并更快速、更准确地评估可靠性，可进一步加速上市时间，使新的光子技术更快投入生产。未来工作将集中于扩展数据集、在更多器件类型上验证，以及探索混合建模策略以进一步增强预测鲁棒性和泛化能力，并认识到不同数据集或器件类型可能需要不同模型以达到最佳性能。