Metaheuristic optimization of hybrid silicon nitride grating couplers
Notice bibliographique
Résumé
Grating couplers are essential building blocks to form low-loss photonic chip interfaces. Optical coupling between submicrometric waveguides and standard optical fibers remains a practical hurdle, because of geometrical, material, and modal mismatches. Grating couplers on low-index contrast platforms like silicon nitride (Si₃N₄) suffer from low directionality and poor fiber-to-grating field overlap, thus overall efficiency is limited. To address this, Si₃N₄ couplers with high-index overlays are appealing solution to improve coupling performance, yet with cost-effective fabrication. However, adding extra layers increases the design complexity, resulting in unintuitive operation and time-consuming manual device optimization. To overcome this, machine learning (ML) optimization emerges as an attractive lever to design integrated photonic devices. In this work, we present a comparative study of three metaheuristic optimization techniques - particle swarm optimization (PSO), gray wolf optimization (GWO), and genetic algorithm (GA) – to enhance the coupling performance in hybrid α-Si/SiN grating couplers. The devices are studied for transverse electric (TE) polarization at telecom waveband, centered around 1550 nm wavelength. Employing metaheuristic optimization with Ansys Lumerical finite difference time domain (FDTD) solver, we obtained sub-decibel fiber-chip coupling loss (<1 dB). Proposed strategy presents an effective design approach to develop low-loss and scalable grating couplers on hybrid Si₃N₄ platform for telecom applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».