首页/文章/ 详情

使用Lumerical模块分析温度不敏感的不对称硅基MZI调制器

27天前浏览423

一、引言与背景

硅绝缘体(SOI)衬底因其高折射率差,可用于构建紧凑的光子集成器件,如环形谐振腔、马赫-曾德尔干涉仪(MZI)和阵列波导光栅(AWG)。然而,硅的热光系数较高(-1.86×10⁻⁴/K),导致器件透射谱随温度显著漂移(约80pm/°C@1.55 μm),比二氧化硅基器件大一个数量级。

为降低温度漂移,Uenuma & Mooka(2009)提出了一种仅通过优化波导几何结构(无需聚合物包层)实现温度不敏感的设计方案。其核心思想是:在MZI的一个臂中引入一段宽波导,利用宽波导与窄波导热光系数的差异,产生负的温度相关光程差补偿项。

本文档基于该文献,复现了理论模型、数值计算,并利用Lumerical和MATLAB进行了仿真验证,同时给出了设计曲线和温度无关条件。

二、器件结构与理论模型

2.1 MZI结构(文献图1)

文献提出的温度不敏感MZI(TI-MZI)结构如下:

两臂几何不对称,其中参考臂(Arm1)宽度恒为 ,长度 ; 补偿臂(Arm2):由宽度  的波导和一段长度为 、宽度为 ()的宽波导组成。两臂长度差定义为 。

两臂的光程差(OPD)为:

其中 。

2.2 谐振条件

MZI的透射峰(或谷)波长  满足:

其中  为整数(相长干涉)或半整数(相消干涉)。

考虑波长色散,定义修正的干涉级次 :

自由光谱范围(FSR)为 。

2.3 温度敏感性

有效折射率随温度变化:(忽略热膨胀)。对(1)式求导得波长温度漂移:

第一项:窄波导贡献,为正(硅正热光系数)。

第二项:宽窄波导热光系数之差,可正可负。由于宽波导模式更扩展至二氧化硅(热光系数较小),其  小于窄波导,故 。

通过合理选择  与 ,可使(3)式为零,实现温度不敏感。

三、数值计算与参数选择

3.1 波导模式求解(Lumerical FDE)

采用Lumerical FDE求解器,建立SiO₂包覆的硅波导模型(高度 )。硅热光系数 ,二氧化硅热光系数 。扫描宽度  从 300 nm到1200 nm,计算基模TE模式的有效折射率温度系数。

下图显示了  随宽度  的变化关系(编写MATLAB代码处理导出来TE模式数据):

3.2 选定宽度及热光系数

对于参考臂(Arm1)窄波导宽度 ;对于补偿臂(Arm2)宽波导宽度 。分别从仿真数据得到:

因此:

3.3 有效折射率的温度线性拟合

对仿真数据做线性拟合(温度范围 12~42°C):

对于参考臂(Arm1):;

对于补偿臂(Arm2):

其中  单位为K。两者绝热差分的温度系数为 ,与直接差值接近。

四、温度无关条件与设计曲线

4.1 热光补偿比例关系

令(3)式为零,得:

代入数值:

4.2 谐振波长条件

在目标波长  处,由(1)式得:

取 ,(对应于405 nm/1005 nm波导对),则:

对于文献中 ,有:

在Lumerical Interconnect中构建光学链路,并编写脚本自动化进行扫描变化,观测MZI的温度传感灵敏度变化。结果如下图给出两条设计曲线:

会发现当接近190um时,温度传感灵敏度非常高,趋于临界值。随着继续增大,温度传感灵敏度却为负了。最后在可以找到的情况。这时MZI传感就与温度无关了

4.3 联立求解温度无关设计点

将(4)的比例关系代入(5),可解出唯一的 。例如,由(4)得 ,代入(5):

与计算软件计算出来的结果相差约8um,误差小于5%。对应 。该点附近温度漂移最小。这里需要说明的是关系式(4)和关系式(5)是相互独立的,为了得到温度漂移最小的尺寸,才联合起来求解。

五、结论

本报告基于Uenuma & Mooka(2009)的论文,系统复现了温度不敏感硅波导M ZI滤波器的设计理论、数值计算及实验验证。Lumerical和MATLAB仿真理论预测可实现 <1 pm/°C的性能。同时给出了设计曲线、参数联立求解方法及干涉级次选择依据。

参考文献

[1] M. Uenuma and T. Mooka, “Temperature-independent silicon waveguide optical filter,” Opt. Lett., vol. 34, no. 5, pp. 599–601, 2009.

来源:320科技工作室
Optical光学MATLABUM理论Lumerical
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2026-07-29
最近编辑:27天前
320科技工作室
硕士 | 结构工程师 微❤️ CAE320
获赞 240粉丝 445文章 458课程 0
点赞
收藏
作者推荐

基于电阻抗成像的多模态手势识别系统构建与算法实现

摘要本文提出了一种基于电阻抗成像(Electrical Impedance Tomography, EIT)技术的多模态手势识别方法,旨在实现对人体手势动作的非接触式精准识别。系统利用16电极阵列采集手臂在不同手势下的电压信号,结合图像重建与统计特征提取手段构建融合特征向量,最终采用多种机器学习算法进行识别分类。实验结果表明,在融合电压与图像特征后,识别准确率明显提升,其中SVM模型在融合特征下表现最优。该方法为EIT在人机交互、康复辅助等领域的应用提供了新路径。关键词电阻抗成像;手势识别;多模态融合;图像重建;机器学习1 引言手势识别是人机交互领域的重要研究方向,广泛应用于虚拟现实、辅助控制、康复医疗等场景。传统方法多依赖于视觉图像或肌电信号,但前者易受环境光照、遮挡等干扰,后者则对贴附位置与用户个体差异较敏感。电阻抗成像(EIT)是一种基于表面电极测量体内导电性分布变化的成像技术,具有非侵入、低成本、穿透性强等优势。近年来,EIT在肺功能监测、脑功能成像等方面展现出广泛前景。本文基于EIT原理,提出一种融合空间图像信息与时域电压数据的多模态手势识别方法,构建完整识别流程并验证其实用性与准确性。2 方法2.1 数据采集与预处理采集系统采用16电极环绕前臂布置,设置为相邻驱动与相邻测量模式,采样频率为100 Hz。实验共采集5类标准手势(握拳、张开、OK等),每类手势30次,共计450组样本。每次采集生成256通道电压差向量,作为原始时域特征。随后通过脚本`read_EIT_dataset.m`对数据进行统一读取、标注与格式转换,生成标准MAT数据集。如图1所示。图1 数据采集与预处理2.2 图像重建与特征提取基于EIDORS平台实现图像重建,采用正则化高斯-牛顿(GN-One-Step)算法,输入为目标帧与参考帧的电压差值。为抑制噪声并突出局部阻抗变化区域,引入高通滤波先验函数。每帧图像提取64维统计特征,包括像素均值、方差、最大值位置、重心坐标、能量分布等信息,作为空间特征用于后续融合分析,如图2所示。图2 图像重建与特征提取2.3 多模态融合与分类建模将256维电压特征与64维图像特征进行拼接形成融合特征向量。分类模块基于MATLAB实现,包含支持向量机(SVM)、决策树(Tree)与K近邻(KNN)三种分类模型。训练与测试数据比例为8:2,采用`cvpartition`控制实验可重复性。评估指标为分类准确率与混淆矩阵,对比不同模型与特征组合下的分类效果。图3 手势识别机器学习分类算法3 实验结果3.1 数据集概况实验共采集450组样本,每类手势90组,均包含256维电压特征与64维图像特征。样本具有良好的时间连续性与动作一致性,适合用于监督学习训练与评估。3.2 分类准确率分析实验结果表明,在原始电压、图像特征及融合特征三种输入条件下,融合特征识别效果最佳。不同分类模型在融合特征下的准确率如图4所示。相较之下,SVM在整体分类性能方面表现最优,融合特征可有效提升系统识别精度。图4 机器学习分类准确率对比图3.3 可视化与混淆矩阵通过波形图与热图展示不同手势对应的电压响应与阻抗分布变化,进一步利用混淆矩阵分析各模型误分类来源。结果显示,误判主要集中于形态接近的手势类别(如“握拳”与“OK”),表明在这些类别上进一步引入时序或深度学习模型仍具有改进空间。图5 混淆矩阵结果图4 结论本文提出的基于EIT的多模态手势识别系统,结合了空间阻抗图像与时域电压波形特征,构建了一套从数据采集、图像重建到模型分类的完整流程。实验表明,融合特征在多类机器学习模型下均能显著提升识别准确率,验证了该系统在非接触式手势识别中的有效性。未来将进一步探索深度学习方法与三维动态建模的结合,以提升系统泛化能力与应用场景适配性。最后,有相关需要,欢迎通过公众 号“320科技工作室”与我们联络。来源:320科技工作室

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈