DOI: https://doi.org/10.1002/lpor.202502158
تاريخ النشر: 2026-02-11
المؤلف: Ziyao Zhang وآخرون
الموضوع الرئيسي: تقنيات القياس البصري والتداخل
نظرة عامة
تقدم هذه البحث ملف تعريف هندسي مبتكر فائق الصغر يستخدم الدوائر المتكاملة الضوئية لقياس تضاريس السطح في الوقت الحقيقي. يقوم النظام بتشفير الانعكاس الضوئي مباشرة ويستخدم شبكة عصبية لفك التشفير، مما يتجنب الحاجة إلى استعادة الأطياف التداخلية المعقدة وخوارزميات التوفيق. يتميز الجهاز بدائرة قابلة للبرمجة تولد نوى عشوائية زائفة لإسقاط بيانات الإدخال إلى أبعاد أعلى، مما يسهل استخراج الميزات بكفاءة من خلال شبكة عصبية تلافيفية أحادية البعد (1D-CNN). يُظهر الملف الشخصي تحديد سمك موثوق لكل من الأسطح المتغيرة بسلاسة والهياكل المعقدة المطبوعة ثلاثية الأبعاد، محققًا انحرافًا متوسطًا في السمك قدره 18.5 ميكرومتر وحل ميزات صغيرة تصل إلى 30 ميكرومتر.
تتضمن بنية المستشعر مصفوفة من الرنانات الدقيقة (MRR) على شريحة ضوئية، مما يمكّن من التحكم في 729 قناة طيفية لتشفير إشارات التداخل. هذا التصميم المدمج، الذي تبلغ مساحته 0.4 مم² فقط، يلغي الحاجة إلى محاذاة الفضاء الحر ويبسط النظام. يعزز فك التشفير القائم على التعلم العميق معالجة البيانات في الوقت الحقيقي، مما يجعل مبدأ الاستشعار قابلاً للتكيف مع أنظمة المواد المختلفة التي تظهر تداخلًا ذاتيًا. تهدف التطورات المستقبلية إلى دمج مصادر الضوء وكواشف على الشريحة لوحدات تعريف مستقلة وتوسيع القدرات إلى قياسات متعددة الأطوال الموجية أو متعددة الطيف. من الجدير بالذكر أن البحث يحدد الإمكانية لاستخدام التصوير المقطعي البصري (OCT) على الشريحة لتحديد الطبقات المتعددة، مستفيدًا من الأبعاد العالية لنواة العينة لاستخراج ملفات العمق دون الحاجة إلى تعديلات إضافية على الأجهزة. يضع هذا العمل الأساس لتقنيات تعريف السطح المتقدمة والمحمولة من خلال دمج التشفير الضوئي وفك التشفير بواسطة الشبكات العصبية.
مقدمة
تسلط المقدمة الضوء على الأهمية الحاسمة لقياسات تضاريس السطح ثلاثية الأبعاد الدقيقة وعالية الدقة عبر مجالات مختلفة، بما في ذلك التصنيع الدقيق، والميكروإلكترونيات، والهندسة الطبية الحيوية، والروبوتات اللينة. يتم تقديم القياس الضوئي القائم على الاستشعار الطيفي كحل واعد غير تلامسي لتوصيف السطح، حيث يكتسب زخمًا في كل من التطبيقات الصناعية والعلمية. ومع ذلك، تعتمد الطرق التقليدية على الطاولات، مثل التداخل الضوئي بالضوء الأبيض وقياس التضاريس بواسطة إسقاط الحواف، على إعدادات تداخلية معقدة تتطلب أجهزة طيفية عالية الأداء ومحاذاة دقيقة، مما يمكن أن يكون مرهقًا وحساسًا للتفاوتات الميكانيكية.
تشمل هذه الأنظمة التقليدية خط معالجة متعدد الخطوات – يتكون من الكشف، واستعادة الطيف، والمعالجة المسبقة، والتوفيق/التنبؤ – مما يقدم عبئًا حسابيًا كبيرًا وزمن تأخير، مما يجعلها أقل ملاءمة للقياسات السريعة في السياقات المتنقلة أو المحمولة. بالإضافة إلى ذلك، فإن الحاجة إلى التقاط معلومات طيفية محددة للمستخدم تثير مخاوف محتملة بشأن الخصوصية، مما يعقد نشر هذه التقنيات في التطبيقات العملية.
طرق
في هذا القسم، يوضح المؤلفون إعداد التجربة وطرق التحقق من صحة نظام الاستشعار الهندسي الخاص بهم الذي يستخدم عينة من دائرة متكاملة ضوئية (PIC). يستخدم النظام صمام ثنائي فائق الإضاءة (SLD) كمصدر ضوء عريض النطاق، مع توجيه الضوء عبر دوار بصري وتركيزه على عينة مستهدفة باستخدام عدسة موضوعية. يتم جمع الإشارات المنعكسة ومعالجتها لتشفير الطيف، مما يسهل بواسطة وحدة تحكم دقيقة عالية السرعة (MCU) للتعديل القابل للبرمجة. يتم تقييم متانة المستشعر من خلال مسارين توضيحيين: اختبار تكرارية على عينة منحدر متغير بسلاسة وتحديد أنماط رمزية منفصلة.
تشير النتائج إلى أن التضاريس المتوقعة لعينة الاختبار تتماشى عن كثب مع الملفات المتوقعة، حيث كانت معظم الانحرافات ضمن ±30 ميكرومتر ومتوسط انحراف قدره 18.5 ميكرومتر، مما يشير إلى أداء فعال يتماشى مع مقاييس التدريب. يشير المؤلفون إلى أنه بينما ينجح المستشعر في حل الميزات التضاريسية، فإن دقته محدودة بطريقة المعايرة المستخدمة لبيانات التدريب، والتي تعتمد على جهاز طيفي قياسي بدلاً من أنظمة ذات دقة أعلى. من المتوقع تحسينات مستقبلية من خلال تعزيز القياسات للحصول على تسميات الحقيقة الأرضية وزيادة حجم بيانات التدريب. بالإضافة إلى ذلك، يتم عرض تقييم قدرة المستشعر على حل الأنماط المكانية المعقدة باستخدام شعار على شكل أسد تم تصنيعه بمستويات سمك متميزة، مما يبرز إمكانية تطبيق المستشعر في السياقات الصناعية حيث تكون الانتقالات الحادة شائعة.
نتائج
يقدم قسم “النتائج” من الورقة النتائج المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج الرئيسية، مع تسليط الضوء على الاتجاهات الهامة أو الارتباطات أو الأنماط الملحوظة في البيانات. عادةً ما تكون النتائج مدعومة بأدلة إحصائية، بما في ذلك قيم p، وفترات الثقة، أو مقاييس ذات صلة أخرى تؤكد النتائج.
بالإضافة إلى ذلك، يتم الإشارة إلى أي تمثيلات رسومية، مثل الرسوم البيانية أو الجداول، لتوضيح النتائج بشكل أكثر وضوحًا. قد يناقش القسم أيضًا تداعيات هذه النتائج فيما يتعلق بالفرضيات أو أسئلة البحث المطروحة سابقًا في الدراسة، مما يوفر أساسًا للنقاش والاستنتاجات اللاحقة. بشكل عام، تؤكد النتائج على أهمية البحث ومساهماته في هذا المجال.
نقاش
في هذا القسم، يناقش المؤلفون تطوير نظام استشعار هندسي متكامل جديد على الشريحة يستفيد من تقنيات التعلم العميق، وبشكل خاص شبكة عصبية تلافيفية أحادية البعد (1D-CNN)، لملف تعريف السطح في الوقت الحقيقي. يستخدم النظام المقترح دائرة متكاملة ضوئية (PIC) مع دائرة عينة قابلة للبرمجة لأداء أخذ عينات طيفية عشوائية زائفة للضوء المنعكس من أسطح العينات، مما يتيح رسم إشارات ضوئية معقدة إلى معلمات هندسية ذات مغزى مثل السمك. تلغي البنية الحاجة إلى إعدادات تداخلية تقليدية، مما يبسط سير العمل من الكشف إلى التنبؤ ويقلل من العبء الحسابي.
يسلط المؤلفون الضوء على أداء النظام من خلال النتائج التجريبية، مما يظهر تحديد سمك قوي عبر أنواع عينات مختلفة، بما في ذلك الأسطح المتغيرة بسلاسة والهياكل المعقدة المطبوعة ثلاثية الأبعاد. يسمح دمج التعلم العميق بدقة عالية في توقع تضاريس السطح، محققًا انحرافًا متوسطًا في السمك قدره 18.5 ميكرومتر وحل ميزات صغيرة تصل إلى 30 ميكرومتر. يسهل التصميم المدمج للشريحة الضوئية، جنبًا إلى جنب مع إطار العمل الفعال للتشفير وفك التشفير، قابلية النقل والتشغيل في الوقت الحقيقي، مما يمهد الطريق لتحسينات مستقبلية مثل مصادر الضوء على الشريحة وقدرات الاستشعار متعددة الأنماط. يخلص المؤلفون إلى أن نهجهم لا يبسط فقط بنية الاستشعار ولكن أيضًا يمهد الطريق لتطبيقات متقدمة مثل التصوير المقطعي البصري (OCT) لتحديد الطبقات المتعددة، مما يبرز الإمكانية لأنظمة استشعار ذكية ومصغرة.
DOI: https://doi.org/10.1002/lpor.202502158
Publication Date: 2026-02-11
Author(s): Ziyao Zhang et al.
Primary Topic: Optical measurement and interference techniques
Overview
This research presents an innovative ultracompact geometric profiler utilizing photonic integrated circuits for real-time surface topography measurement. The system encodes optical reflectance directly and employs a neural network for decoding, thereby circumventing the need for complex interferometric spectra recovery and fitting algorithms. The device features a programmable circuit that generates pseudo-random kernels to project input data into higher dimensions, facilitating efficient feature extraction through a lightweight one-dimensional convolutional neural network (1D-CNN). The profiler demonstrates reliable thickness identification for both smoothly varying surfaces and complex 3D printed structures, achieving an average thickness deviation of 18.5 µm and resolving features as small as 30 µm.
The sensor’s architecture incorporates a micro-ring resonator (MRR) array on a photonic chip, enabling control over 729 spectral channels for encoding interference signals. This compact design, with a footprint of just 0.4 mm², eliminates the need for free-space alignment and simplifies the system. The deep-learning-based decoder enhances real-time data processing, making the sensing principle adaptable to various material systems that exhibit self-interference. Future developments aim to integrate on-chip light sources and detectors for standalone profiling modules and to extend capabilities to multi-wavelength or spectrally multiplexed measurements. Notably, the research identifies the potential for on-chip Optical Coherence Tomography (OCT) for multi-layer profiling, leveraging the high dimensionality of the sampling kernel to extract depth profiles without requiring additional hardware modifications. This work lays the foundation for advanced, portable surface profiling technologies through the integration of photonic encoding and neural network decoding.
Introduction
The introduction highlights the critical importance of accurate, high-resolution 3D surface topography measurements across various fields, including precision manufacturing, microelectronics, biomedical engineering, and soft robotics. Spectral sensing-based optical metrology is presented as a promising noncontact solution for surface characterization, gaining traction in both industrial and scientific applications. However, traditional benchtop methods, such as white-light interferometry and fringe projection profilometry, rely on complex interferometric setups that require high-performance spectrometers and precise alignment, which can be cumbersome and sensitive to mechanical tolerances.
These conventional systems involve a multi-step processing pipeline—comprising detection, spectral recovery, preprocessing, and fitting/prediction—that introduces significant computational overhead and latency, making them less suitable for rapid measurements in mobile or handheld contexts. Additionally, the necessity to capture user-specific spectral information raises potential privacy concerns, further complicating the deployment of these technologies in practical applications.
Methods
In this section, the authors detail the experimental setup and validation methods for their geometric sensing system utilizing a photonic integrated circuit (PIC) sampler. The system employs a superluminescent diode (SLD) as a broadband light source, with light routed through an optical circulator and focused onto a target sample using an objective lens. Reflected signals are collected and processed for spectral encoding, facilitated by a high-speed microcontroller unit (MCU) for programmable modulation. The robustness of the sensor is assessed through two demonstration routes: a repeatability test on a smoothly varying slope sample and the identification of discrete emblem patterns.
The results indicate that the predicted topography of the test sample aligns closely with expected profiles, with most deviations within ±30 µm and an average deviation of 18.5 µm, suggesting effective performance consistent with training metrics. The authors note that while the sensor successfully resolves topographic features, its accuracy is limited by the calibration method used for training data, which relies on a standard benchtop spectrometer rather than higher-precision systems. Future improvements are anticipated through enhanced metrology for ground truth labels and increased training data volume. Additionally, the evaluation of the sensor’s capability to resolve complex spatial patterns is demonstrated using a lion-shaped emblem fabricated with distinct thickness levels, highlighting the sensor’s potential application in industrial contexts where sharp transitions are common.
Results
The “Results” section of the paper presents the findings derived from the conducted experiments or analyses. It details the key outcomes, highlighting significant trends, correlations, or patterns observed in the data. The results are typically supported by statistical evidence, including p-values, confidence intervals, or other relevant metrics that validate the findings.
Additionally, any graphical representations, such as charts or tables, are referenced to illustrate the results more clearly. The section may also discuss the implications of these findings in relation to the hypotheses or research questions posed earlier in the study, providing a foundation for the subsequent discussion and conclusions. Overall, the results underscore the importance of the research and its contributions to the field.
Discussion
In this section, the authors discuss the development of a novel integrated on-chip geometric sensing system that leverages deep learning techniques, specifically a one-dimensional convolutional neural network (1D-CNN), for real-time surface profiling. The proposed system utilizes a photonic integrated circuit (PIC) with a programmable sampling circuit to perform pseudo-random spectral sampling of reflected light from sample surfaces, effectively mapping complex optical signals to meaningful geometric parameters such as thickness. The architecture eliminates the need for traditional interferometric setups, streamlining the detection-to-prediction workflow and reducing computational overhead.
The authors highlight the system’s performance through experimental results, demonstrating robust thickness identification across various sample types, including smoothly varying surfaces and intricate 3D printed structures. The integration of deep learning allows for high accuracy in predicting surface topography, achieving an average thickness deviation of 18.5 µm and resolving features as small as 30 µm. The compact design of the photonic chip, combined with the efficient encoder-decoder framework, facilitates portability and real-time operation, paving the way for future enhancements such as on-chip light sources and multi-modal sensing capabilities. The authors conclude that their approach not only simplifies the sensing architecture but also sets the stage for advanced applications like Optical Coherence Tomography (OCT) for multi-layer profiling, emphasizing the potential for intelligent, miniaturized sensing systems.