一种光学集成芯片与光纤组件的自动耦合方法及系统的制作方法
【技术领域】
[0001] 本发明涉及光纤自动对准相关技术领域，特别是一种光学集成芯片与光纤组件的 自动稱合方法及系统。
【背景技术】
[0002] 光学集成器件，特别是超辐射发光管（SLD)由于具有光功率高、输出光谱宽、短相 干性、低强度噪声、耦合效率高等优点被广泛应用于光纤陀螺、光学层析成像系统、波分复 用系统及光处理系统中。例如，超辐射发光二极管（SLD)是光纤陀螺系统的核心部件之一， SLD使光纤陀螺具有高精度、高灵敏度、高稳定性、低噪声的特点。
[0003] 光学集成芯片与光纤组件的对准耦合是器件实现功能的基础，更是器件封装的关 键。
[0004] 集成光子器件封装过程的自动化是提高器件质量、一致性、合格率，降低器件制造 成本的关键，其中最重要的工序之一是光学集成芯片与光纤组件的对准。管芯与光纤组件 的对准是根据实时测量的光信号信息调整光学集成芯片与光纤透镜的相对位置来实现对 准的。
[0005] 在光学器件封装中，由于每个器件的定位都具有三个定位和三个旋转自由度，不 但要求较高的对准精度，而且要求对准耦合技术简单化、成本低，因此，对准耦合技术是光 电子器件耦合封装工艺的关键所在。而自动化的对准算法因为其对准精度高、定位速度快 和可靠性好等优点，已经成为光电子器件封装的发展方向。
[0006] 目前，在光电子器件封装的光纤耦合对准设备中，爬山算法应用最为广泛，这是一 种一维搜索方法，对于需要多个自由度调整的光纤对准问题，通过变量轮换完成多自由度 搜索，其搜索时间随着自由度数量的增加而增加，并且由于各个自由度之间的相互影响，经 常导致搜索失败。
[0007] 从目前光纤自动对准耦合算法的发展现状看出，现阶段国内外集成光子器件封装 设备中通常采用的对准耦合算法往往陷入局部极值点而找不到全局最优点（耦合功率最 大）。
[0008] 当光学集成芯片与光纤组件耦合时，光学集成芯片固定，通过移动光纤组件实现 对准。对准时共六个自由度，分别是横向位错X，Y、纵向间距Z、俯仰角度、横摆角度和旋转 角度。耦合对准时存在的对准偏差损耗包括横向位错损耗、纵向间距损耗、轴向角度损耗三 种。
[0009] 在集成光子器件耦合封装过程中，其核心是对准算法，目前应用范围最为广泛和 研究较多的是爬山算法。
[0010]自动对准的传统控制算法是爬山算法，是当今发展最成熟，且应用厂商最多的一 种算法。爬山算法是一种局部择优的方法，是一维对准算法，采用启发式方法，每走一步都 会有启发信息进行引导，确定下一步前进的方向以及前进的距离，在当前节点的时候，会比 较各个方向与当前节点的高度差，然后选择与当前节点高度差最大的方向以一定的步长前 进。当走到下一步的时候再进行选择，如此下去，一直走到山顶，找到最优解。
[0011] 爬山算法的缺点：
[0012] 1)搜索定位的时间较长。由于爬山算法每次只能进行一个自由度的搜索，而光纤 对准需要多个自由度的调整，此时，爬山算法需要在完成一个自由度的搜索后，再进行下一 个自由度的搜索，依次轮流，反复循环，直到达到终止条件，因此比较费时。
[0013] 2)可能会陷入局部最大点而无法完成搜索定位。
【发明内容】
[0014] 基于此，有必要针对现有技术的光学集成芯片与光纤组件对准算法搜索时间较长 且容易无法完成搜索的技术问题，提供一种超辐射发光管芯片与光纤组件的自动耦合方法 及系统。
[0015] -种光学集成芯片与光纤组件的自动耦合方法，包括：
[0016] 构建包括输入层、隐层和输出层的神经网络；
[0017] 预先获取所述光纤组件与多个样本光学集成芯片进行对准的多组样本参数值，每 组所述样本参数值包括所述光纤组件的样本位置参数，以及所述光纤组件在所述样本位置 参数下与所述样本光学集成芯片的耦合功率，所述样本位置参数包括至少一个自由度；
[0018] 以多组所述样本参数值训练所述神经网络，每组所述样本参数值作为训练所述神 经网络的一个训练样本；
[0019] 获取所述光纤组件与待对准光学集成芯片的多组实际参数值，每组所述实际参数 值作为所述神经网络输入层的一个输入量输入所述神经网络，从所述神经网络输出层得到 一个包括一组输出参数的输出量，每组所述实际参数值包括所述光纤组件的实际位置参 数，以及所述光纤组件在所述实际位置参数下与所述待对准光学集成芯片的耦合功率，所 述实际位置参数具有与所述样本位置参数相同数量的自由度，所述输出参数包括：通过所 述神经网络得到的最大耦合功率，以及与所述最大耦合功率对应的待移动位置参数，所述 待移动位置参数具有与所述样本位置参数相同数量的自由度；
[0020] 根据所述待移动位置参数调整所述光纤组件相对所述光学集成芯片的位置。
[0021] -种光学集成芯片与光纤组件的自动耦合系统，包括：
[0022] 神经网络构建模块，用于构建包括输入层、隐层和输出层的神经网络；
[0023] 样本获取模块，用于预先获取所述光纤组件与多个样本光学集成芯片进行对准的 多组样本参数值，每组所述样本参数值包括所述光纤组件的样本位置参数，以及所述光纤 组件在所述样本位置参数下与所述样本光学集成芯片的耦合功率，所述样本位置参数包括 至少一个自由度；
[0024] 训练模块，用于以多组所述样本参数值训练所述神经网络，每组所述样本参数值 作为训练所述神经网络的一个训练样本；
[0025] 输出量获取模块，用于获取所述光纤组件与待对准光学集成芯片的多组实际参数 值，每组所述实际参数值作为所述神经网络输入层的一个输入量输入所述神经网络，从所 述神经网络输出层得到一个包括一组输出参数的输出量，每组所述实际参数值包括所述光 纤组件的实际位置参数，以及所述光纤组件在所述实际位置参数下与所述待对准光学集成 芯片的耦合功率，所述实际位置参数具有与所述样本位置参数相同数量的自由度，所述输 出参数包括：通过所述神经网络得到的最大耦合功率，以及与所述最大耦合功率对应的待 移动位置参数，所述待移动位置参数具有与所述样本位置参数相同数量的自由度；
[0026] 光纤组件移动模块，根据所述待移动位置参数调整所述光纤组件相对所述光学集 成芯片的位置。
[0027] 本发明通过预先获取的多组样本参数值对神经网络进行训练，以多组实际参数值 作为神经网络的输入量，从而计算得到具有最大耦合功率的输出量。由于采用了神经网络， 因此具有对准时间短、耦合效率高、重复性好、应用广泛等优点，有效地克服了传统的爬山 算法搜索定位时间长，容易陷入局部极值的缺点。
【附图说明】
[0028] 图1为本发明一种光学集成芯片与光纤组件的自动耦合方法的工作流程图；
[0029] 图2为神经网络结构示意图；
[0030] 图3为本发明一个例子的装置示意图；
[0031] 图4为栅格扫描法示意图；
[0032] 图5为本发明一种光学集成芯片与光纤组件的自动耦合系统的模块结构图。
【具体实施方式】
[0033] 下面结合附图和具体实施例对本发明做进一步详细的说明。
[0034] 如图1所示为本发明一种光学集成芯片与光纤组件的自动耦合方法的工作流程 图，包括：
[0035] 步骤S101，构建包括输入层、隐层和输出层的神经网络；
[0036] 步骤S102,预先获取所述光纤组件与