摘要
光子系统的制造面临许多挑战，包括实现零缺陷生产、完整可追溯性和可持续性。近年来，人工智能（AI）已成为帮助光学和光电制造商实现这些目标的关键工具。基于 AI 的传感器网络和数据分析软件可以及早在生产过程中检测和预测缺陷，节省时间和成本。总体来说，这些智能制造技术证明 AI 可以提高光子组件制造的质量、灵活性和可持续性。
简介
从激光器和 LED 到太阳能电池和显示器，光子系统深深渗透现代科技，增强生活许多方面。但是，这些复杂光电子器件的制造持续面临压力，需要实现零缺陷生产、组件完整可追溯性、更小更集成的光子芯片，以及可持续和自动化的制造流程。要实现这些目标，需要通过广泛的传感器网络和复杂数据分析，及早在生产中检测、预测、预防和修复缺陷，实现全面的质量控制。这里人工智能（AI）就发挥作用了。
通过实施基于 AI 的分析，制造商可以实现光电子制造所需的整体监控。欧洲研究人员最近通过欧盟 Horizon 2020 资助的 iQonic 项目探索这种方法，目的是开发适用于新老生产线的智能制造框架。四个公司场景展示了 AI 如何在实际光子制造中提升质量和生产力。
对智能质量控制的需求
零缺陷制造注重尽早识别和消除有缺陷的组件，以节省时间和成本。与六西格玛等传统质量方法相比，这更符合光子生产的特点，因为光学制造存在小批量、定制产品、长供应链和各种工艺，产生大量需要统计学和知识驱动技术来分析的数据。
iQonic 项目采用类似工业4.0或工业互联网的方法。智能传感器和软件监测过程，数据分析指导改进、修复和减少浪费。四个工业场景成功实施这种制造框架。
光子系统生产中的 AI 应用案例
iQonic 合作伙伴将 AI 质量控制理念应用于四家公司的实际生产线:
Alpes激光器 - 量子级联激光器制造
Brighterwave - 光电模块大规模生产
Filar材料 - 合成晶体生长
Prima电子 - 光纤耦合高功率激光二极管模块
每个案例在光子制造链不同环节收集数据。这些数据分析实现预测能力，提高质量、预防缺陷。Alpes激光器的量子级联激光器制造很好地说明复杂光电系统制造通常面临的挑战。
预测量子级联激光器故障
量子级联激光器（QCL）生产涉及多种复杂步骤，建立半导体激光结构和完全组装模块。最后性能测试检查激光器是否在所需波长和温度下输出足够功率。制造过程中可能出现问题，导致最终QCL无法通过测试。但是根本原因无法在早期检测。iQonic团队利用生产数据和机器学习预测失败的激光器，避免额外昂贵加工。他们实施视觉检查和显微镜成像收集缺陷数据。分析工作流包含四个主要步骤:
- 图像获取和校正
- 设备映射识别光栅结构
- 使用经训练机器学习模型识别缺陷
- 通过决策支持界面向操作员呈现结果
对于缺陷识别，系统首先注册光栅模式和其他已知结构。然后，分割模型在几类中定位潜在问题，并在新晶圆图像中添加颜色标签（图2）。
机器学习模型准确推荐可能的缺陷，及早识别故障。最后，决策支持工具综合所有数据，直观显示每个组件的通过或失败状态（图3）。
图3. 基于机器学习的决策支持系统向用户呈现评估结果。（图片来源:Alpes激光器和Atlantis工程）
这种监测方法证明成功，没有缺陷的激光器满足性能规范可能性是有缺陷激光器的6倍[1]。有缺陷的部件现在可以避免额外昂贵的生产步骤，大大节省时间和成本，同时提高产量。
AI驱动更高质量和灵活性
项目其他案例也实施类似的AI解决方案，利用生产设备传感器或化学分析的数据预测最终产品性能。所有四家公司根据AI评估，可以更早将有缺陷的组件重新路由进行修复、回收或处理。
制造技术已经实现质量、灵活性和可持续性提升。随着持续研究，技术将继续改进。AI质量控制框架对推进各种光子系统制造至关重要。AI驱动的零缺陷制造前景一片光明。
结论
从多组件光电模块到半导体激光器，光子系统生产面临零缺陷、可追溯性、微型化和可持续自动化的迫切需求。广泛的传感器网络和AI数据分析对实现这些目标至关重要。iQonic项目在四家光子公司成功实施智能制造平台。生产早期基于AI的缺陷预测和决策支持节省成本、提高产量。这样的智能质量控制解决方案将变得更先进和广泛。总体来说，人工智能将革新各种光子组件和器件的制造。
微信公众号 
bilibili 
微信视频号