倾斜光栅鲁棒性优化：从峰值最优到批量最优的工程实践

干这行的人都懂一种痛：仿真曲线漂亮得不像话，衍射效率标称值拉到90%以上，结果片子流片回来一测，效率掉了十几个点，批间波动再叠上去，良率直接让人头秃。尤其是倾斜光栅这类对角度和深度极度敏感的结构，“仿真最优”和“量产最优”压根是两回事。这篇东西就围绕倾斜光栅的鲁棒性优化展开，讲讲怎么从设计源头把容差考虑进去，让器件在工艺波动面前站得稳，而不是赌工艺线手感。

1. 倾斜光栅的“鲁棒性”到底在对抗什么

1.1 倾斜光栅与普通光栅的设计逻辑差异

先对齐一下概念。倾斜光栅通常指的是闪耀光栅（blazed grating），它的槽面法线与光栅平面法线之间存在一个固定夹角，也就是闪耀角。这个角度存在的意义，是把衍射能量集中到特定级次上，而不是像普通正弦光栅那样把能量均匀摊开。设计时经典思路是：给定入射角和工作波长，求解光栅方程，得到一个满足闪耀条件的周期和角度组合，然后在这个组合附近扫描参数，找衍射效率的峰值点。

问题就出在“找峰值点”这一步。峰值点在参数空间里往往是个狭长的“峰脊”，效率对某些参数的一阶导数接近于零，但对另外一些参数却非常敏感。倾斜光栅尤其明显，因为效率曲线的极值处通常伴随着对槽深、侧壁角、占空比的强非线性响应。仿真软件里扫出来的最优解看着没问题，但工艺上只要有纳米级的偏差，效率就顺着“峰脊”滑下去。

普通衍射光栅对误差的容忍度相对宽容，因为它的性能指标往往是“哪一级有多少能量”的分配问题，少数纳米偏差只会造成轻微的级次串扰。倾斜光栅则不同，它追求的是“某一级拿走了绝大部分能量”，这种极值工作点天然处在一个“平衡脆弱的山顶”上。鲁棒性优化要做的，不是另找一个更高的山顶，而是在这个山顶附近找到一块“高原”——效率虽然不是绝对峰值，但在一定范围的工艺偏差内都维持在高位。

1.2 性能损失的来源：从工艺波动说起

倾斜光栅制造中常见的偏差源，大致可以分成五个维度，每个维度的敏感度完全不一样：

这里最要命的是前两项。蚀刻深度和侧壁角都跟工艺腔内电场分布、气体压力、刻蚀时间直接挂钩，片与片之间、批与批之间的重复性很难做到像光刻CD那样稳定。更麻烦的是，这两者往往存在耦合关系——深反应离子刻蚀中，刻蚀时间拉长，侧壁角也会跟着变化，不是独立波动的。如果鲁棒性优化里把参数当独立变量处理，最后验证阶段会发现实测分布与假设分布对不上，之前算的容差范围全部作废。

2. 从“峰值最优”转向“批量最优”的设计逻辑

2.1 峰值效率与成片率的矛盾

这里有个反直觉的点：把标称参数设计在峰值效率处，不代表批量生产的平均效率最高。举一个简化但仍然符合直觉的例子，假设效率η关于蚀刻深度d的曲线是一个不对称的尖峰，峰值90%出现在d=1.00 μm处，而在d=0.95 μm时效率已经掉到82%，在d=1.05 μm时还有87%。如果工艺的蚀刻深度服从以1.00 μm为中心、标准差0.03 μm的正态分布，那么大约有三分之一的片子落在d<0.97 μm的区间，这些片子的效率平均只有84%左右，整体均值会被拉低。

反过来，如果把标称蚀刻深度设成1.02 μm，峰值效率可能会掉到88%，但两侧的斜率变缓，同样分布下绝大多数片子的效率都在86%以上，批量均值反而更高。这就是“牺牲单点最优换取整体期望最优”的核心逻辑。

鲁棒性优化的本质，就是把目标函数从η(d0)改成E[η(d0+δ)]，即考虑工艺波动δ后效率的期望值。有时候还会加上对最坏情况的要求，比如“保证99%以上的片子效率不低于80%”，这是良率导向的设计约束，比单纯期望最大化更接近量产端的真实需求。

2.2 鲁棒性设计的三种工程表达

具体建模时，有三种常见的目标函数表达方式，工程上各有适用场景。

第一种是最小最大（minimax）方式：在给定的参数偏差范围内，以最坏情况下的效率为优化目标，maximize min(η)。这种思路适合对可靠性要求极高的场景，比如星载光栅、医用光学器件，不允许任何一片出现明显性能退化。代价是设计出的标称效率通常不高，因为要把最坏情况的底线抬起来，标称点必须“让位”。

第二种是均值-方差方式：把目标写成E[η] - k·Std[η]，或者E[η] - k·P{η < η_min}。这里的k是一个权重系数，代表对性能波动的厌恶程度。k越大，优化器越偏好“高原型”参数组合，即使平均效率略低也没关系。这种方式最灵活，也是我用的最多的一种。

第三种是面向良率的概率约束：要求P{η ≥ η_target} ≥ 95%。这种方式跟工厂的良率指标直接挂钩，管理层容易理解，但求解起来最贵，因为需要反复做蒙特卡洛采样来估计概率，优化迭代中计算量很大。

实际项目里没必要死守一种表达，通常先用均值-方差方式做快速粗扫，锁定几个候选参数区域后，再用概率约束做精修验证。这样算力花在刀刃上。

3. 鲁棒性优化的完整问题建模

3.1 设计变量与固定参数的划分

先把设计空间理清楚。倾斜光栅的模型里，变量分三类。

第一类是设计变量，也是最想优化的自由度：闪耀角θ_b、蚀刻深度d、占空比f（槽顶宽度与周期的比值）、侧壁角α_side。这四个变量决定了槽形的主要特征，是鲁棒性优化中需要扫描的主体。

第二类是“半固定”参数：光栅周期Λ。周期通常由光谱仪或合分波器的角色决定，比如工作波长1.55 μm附近，周期会定在1 μm左右，这个参数一般不参与效率优化，但它的选择会影响其他变量的敏感度。

第三类是环境参数：入射角、波长、偏振态。这些通常作为多目标优化的不同工况来处理，而不是变量。比如设计一个工作带宽40 nm的光栅，就要把波长从1.53 μm到1.57 μm离散成若干个采样点，对每个采样点求效率，再加权综合成一个目标值。

划分的原则很简单：能通过设计改变的才是变量，工艺上控制不了的或者系统指标锁死的，一律作为扰动量或工况量处理。把太多参数放开给优化器，不仅计算量爆炸，结果也容易过拟合到仿真模型的“虚假角落”。

3.2 容差模型与分布设定

容差模型的合理性直接决定鲁棒性优化有没有意义。给工艺参数设分布时，注意以下几条经验：

• 蚀刻深度d通常服从正态分布，但要注意截断。真实工艺不会出现d=0或d=2d0这种离谱值，采样时要设上下界，建议用截断正态分布而不是纯正态分布。
• 侧壁角不是正态分布，它往往偏向钝角一侧。深反应离子刻蚀中，钝角（>90°）出现的概率比锐角高，而且钝角的程度跟深宽比呈正相关。建模时可以用偏态分布，或者直接取“最大概率侧壁角 + 单向容差”的组合。
• 膜厚误差（如果光栅做在薄膜上）与其他参数耦合，不能独立建模。薄膜厚度变化会同时改变入射界面的相位和等效折射率，与槽深变化的效果叠加。如果预算允许，建议把膜厚也纳入鲁棒性采样的变量集合。

实际设定公差范围时，建议直接找工艺线要数据，不要拍脑袋。不同机台的均匀性和重复性差异很大，用“标称值±5%”这种经验值做鲁棒性优化，可能过度保守或者过于乐观。拿不到数据时，还有一个折中办法：先做一轮前期敏感性分析（每参数在±3%、±5%、±8%三档下扫描效率），找到主导敏感度的参数，对这个参数用更宽的容差建模，其余参数用窄公差。

3.3 目标函数构造细节

目标函数是整个优化流程的心脏。我常用的是加权形式：

F = w_mean · E[η] - w_std · Std[η] - w_pen · mean(max(0, η_min - η(x, δ)))

其中η_min是效率下限要求，w_pen是惩罚权重，这一项对应于“低于下限的样本会被惩罚”，相当于软性良率约束。所有期望和标准差都用蒙特卡洛采样近似，N取20到50个样本点。

采样数N的选择有个权衡。N太小，期望和标准差的估计噪声太大，优化器会把噪声当成真实梯度乱跑；N太大，计算成本线性上涨。我实测下来，前期全局搜索用N=20，后期局部精修用N=50比较合适。如果每个样本点的RCWA仿真时间在0.1秒量级，一次目标函数评估就是2到5秒，用全局优化算法迭代几千步，仍然在可接受范围内。

还有一个细节：不同参数的采样必须用同一批随机种子，否则优化器在迭代过程中会误以为目标的波动是设计参数导致的，实际是采样噪声。固定随机种子是让优化曲线平滑可比较的前提。

4. 实操流程：用MATLAB + 电磁仿真搭一套可复用的优化流水线

4.1 仿真求解器的选择与封装

倾斜光栅的效率计算，工程上用得最多的是严格耦合波分析（RCWA）和时域有限差分（FDTD）。RCWA优势是速度快，对周期性结构天然适配，光谱扫描效率高；FDTD更灵活，可以处理非周期结构或者有源器件，但速度慢一到两个数量级。

纯周期性的倾斜光栅，RCWA足够。市面上的商用工具包括Lumerical、COMSOL、RSoft以及开源包S4、RCWA-Python等。我自己常用的是Python版本的RCWA封装，因为可以方便地和MATLAB通过文件接口或Python引擎交互。

封装仿真函数时，注意一点：不要每次优化迭代都重启仿真器、重新初始化结构。把仿真核心封装成一个独立函数，输入参数向量（周期、闪耀角、蚀刻深度、占空比、侧壁角、波长），输出目标级次的衍射效率。函数内部保留网格划分缓存，参数微调时不需要重新构建整个仿真域，能省掉大量重复计算。

4.2 MATLAB优化工具箱的接入方式

MATLAB优化工具箱里能用于这种非光滑、有噪声的黑箱问题的求解器，我推荐三个：

实用推荐流程是：先用surrogateopt跑一轮全局搜索（变量维度4-6个、采样点N=20时，通常几百次迭代就能收敛到候选区域），再取候选解作为fmincon的初值，切换N=50的高精度采样做局部优化。ga我反而用得少，因为它在高噪声目标函数上收敛判据很模糊，容易无意义地空转。

MATLAB里目标函数写成匿名函数时，注意把采样矩阵预先算好，每个迭代点直接借用预生成的随机偏差矩阵来计算平均效率，这样可以省掉每次调用RNG的时间。类似下面这种结构：

% 预先固定样本偏差 delta_set = truncate_normal_samples(mu_shift, sigma, lb, ub, N); % 目标函数 function F = robust_objective(x, delta_set) eff_samples = zeros(size(delta_set,1), 1); for i = 1:size(delta_set,1) x_i = x .* (1 + delta_set(i,:)); eff_samples(i) = rcwa_simulate(x_i); end F = -mean(eff_samples) + 1.5*std(eff_samples); end

注意我把目标函数写成负号，因为MATLAB优化工具箱默认做最小化。均值减去1.5倍标准差，对应均值-方差表达里k=1.5，这个系数根据自己的风险偏好可以调。

4.3 并行计算与调参心得

蒙特卡洛采样天然适合并行。MATLAB里用parfor把循环里的RCWA仿真分散到多个worker上，N=50的采样，如果机器有16核，一次目标函数评估的时间能降到原来的十五分之一左右。这是整个流程里性价比最高的一项优化，优先做。

调参方面几个心得：

• surrogateopt的“MinSampleDistance”参数如果设得太大，会过早收缩搜索空间，导致错过远处的候选区域；设得太小，又会过度采样，消耗预算。建议先跑一两次短迭代，检查最优解是否出现在搜索域边界，如果频繁贴边，说明搜索域设置不合理，而不是算法的问题。
• fmincon的步长下限设得太小会导致它在噪声面上“钻牛角尖”。建议把OptimalityTolerance放宽到1e-4到1e-3，配合有限的MaxFunctionEvaluations。
• 目标函数里有蒙特卡洛噪声时，不要用fmincon默认的有限差分梯度，它会高估梯度的变化，导致震荡。要么改用surrogateopt这种代理模型方法，要么把采样数N提到足够大让噪声低于目标值变化的尺度。

5. 几个让我记忆深刻的设计陷阱

5.1 均匀采样会骗人

第一次做鲁棒性优化时，我图省事，直接用均匀分布采样容差范围内的参数。结果优化出来的设计，在正态分布假设下验证时，平均效率反而比初始设计低。原因是均匀分布给“边缘工况”的权重太高，优化器为了照顾极端的参数组合，被迫把标称效率做得非常平庸。

后来改成截断正态分布采样，并且将标准差的尺寸依据工艺实测数据来标定，优化结果的综合表现才正常。一句话总结：容差模型不是越“均匀覆盖”越好，要忠于真实工艺的统计特征。

5.2 那些看起来“更优”的局部区域是假象

多目标优化里容易出现一种情况：某个参数区域效率均值很高，但方差也极大，少数样本效率达到95%以上，多数样本只有70%。均值-方差目标函数如果方差权重不够，会把这个区域选为最优解。我遇到过一句扎眼的评语：“良率这么差，设计值再高有什么用。”

解决办法是在目标函数里显式加入良率惩罚项，或者对效率下限做硬性约束。比如要求平均效率不低于85%，并且最低样本效率不低于75%，两个条件同时满足。用硬约束可以直接把那种“高均值高方差”的区域排除掉。

5.3 TM/TE偏振必须分别验证

倾斜光栅对偏振的敏感度比普通光栅高得多。很多优化案例里，TE偏振效率很高，TM偏振则掉得稀里哗啦。如果你的应用是偏振无关的（比如自由空间光通信中的波长选择开关），必须把两个偏振态的效率都纳入目标函数进行加权综合，不能只优化一个偏振然后祈祷另一个也能过线。

具体做法：每个采样点算两次RCWA仿真（TE和TM），取两者中较低的那个作为该样本的性能指标。这种“木桶原则”能保证优化结果不会偏袒某个偏振，虽然代价是计算量翻倍，但可以并行化克服。

5.4 权重系数要跟业务指标挂钩

均值-方差表达里的风险厌恶系数k，不是随便设的。我后来养成的习惯是把k和良率曲线对应起来：先算几组候选解的蒙特卡洛分布，画良率-效率曲线，看k=1、2、3分别对应什么良率，然后让项目端的人决定要哪个点。这个沟通方式比报一串“均值87.3%、标准差1.8%”的数字直观得多，也避免了工程师和产品经理在“最优解”上扯皮。

6. 优化结果的验证与制程衔接

6.1 独立蒙特卡洛验证：不要用优化时的同一批样本

优化过程的蒙特卡洛采样本身就带有随机性，优化器会在一定程度上“过拟合”当前这批样本的高斯噪声。所以验证阶段必须重新生成一批独立的随机样本，用更大的N（比如200）来评估候选设计的真实性能分布。

这个步骤能抓出不少表面光鲜的设计。我见过一个优化结果，目标函数值很高，但独立验证时却发现有少数样本因为落在了材料吸收边附近，效率骤降。原因是最初的采样点数量太少，没有覆盖到吸收边的窄区域。独立大样本验证就是用来暴露这种尾部风险的。

6.2 退化条件下的行为检查

除了随机波动验证，还要做几组刻意偏离的退化测试：比如把所有参数同时推向工艺极限（最大深度+最小占空比+最大侧壁角），看设计是否还能维持基本功能。这种“最坏情况组合”虽然工程上概率极低，但一旦发生，带来的往往是批量报废，代价远大于优化时的保守处理成本。

我习惯在验证阶段算三个值：标称效率、统计最坏效率（比如1%分位点）、全退化效率。如果全退化效率低于可接受值，考虑是否需要在设计里加稳健性措施，比如通过斜入射补偿某些参数偏差带来的相位偏移。

6.3 给工艺端的工程建议

鲁棒性优化做完，不等于万事大吉，要把优化结果转成工艺可执行的建议，常见的转化包括：

• 标注出效率对蚀刻深度不敏感的范围，如果范围够宽，可以建议工艺端使用更稳定的“时间模式”而不是“终点检测模式”。
• 指出哪个参数是良率瓶颈，比如侧壁角对效率影响最大，建议工艺端优先调试侧壁角控制，而不是把精力花在抑制占空比波动上。
• 给出光栅槽形的“设计容差图”，让刻蚀工程师知道哪个区域的槽深不合格会导致器件失效，哪个区域其实可以放宽要求——这会直接影响检测标准和工艺窗口释放。

这些建议看起来“只是沟通问题”，但实际经验告诉我，设计端和工艺端的信息对齐，对良率提升的效果常常不亚于优化本身。好的鲁棒性设计如果没被工艺端正确理解和执行，等于白算。

7. 一点个人经验收尾

做了几年的光栅类器件设计，我的体会是：鲁棒性优化不是某一款软件或者某一种算法的功劳，而是一种思维方式的转变——从“找到一个最优解”变成“找到一片在扰动下都足够好的区域”。倾斜光栅因为结构敏感，天然是这种思维的最佳试验场。

如果这篇文章只能留下一句话，我建议你记住这个流程：先做单参数敏感性分析，识别主导参数；再建容差模型，务必用截断分布并跟工艺线对数据；然后设计均值-方差目标函数，固定随机种子，用surrogateopt粗搜加fmincon精修；最后务必用独立大样本蒙特卡洛验证，并把结果翻译成工艺端听得懂的语言。这套流水线搭起来之后，以后再做其他微纳光学器件，比如超表面、波导光栅耦合器，也可以非常快地迁移复用。

最后分享一个小技巧：把每次优化的参数分布数据、独立验证结果、对应批次流片的实测数据放在同一个记录表里。熬过两三个项目轮回之后，你会发现手上的工艺统计数据越来越准，鲁棒性优化需要的“真实容差输入”也越来越扎实，整个设计-制造循环越转越顺。这个积累过程急不得，但绝对值得。