第4章 Mach-Zehnder干涉仪（MZI）：原理、传递函数与参数扫描

如果你翻开任何一本集成光路教科书，MZI一定会出现在前几章。它不复杂，但非常实用。说白了，MZI就是把光分成两路，让它们走不同的路径，再合起来干涉。你想想看，一束光分成两束，走过不同的距离，再碰到一起，就会产生明暗条纹——这就是干涉。

我个人习惯把MZI看作光学神经网络里的"神经元突触"。它能通过调节相位，精确控制光的分配比例。在光芯片里，它就是做权重更新的核心单元。这一章，我们就把MZI的原理、传递函数和仿真方法掰开揉碎了讲清楚。

4.1 MZI的基本结构

一个标准的MZI由三个部分组成：

• 两个3dB分束器（定向耦合器或多模干涉耦合器）。第一个分束器把输入光分成两路，第二个分束器把两路光合起来。
• 两个波导臂，分别称为上臂和下臂。两臂的路径长度不同，或者折射率不同，就会产生相位差。
• 相位调制器（通常集成在上臂），通过热光效应或电光效应改变该臂的光学长度，从而精确控制Δφ。

我记得刚开始做光芯片仿真时，总觉得MZI不就是两根波导加两个耦合器吗？后来才发现，正是这个简单的结构，构成了光学神经网络里最灵活的可调权重单元。你改变Δφ，就能连续调节两个输出端口的能量分配——这其实就是神经元的"突触权重"。

4.2 传递函数推导

我们一步步来。先定义几个基本量：

• 输入电场为 E_in，分束器的耦合比为 κ（强度比，通常κ=0.5）
• 第一个分束器之后，上臂的电场为 √κ · E_in，下臂为 i√(1-κ) · E_in
• 两臂之间的相位差为 Δφ，由上臂的调制器引入
• 第二个分束器将两路电场再次耦合，输出到两个端口

完整的传输矩阵形式如下（我习惯写成矩阵乘法，方便在Python里直接算）：

# 3dB分束器的传输矩阵（κ = 0.5）
T_3dB = (1/√2) * [[1,  i],
                  [i,  1]]

# 相位差矩阵（上臂引入Δφ，下臂不变）
P = [[exp(i·Δφ),  0],
     [0,          1]]

# 整体传递矩阵 H = T_3dB · P · T_3dB
# 计算后得到输出电场：
# E_out1 = i·sin(Δφ/2) · E_in
# E_out2 = cos(Δφ/2) · E_in

输出光强是电场模的平方，所以：

如果分束器的耦合比不是精确的0.5，传递函数会变成更一般的形式：

I_out1 = 4κ(1-κ) · sin²(Δφ/2) · I_in

I_out2 = I_in - I_out1

从公式可以看出，当κ偏离0.5时，消光比会下降。我在项目中测过一批MZI，其中一个分束器的κ只有0.43，结果输出端口的对比度明显不够，后来换了工艺批次才解决。

4.3 参数扫描与仿真分析

理论推导完了，我们来跑一次参数扫描。我个人习惯用Python做这种仿真，numpy算矩阵快，matplotlib画图也方便。下面是一个完整的扫描脚本：

import numpy as np

def mzi_response(delta_phi, kappa=0.5):
    """
    MZI 传递函数
    delta_phi : 两臂相位差 (rad)
    kappa     : 分束器耦合比 (强度比)
    返回 (T_out1, T_out2) 两个端口的透过率
    """
    # 直接使用推导出的公式
    T1 = 4 * kappa * (1 - kappa) * (np.sin(delta_phi/2))**2
    T2 = 1 - T1
    return T1, T2

# 参数扫描：相位差从 0 到 2π，共 1000 个点
phi_scan = np.linspace(0, 2*np.pi, 1000)
T1_scan, T2_scan = mzi_response(phi_scan, kappa=0.5)

# 找出消光比最大的点
max_T1 = np.max(T1_scan)
min_T1 = np.min(T1_scan)
ER_dB = 10 * np.log10(max_T1 / (min_T1 + 1e-12))
print(f"输出端口1的消光比: {ER_dB:.2f} dB")

# 如果想看不同耦合比的影响，可以循环扫描
for k in [0.3, 0.4, 0.5, 0.6]:
    T1, _ = mzi_response(phi_scan, kappa=k)
    print(f"κ={k:.1f} 时最大透过率: {np.max(T1):.3f}")

运行上面的代码，你会发现当κ=0.5时，输出端口1的透过率可以从0连续调到1，消光比理论上无穷大。一旦κ偏离0.5，最大透过率就会下降，消光比也跟着恶化。

为什么消光比这么重要？在光学神经网络里，MZI用来做权重矩阵的乘法。如果消光比不够，权重就调不到0，网络的表达能力就会受限。我曾经因为忽略了分束器的工艺误差，导致仿真里效果很好的网络，流片回来性能打了七折。后来学乖了——仿真时一定要把κ的误差范围扫进去。

除了耦合比，还有一个参数值得扫——波导损耗。虽然MZI的损耗主要来自波导本身，但两臂的损耗差异会影响平衡。我记得有次测试，上臂比下臂多损耗了0.3 dB，结果输出端口的暗态电平下不去，查了三天才发现是波导转角半径不一致导致的。

参数对比与设计参考

下面这张表是我在实际项目中常用的MZI设计参数范围，供你参考：

参数	符号	典型值	设计窗口	对性能的影响
耦合比	κ	0.5	0.47 ~ 0.53	偏离0.5会降低消光比
相位差范围	Δφ	0 ~ 2π	0 ~ 2π	决定权重调节范围
波导损耗	α	1 dB/cm	< 2 dB/cm	两臂损耗差需 < 0.1 dB
调相效率	Vπ·L	2 V·cm	1.5 ~ 3 V·cm	效率越高，调相功耗越低

你想想看，一张表就把MZI设计的核心参数都框住了。做仿真时，先按典型值跑一遍，再扫设计窗口的边界，就能知道你的设计稳不稳。

最后说一句。MZI虽然基础，但它是光学神经网络里最常用的权重实现方式。把这一章的传递函数吃透，参数扫描的方法练熟，后面做阵列、做网络时你才会心里有底。说白了，MZI就是光芯片里的"神经元突触"，它的精度直接决定了网络的推理质量。