《【文献】Nature子刊|Ultrasound sensing with optical microcavities》

  • 来源专题:光电信息技术
  • 编译者: 王靖娴
  • 发布时间:2024-07-22
  • 【内容概述】中国科学院物理研究所/北京凝聚态物理国家研究中心的李贝贝特聘研究员团队近年来致力于设计并制备基于回音壁模式光学微腔的超高灵敏度超声波传感器,并取得了一系列进展。基于过往的研究和对大量资料文献的总结,该课题组对基于光学微腔的超声波传感器原理及发展进行了梳理,撰写了综述文章“Ultrasound sensing with optical microcavities”( Light Sci. Appl. 2024, 13, 159)文中归纳了超声波传感器的应用场景。还总结了几类常用的微腔超声波传感器包括:法布里-珀罗(F-P)腔,π相移布拉格光栅与回音壁模式(WGM)微腔。

    这篇综述概述了基于三种类型的光学微腔的超声波传感机制,并讨论了如何优化超声波传感器的关键参数,关注了光学微腔实现超声波传感应用的最新进展并对其性能进行了总结(见表1)。此外,本文还介绍了光学微腔超声波传感器在不同探测场景中的应用,例如光声成像、测距和粒子检测等方面,为未来高性能超声波成像和传感技术的发展提供了重要参考。相比于传统压电超声波传感器,先进的光学微腔超声波传感器不仅能提高检测灵敏度和空间分辨率,还具有体积小、集成度高等优势,有望在生物医学成像、工业无损检测等领域带来革命性变革。这种基于光学微腔的新型超声波传感技术,必将为超声波在各领域的应用带来新的机遇和发展空间。

    原文链接:https://www.nature.com/articles/s41377-024-01480-8.pdf


  • 原文来源:http://mp.weixin.qq.com/s?__biz=MzUzNTA0NDI1Ng==&mid=2247500726&idx=2&sn=0687f7b3de40b37a7af1a09a13ad09c7&scene=0
相关报告
  • 《【文献】Nature Communications | Cavity Floquet engineering》

    • 来源专题:光电信息技术
    • 编译者:王靖娴
    • 发布时间:2024-10-21
    • 【内容概述】密歇根大学的研究团队通过利用腔体工程对真空模式进行操控,显著增强了有效的Floquet场,使得在极低的光子通量(450光子/μm2)下就能观察到Floquet效应。在更高的光子通量下,腔增强的Floquet效应导致了WSe2激子的自旋和谷分裂达到50毫电子伏特,相当于产生了一个超过200特斯拉的非麦克斯韦磁场。利用这种光学控制的有效磁场,研究者们展示了一个超快、皮焦耳级别的手性XOR门。这些结果表明,腔增强的Floquet工程可能使得创造稳态或准平衡Floquet能带、强烈非微扰的材料改性成为可能,并能将Floquet工程应用于更广泛的材料和应用领域。   文章详细描述了通过控制非共振激光场的频率和时空模式来形成不同的Floquet势,从而改变电子跃迁的空间-时间对称性、拓扑性和能量景观。研究者们通过在光学腔中增强Floquet场,实现了对WSe2单层中激子跃迁能量的大幅移动,以及谷分裂的观测。此外,文章还讨论了如何通过腔体增强来实现超快、低功耗的全光逻辑门,这对于光学计算领域具有重要意义。同时,该研究还探讨了通过腔体增强Floquet工程实现的非麦克斯韦磁场的强度和潜在应用,以及如何通过减少激子线宽和抑制高阶非线性过程来进一步提升这些效应。文章最后讨论了这种技术可能对未来量子材料的Floquet工程、新型量子相的创造以及超低能量、超快速全光开关和传感器的发展产生的影响。
  • 《【文献】Nature|Fully forward mode training for optical neural networks》

    • 来源专题:光电信息技术
    • 编译者:王靖娴
    • 发布时间:2024-08-11
    • 【内容概述】该研究提出了一种新型的全正向模式(Fully Forward Mode, FFM)学习方法,用于在物理系统中直接训练光学神经网络(ONNs),从而显著提高了机器学习模型的速度和能效。FFM学习利用空间对称性和洛伦兹互易性,消除了传统训练中梯度下降算法对反向传播的需求,允许在原始物理系统上直接设计和优化光学参数。通过实验,作者展示了FFM学习在自由空间和集成光子学系统中实现深层ONNs、高分辨率散射成像、动态非直视成像和非厄米特系统中异常点搜索的能力。FFM学习不仅实现了与理想模型相当的准确性,而且其训练过程的能效高达每秒每瓦特数以指数操作(exaOPS/W),为深度神经网络、超敏感感知和拓扑光子学等领域的应用提供了新的途径。此外,FFM学习还证明了无需精确的物理模型即可实现高效自设计和自学习,为后摩尔时代的大规模、高效率物理人工智能开辟了新的可能性。(文献原文见附件)