《美国国家标准与技术研究院(NIST)研究团队开发了能够实现八度跨越的微梳制造工艺》

  • 来源专题:计量基标准与精密测量
  • 编译者: 张宇
  • 发布时间:2024-09-11
  • 孤子微梳为自校准和光学计量提供了一种基于芯片的倍频光源。研究人员使用氮化硅集成光子学铸造厂生产280个单芯片解决方案的倍频微梳晶圆。利用波导截面的群速度色散(GVD)工程,研究人员在 f-2f 自校准频率下形成了色散波谱增强的孤子谱。此外,研究人员还展示了其他的考虑因素,包括孤子频谱设计模型,超宽带谐振腔外部耦合,低损耗边缘耦合器,以及非线性自相互作用的短周期孤子。为了满足制造公差,研究人员系统地扫描了336个谐振器宽度和半径的参数集,确保每个芯片上至少有一个器件能够产生具有电子可检测的载波包络偏移频率的倍频梳,研究人员已经在实验中成功的实现了这一目标。研究人员的设计和测试过程允许创建高度可重复的孤子微梳单芯片解决方案,这些解决方案针对泵浦运行~100 mW 和用于f-2f 检测的高梳状模式功率进行了优化,这是用于光学计量的紧凑型微系统的核心组件。

    相关研究成果于2024年9月6日发表在《Optics Letters》期刊上(DOI:10.1364/OL.527540)。

  • 原文来源:https://www.nist.gov/publications/foundry-manufacturing-octave-spanning-microcombs
相关报告
  • 《美国国家标准与技术研究院与AIM Photonics研究所合作研发光子芯片关键工具》

    • 来源专题:集成电路
    • 编译者:李衍
    • 发布时间:2023-01-31
    • 据英国电子周报2022年12月22日报道,美国商务部国家标准与技术研究院(NIST)与美国制造研究所AIM Photonics达成了一项合作研发协议,该协议将为芯片开发商提供一种关键的新工具,用于设计光子和电子芯片。集成光电芯片是光纤网络和高性能计算设施的关键部件,并用于激光制导导弹、医疗传感器和其他先进技术。AIM Photonics是一家公私合作机构,旨在加速光子芯片制造新技术的商业化。这家总部位于纽约的研究所在光子学开发周期的所有阶段(从设计到制造和封装)为中小型企业、学术界和政府研究人员提供专业知识和制造设施。作为新合作的一部分,NIST将设计可用于测量和测试光子芯片电子性能的电气“校准结构”。这将改进设计并将加速光子芯片的开发,其速度比目前通常以高达25 GHz的速度运行的芯片更快。新的校准结构将能够测量速度高达110 GHz的芯片。负责标准和技术的商务部副部长兼NIST主任Laurie E. Locascio表示,“这项工作将利用NIST在芯片测量、校准和集成设备建模方面的专业知识。” “准确的测量是推进高速通信的关键,”AIM Photonics 的首席运营官 David Harame 说,“这些改进将为我们的成员和客户提供他们设计下一代先进光子芯片所需的工具。”两家组织的专家已经在努力将新的测量结构集成到AIM Photonics的制造工艺中,并且应该会在大约一年内向用户提供带有校准结构的更新工艺设计套件。
  • 《美国国家标准与技术研究院(NIST)研究人员证明超导神经网络可自主学习》

    • 来源专题:计量基标准与精密测量
    • 编译者:李晓萌
    • 发布时间:2025-08-26
    • 利用精细仿真,美国国家标准与技术研究院(NIST)及其合作团队首次证明一类受大脑启发的电子神经网络——超导神经网络——可在初始训练后完全自主地学习新任务,其学习速度比现有神经网络快100倍。 神经网络通过模拟人脑神经元协同工作的方式进行决策:通过调节神经元之间的信息流动,人脑能够识别新现象、掌握新技能,并在决策时权衡不同选项。 NIST科学家聚焦于超导神经网络,这类网络在极低温(仅比绝对零度高 4 度)下运行,电流无阻力、能耗远低于包括人脑在内的其他系统,因而能以极高速度传输信息。 在新设计中,NIST科学家Michael Schneider及其同事找到了一种操控超导神经网络基本单元的方法,使其能够执行一种称为“强化学习”的自主学习方式——神经网络正是通过强化学习来掌握新任务,例如学习一门新语言。 任何神经网络的核心都在于如何为其电路中的路径分配“权重”或偏好,类似于人脑对不同神经通路赋予不同权重。网络通过“胡萝卜加大棒”的机制调整权重:增强产生正确答案的路径权重,削弱导致错误答案的路径权重。而在 NIST 系统中,构成电路的硬件本身即可决定这些权重变化的大小与方向,无需外部控制或额外计算,就能自主学习新任务。 相关研究成果已于2025年3月4日在线发表于《Unconventional Computing》期刊(DOI:10.1038/s44335-025-00021-9)。 NIST的设计带来两大优势: 第一,网络可在新数据到来时持续学习,而无需每次都从头重新训练整个网络。 第二,设计能自动调整网络中各路径的权重,以容忍制造过程中硬件尺寸和电学特性的微小差异;这种灵活性在常规神经网络训练中是难以实现的,后者通常需要对权重值进行极其精确的编程。 Schneider指出,该设计还有望显著加快网络训练速度,并比基于半导体或软件的训练方案消耗更少能量。仿真已验证硬件方案可行,团队下一步将着手构建小规模的自学习超导神经网络原型。