Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

文龙作者

中科大郭光灿院士团队实现光子芯片上高效频率转换,有望成为量子网络潜在接口

今年年初,《自然》(Nature)的一篇论文向我们展示了全光学神经网络可以做到的超乎寻常的计算速度,超过10 TOPS (每秒10万亿次运算)。显而易见,光子计算有着巨大的运算效率的优势,将会成为未来的主流。这就引发了另一个问题,硬件是否可以跟上?

目前,光子集成芯片仍面临着准确率不够高的问题,这就涉及到光信号的调制技术和放大技术。最近,中国科学技术大学郭光灿院士团队、邹长铃研究小组通过简并和频产生的方式实现了光子芯片上微环谐振器的高效频率转换,并通过级联非线性光学效应放大了光信号的波长,为分布式量子计算和量子网络的实现奠定了基础。
相关研究结果于3月29日以「简并 χ(2)微谐振器中的有效频率转换」(Efficient Frequency Conversion in a Degenerate χ(2) Microresonator)为题发表在《物理评论快报》(Physical Review Letters)上。
图片
作为连接光纤通信和原子跃迁之间波段的桥梁,相干频率转换是分布式量子计算和量子网络的必要接口。在转换载波频率的时候,为了保证信息基本不受干扰,通常会使用非线性光学中补偿载波之间的能量差的方式进行实现。
光子芯片上的微环谐振器可以增强非线性光学效应,有望实现可扩展的高效频率转换设备。然而,满足多个波长之间的相位匹配条件仍然是一个重大挑战。
因此,研究人员提出了一种高效的相干频率转换方案,该方案使用简并和频产生(degenerate SFG)仅需双模相位匹配即可在光子芯片上实现谐振增强的光频率转换。
图片比较非简并和频产生模型和简并和频产生模型,简并的情况仅需要两种模式之间的相位匹配条件,并产生与驱动器信号模式接近共振的信号
并且,他们还成功实现了波长的精确调控:通过控制芯片基底温度在100 GHz范围内对频率转换匹配窗口进行粗调,又基于前期光致微腔加热效应的相关工作[Optics Express 28, 11144(2020)]实现了MHz量级的精细调控。
实验结果表明,在1560 nm到780 nm波长宽的光子频率转换过程中,实现的最佳转换效率高达42%,并且调谐范围超过250 GHz的半峰全宽(FWHM)带宽。此外,研究人员通过实验验证了单个器件内部级联二阶非线性光学效应,可以放大转换信号。
研究人员对他们的微环谐振器十分有信心:「通过调整器件的制造参数,最高转换效率有望实现100%以上,可以同时完成信号的转换和放大。」

微环谐振器使光子芯片成为可能

光子集成芯片以其体积小、能耗低、可扩展性强等优势在芯片研究中脱颖而出,更重要的是,光子芯片的制作工艺要求并不高,40 nm的光刻机就足矣。而微环谐振器对非线性光子的调制这一重大技术进步使得光子芯片的实现成为了可能。
微环谐振器又被称为「光学微腔」,早在1969年就被提出,随着近几年光量子的发展而广受关注。其本质是制作在光波导上的微型环,通过共振再循环将光限制在很小的体积内。环形谐振器结构使波导能够添加或删除单个波长,现在它还实现了波长的转换和调制,为片上光信号高效、高精度地传导提供了条件。
图片微环谐振器
由于尺寸小,微环谐振器具有带宽宽、精细度高的优异特点。高的精细度意味着高的储存能量,并且不牺牲带宽,这些特性对大规模非线性光子集成电路来说十分有利,而光子芯片在未来的量子信息处理和量子网络应用中将会有巨大的潜力。
审稿人对该工作给予了高度评价:「总的来说,该工作提供了一种高效率片上频率转换的新颖方法,这对片上量子信息处理极其重要,转换效率的每一个百分比在这些应用中都至关重要。」

论文链接:https://doi.org/10.1103/PhysRevLett.126.133601

参考内容:
https://phys.org/news/2021-04-high-efficiency-frequency-conversion-photonic-chip.html
https://www.sohu.com/a/459756800_120133855
https://www.nature.com/articles/nature01939


产业芯片
相关数据
神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

推荐文章
暂无评论
暂无评论~