人工微结构和介观物理国家重点实验室“极端光学创新研究团队”胡小永教授和龚旗煌院士与合作者在集成光子芯片研究中取得重要进展:通过逆向设计方法设计并制备出具有超小特征尺寸和超完备相移调控功能的定向耦合器,以此取代传统光子芯片中的多模干涉器,实现了具有高集成度的多功能光子芯片,为实现大规模集成的多功能光子计算平台提供了一种新方法。2024年6月19日,相关研究成果以“超紧凑多功能集成光子平台”(Ultracompact and Multifunctional Integrated Photonic Platform)为题,在线发表于《科学进展》(Science Advances)。
随着信息技术的快速发展,对高速信息处理芯片的需求日益增长,以光子作为信息载体的集成光子芯片在高速信息处理领域具有重要应用。集成光子芯片的两个重要指标是:多功能和小型化。通常利用光子晶体、微环共振腔、传统马赫-曾德干涉仪(MZ干涉仪)作为单元器件来构建的光子芯片,其单元器件的特征尺寸相对较大,例如传统MZ干涉仪的特征尺寸在100微米量级,不但限制了光子芯片小型化指标的实现,而且制约了光子芯片单位面积计算能力的提升;通过直接扩展和级联相同的单元器件来实现的集成光子芯片难以执行多种计算功能。因此,如何同时实现大规模、多功能和小型化的集成光子平台仍是一个巨大的挑战。
研究团队将伴随梯度算法与几何约束算法相结合,发展出一种逆向设计智能算法,利用发展的逆向设计算法实现了超小特征尺寸(仅为4 μm×2 μm)的高性能定向耦合器,利用86个逆向设计的定向耦合器和91个移相器构建出高集成度、多功能的集成光子芯片(如图1所示),该集成光子芯片的特征尺寸仅为3 mm×0.2 mm,将单位面积的集成度提高了一个数量级。
![](/__local/E/26/91/DF0B45D88A87B49D36DF6FF5F1F_A38E7B62_86F3C.jpg?e=.jpg)
图1.芯片结构图以及单元结构测试结果。(A)芯片结构示意图,芯片由输入态制备部分、信息处理器和输出部分组成。(B)封装后的芯片照片。(C)若干定向耦合器串联透射率拟合结果。(D)由两个逆向设计的定向耦合器和一个电极组成的新型MZ干涉仪的透过率随着电极上所加功率的变化曲线。
研究团队提出了一种实现一维紧束缚模型量子模拟的新方法:将每一根波导视为晶格中的一个原子;波导中传播光的强度表示电子束缚在该晶格上的概率;新型MZ干涉仪实现任意两根相邻波导之间的耦合,代表电子在不同原子之间的跃迁;MZ干涉仪的传输矩阵即为紧束缚哈密顿量对应的演化算符。研究团队利用集成光子芯片实现了一维弗洛凯Su-Schrieffer-Heeger(SSH)构型拓扑绝缘体的量子态演化过程的量子模拟(如图2所示),通过选择四种不同的系统参数,对应实现了四种不同的拓扑相(平庸、拓扑0模、拓扑π模以及0,π模同时存在)。通过对移相器施加不同的电压,使得MZ干涉仪的传输矩阵代表不同拓扑相条件下的演化算符,系统的初始态选择在晶格内部,实验测得的量子态演化过程分布与理论计算值相符,实验测得平均保真度达到0.9790。
![](/__local/5/74/EB/B4D5F5D51D725544C57BDFC26C5_B8C41C6F_9F597.jpg?e=.jpg)
图2.一维弗洛凯SSH模型量子模拟结果。(A)一维弗洛凯SSH模型拓扑相图。(B)一维弗洛凯SSH模型在周期性边界条件下的准能谱。(C)一维弗洛凯SSH模型在开边界条件下的准能谱。平庸(D)、拓扑0模(E)、拓扑π模(F)、以及拓扑0模π模同时存在(G)这四种拓扑相下量子态的演化过程。
研究团队进一步实现了一维Aubry-André-Harper(AAH)构型拓扑绝缘体的的量子态演化过程的量子模拟(如图3所示)。AAH构型拓扑绝缘体的相邻格点间的耦合系数一致,但格点的在位能随位置以余弦函数形式发生周期性变化,通过调控在位能的变化周期、在位能振幅以及耦合系数的比例可以实现不同的拓扑相。集成光子芯片中独立可调的波导传输相位可以等效实现不同格点的在位能,从而构建出一维AAH构型的拓扑绝缘体,实验实现了两种不同拓扑相条件下量子态演化过程的量子模拟,实验测得平均保真度达到0.9934。
![](/__local/A/61/06/2211705A5B7E1E67C8A5A84440A_2E6B68CB_E9D79.jpg?e=.jpg)
图3.一维AAH拓扑绝缘体量子态演化的模拟结果。(A-B)两种拓扑相下以起始相位作为合成维度的准能带。(C-D)两种拓扑相下量子模拟的理论结果和实验测量结果。
为了演示光子集成芯片的多功能性,研究团队利用集成光子芯片实现了光学神经网络在MNIST手写数字数据集上的分类功能(如图4所示)。通过对输入手写数字图片进行主成分分析实现数据降维,随后在片上进行梯度下降算法,实现了对光学神经网络的片上训练,实验中实现了对数字“0~3”的四分类以及数字“0~7”的八分类,准确率分别达到了87%和69%,与计算机训练效果相当。
![](/__local/C/54/5C/45B21316D64030B8F3447612851_60CC114C_7A406.jpg?e=.jpg)
图4.片上光学神经网络实现MNIST手写数字分类。(A-B)四分类片上训练和计算机模拟的准确度和损失函数随训练代数的关系。(C-D)八分类片上训练和计算机模拟的准确度和损失函数随训练代数的关系。(E-F)四分类片上训练和计算机模拟的测试集的混淆矩阵。(G-H)八分类片上训练和计算机模拟的测试集的混淆矩阵。(I-J)数字“3”和“0”输入到芯片上时,光强在平台上分布的演化过程。
北京大学物理学院2022级博士生杜卓晨、2019级博士生廖琨、2019级本科生戴天翔、2023级硕士生王芋霏和2024级博士生高金泽是共同第一作者;本实验室胡小永教授、北京理工大学路翠翠教授和中国科学院微电子研究所杨妍研究员为共同通讯作者。上述研究成果得到国家重点研发计划、国家自然科学基金,以及量子物质科学协同创新中心、极端光学协同创新中心等支持。
论文原文链接:https://www.science.org/doi/10.1126/sciadv.adm7569
信息来源:北京大学物理学院网站