beat365官方网站、納光電子前沿科學中心、人工微結構和介觀物理國家重點實驗室“極端光學團隊”胡小永教授、朱瑞教授和龔旗煌院士與合作者在異質集成片上鈣钛礦/氮化矽光子芯片系統研究中取得重要進展：開發出納米異質集成新技術，實現了基于鈣钛礦/氮化矽光子平台的近紅外集成光子芯片系統，該系統在單一芯片上集成了高效鈣钛礦發光二極管、高性能氮化矽光子處理器及高靈敏度鈣钛礦光電探測器，具有處理光子模拟和計算機視覺任務的能力。此工作不僅拓展了鈣钛礦光電器件的應用，還為實現多功能光子信息處理芯片提供了一個創新方案。2025年1月2日，相關研究成果以“異質集成鈣钛礦/氮化矽片上光子系統”（Hetero-integrated perovskite/Si₃N₄on-chip photonic system）為題，在線發表于《自然光子學》（Nature Photonics）。

得益于其卓越的數據吞吐量和超低功耗，集成光子芯片在光通信、計算、激光雷達、傳感和成像等領域具有重要應用。集成光子芯片發展的核心目标之一是構建在單一芯片上同時集成光源、處理器和光電探測器的光子系統。雖然人們提出了一些單片集成方案，但是受材料優化、集成技術以及設計方法等方面的限制，到目前為止，實現一個具有信号處理功能的穩定的、高性能片上光子系統依然是一個巨大挑戰。

研究團隊提出了一種在單一芯片上集成鈣钛礦發光二極管、鈣钛礦光電探測器和氮化矽光子信号處理器的方案（圖1）。團隊開發了高性能的鹵化物鈣钛礦材料，其在吸收和發射之間具有顯著重疊和連續可調性，使得在光子芯片上同時實現了光源和探測器。此外，利用微納加工技術和獨特的工藝設計，實現了鈣钛礦與氮化矽波導網絡的高效異質集成。該系統包括一個特征尺寸為1 mm×2 mm的發光二級管，一個具有15個輸入端口和2個輸出端口的13層局部連接的光子網絡，以及兩個特征尺寸為0.5 mm×0.5 mm的光電探測器。實驗上測得光子系統的3 dB帶寬為2.2 MHz。若能充分利用鈣钛礦發光二極管的寬譜特性及探測器對波長分辨的能力，光子系統的計算速度有望達到Gbit/s。基于所提出的片上光子芯片系統，研究團隊構建了具有執行光子模拟及機器視覺任務的光子神經網絡來展示系統的多功能計算能力。

圖1.單片異質集成的鈣钛礦/氮化矽光子芯片系統。(a)異質集成片上鈣钛礦/氮化矽光子芯片系統的結構示意圖；(b)單片集成的鈣钛礦發光二極管、光電探測器和氮化矽波導網絡的工作原理示意圖，插圖展示了拍攝的單片集成芯片光子系統照片；(c)不同結構的光電流-驅動電壓曲線；(d)不同結構的系統頻率響應。

對于光子模拟任務，研究團隊選擇了兩個能帶定義不明确的拓撲模型，以展示光子神經網絡在以較低計算成本執行拓撲态模拟時的學習和适應能力（圖2）。首先，研究團隊演示了光子神經網絡能夠計算二維無序Su-Schrieffer-Heeger (SSH)模型中的實空間拓撲不變量，即拓撲不變平均手性位移。通過對具有15輸入2輸出的局部連接網絡進行靈活堆疊和訓練，網絡展現了準确預測無序SSH模型中拓撲不變量的能力。實驗采用從測試數據集中随機選擇的24個樣本，結果與理論預測一緻，證明了網絡在實驗驗證中的準确性和可靠性，展示了光子神經網絡在解決複雜無序拓撲問題的潛力。其次，在拓撲模型中引入非線性通常帶來提升計算複雜度的重大挑戰。在此，研究團隊研究了在SSH模型中引入三階非線性克爾效應以操控系統中光的傳播。同樣利用先進的網絡設計，測試階段所有時間步長的平均保真度為87%，表明網絡在依賴于時間演化的模拟中能保持高平均保真度，展示了光子神經網絡在這種非線性拓撲态演化模拟中的能力。通過進一步優化網絡架構，可以進一步增強網絡對複雜物理體系非線性動态演化過程的處理能力。

圖2.光子神經網絡用于計算二維無序拓撲模型的拓撲不變量和模拟非線性拓撲系統的演化。(a)二維無序SSH模型示意圖；(b)網絡四個不同初始化的訓練損失曲線；(c)網絡的第一輪訓練的測試集結果；(d)從測試數據集中随機取出的24個樣本的實驗測量結果；(e)給被非線性調制的系統施加邊界輸入，在時間T=64時波函數的分布；(f)模拟64個不同時間步長上的訓練保真度曲線；(g)測試集上的保真度分布；(h)測試集上所有時間步長的平均保真度分布。

對于機器視覺任務（圖3），研究團隊的目标是驗證可擴展的光子神經網絡設計在多樣化視覺數據集上所具有的泛化能力遠超過簡單手寫數字的基準。為此，研究團隊選擇了包含各種類别圖像的豐富實景RGB圖像集合的CIFAR-10數據集作為測試對象，在僅包含95368個可訓練參數下，實現了56%的測試準确率。此外，研究團隊還深入探讨了單個光子神經網絡單元的計算能力，探索其作為基本可訓練邊界檢測器的潛力，實驗結果表明在邊界檢測數據集上的測試準确率超過85%，驗證了其有效性。圖像分類和邊界檢測任務在所提出的光子神經網絡構型中的演示，證明了其靈活性和在計算機視覺領域廣泛應用的潛力。

圖3.光子神經網絡用于圖像邊界檢測和圖像分類任務。(a)将3×3圖像塊編碼為複振幅，色相表示相位，亮度表示強度，目标來自Canny數據邊界檢測；(b)網絡構型及第一輪訓練中的權重分布；(c)邊界檢測的訓練損失函數曲線；(d)邊界檢測的訓練準确率曲線；(e)邊界檢測的測試集混淆矩陣；(f)實驗測得的邊界檢測混淆矩陣；(g)實驗測得的邊界/非邊界分類的輸出分布。(h) CIFAR-10圖像分類任務；(i) CIFAR-10分類的訓練損失曲線；(j) CIFAR-10分類的訓練準确率曲線；(k) CIFAR-10測試集上的混淆矩陣。

beat365官方网站2019級博士生廖琨、浙江大學2021級博士生連亞霄、beat365官方网站2019級博士研究生喻茂滔、2022級博士研究生杜卓晨、2019級本科生戴天翔為共同第一作者；胡小永、朱瑞、浙江大學狄大衛教授、香港科技大學陳子亭教授為共同通訊作者；上述研究成果得到國家重點研發計劃、國家自然科學基金，以及量子物質科學協同創新中心、極端光學協同創新中心等支持。

論文原文鍊接：https://www.nature.com/articles/s41566-024-01603-y