无线网络、物联网以及云服务的高速发展对底层射频系统的电子带宽、处理速度和功耗提出了更高要求。新兴的人工智能技术对模拟信号的计算能力和处理水平也日益增加。集成微波光子学作为通过光学元件产生、传输和操纵微波信号的新型技术,为解决上述挑战提供了有效的解决方案。
香港城市大学王骋团队基于铌酸锂平台,成功开发出一种处理速度更快、能耗更低的集成微波光子芯片。该系统可以在在互补金属氧化物半导体兼容电压下执行多用途任务,处理带宽高达67 GHz。相关成果以“Integrated lithium niobate microwave photonic processing engine”为题发表于Nature。
研究团队利用4英寸晶圆级铌酸锂平台将超快电光转换模块与低损耗、多功能信号处理模块同时结合在一块芯片上,组成集成微波光子系统。该系统具有多用途的计算功能,包括一阶和二阶时间积分和微分,处理速度高达每秒256千兆样本。为检测系统性能,他们演示了三个概念验证应用:求解常微分方程、生成超宽带信号和检测图像边缘特征。出色的实验结果表明,该系统相比于其他的片上和片外集成微波光子系统在操作带宽、处理速度和能耗方面具有优势。
图1 基于晶圆级铌酸锂的微波光子学信号处理引擎及其构建模块
为证明新型铌酸锂微波光子芯片比传统的微波光子芯片具有更强劲的应用场景,研究人员利用光子辅助图像边缘检测器来实现光子辅助图像分割并观察效果。该系统通过对二维图像序列化的时域数据流执行场对场微分运算来实现图像边缘特征提取。
首先,研究人员以250×250像素的图片“CityU”为例进行测试,时间微分和边缘检测在244ns内“动态”执行,并由示波器实时捕获,最终通过将捕获的时间序列数据解复用回矩阵模式,形成重建图像。与模拟结果相比,实验中的图像边缘特征被清晰地分辨出来,准确率达到96.6%。更重要的是,这种新型图像处理器要比传统的电子芯片快三个数量级并且消耗的能量更少。
然后,研究人员将光子辅助图像边缘检测器插入到基于深度卷积神经网络的图像分割模型中,以97.3%的平均分割准确率有效勾勒出医学诊断图像中色素瘤病变的边界。他们采用边缘检测信息代替原始图像输入到深度卷积神经网络中,从而改善了异常区域和正常区域之间的边界模糊导致预测结果准确率降低的问题。与其他光子平台或传统的电子平台相比,研究人员所展示的新型光子辅助图像边缘检测器具有计算速度更快、能量消耗更少的优势,从而为高复杂性、高通量的实时医疗诊断提供了强有力的手段。而且该检测器还可以进一步扩展功能,在未来有望实现光子人工智能和计算视觉技术。
图2 高速光子辅助医学图像分割
该团队所展示的这种新型集成微波光子芯片与其他诸如微腔、片上受激布里渊散射滤波器一类的高性能光子组件高度兼容,能够进一步集成,从而提供更完备的功能。此外,低噪声激光源、高功率光电探测器和微波放大器等组件也可通过异构集成组装到他们的铌酸锂平台上,为下一代通信和信息技术带来高度紧凑、性能优异、经济高效的集成微波光子系统。
论文链接:https:/doi.org/10.1038/s41586-024-07078-9