Разработан прорывной микроволновой фотонный чип
Несмотря на прогресс, интегрированные микроволновые фотонные системы все еще сталкиваются с существенными трудностями в обработке аналоговых сигналов сверхвысокой скорости, когда от них требуется одновременно повышенная точность и малое энергопотребление. До сих пор большинство таких систем выполнялись из кремния, который, однако, имеет ряд недостатков: помехи, ограниченное быстродействие, неудовлетворительная входная мощность. Сочетание кремния с ниобатом лития тоже не дают желаемого результата.
Однако недавнее появление тонкопленочного ниобата лития позволило команде специалистов в области фотоники из Городского университета Гонконга и Китайского университета Гонконга преодолеть эти трудности. Они разработали высокоточную, широкополосную систему микроволновой фотоники с малым энергопотреблением на основе ниобата натрия. Подложна диаметром 10 см продемонстрировала быстрые аналоговые вычисления микроволновых сигналов до 256 GSa/s (показатель скорости дискретизации в миллионах образцов в секунду).
Результаты их исследования задают новое направление в микроволновой фотонике и обещают повысить скорость и эффективность беспроводной связи, https://bnnbreaking.com/tech/hong-kong-researchers-unveil-re... BNN. Ученые убеждены, что производительность и программируемость чипа можно улучшить.
Область применения микроволнового фотонного чипа выходит далеко за пределы исключительно мобильной связи 5G. Способность передавать изображения и видео в высоком разрешении, в сочетании с перспективами, открывающимися для систем ИИ и технологий машинного зрения, делают эту разработку крайне любопытной. Учитывая растущий спрос на более быстрые и мощные вычисления, этот чип может оказаться революционным для ряда отраслей ИТ.
Недавно инженеры из США https://hightech.plus/2024/02/19/novii-kremnii-fotonnii--chi... новый, кремний-фотонный чип, который для выполнения сложных вычислений использует вместо электричества волны света. Устройство способно радикально ускорить скорость обработки данных и снизить расход энергии, что особенно актуально в обучении систем искусственного интеллекта.