iPronics: 利用可编程芯片使光子学变得可行

西班牙光子学先驱iPronics可编程光子学公司正在通过世界上第一个可重复编程的通用光子学集成电路（PIC）使光子计算和电信应用具有商业可行性。该公司的技术使硬件开发者能够在芯片上对光信号进行编程，其灵活程度是目前从未见过的。

Image Credit: amgun/Shutterstock.com

来自坚实研究基础的先进制造业

iPronics成立于2019年，是将瓦伦西亚理工大学进行的研究商业化的一种方式。

该公司正在将一项光子学创新推向市场，这将大大减少广泛的光子学应用的开发时间和成本。这是一个通用的集成可编程光子芯片的概念，它使用普通的光学硬件，可以通过计算机进行配置和重新配置。

这将意味着公司可以为不同的应用重新使用同一硬件平台。

iPronics表示，这项技术可以应用于任何需要高速的信息处理任务，如下一代移动数据（5G和6G）、大型数据中心、人工智能（AI）、自动驾驶、量子计算以及物联网（IoT）。

什么是光子学？

光子学应用光学科学来产生、检测和操纵光子，用于各种应用。它涉及到光的发射、传输、调制、信号处理、开关、放大和感应。

在信息处理方面，光子学可以通过光子集成电路（PIC）来应用。这些硬件的优点是外形尺寸小，稳定性好，功耗低，而且制造工艺可能很经济。相对于传统的电子芯片，PIC还受益于光波导的特性：传播损耗最小，没有衍射，功率可以很好地限制，串扰少，没有电磁干扰的风险。

由于这些特点，集成光子学可以在一些新兴技术领域产生巨大的影响。例如，高速光纤通信可以使用PIC来支持复用器中的所有复用域（空间、偏振和波长）。高速移动数据系统（5G和6G）将在很大程度上依赖PIC。PIC能实现高速信号处理，并能构成量子计算所需的量子逻辑门的基础。

迄今为止，有一种光子平台在研究和关注方面占主导地位：特定应用光子集成电路（ASPIC）。这种方法配置了一个特定的电路，光子将通过该电路，并为特定的功能进行优化。这种优化包括管理传播损耗、功耗、占地面积、以及设备中的元件数量和类型。

这种优化是通过一系列的设计迭代进行的，可能需要进行物理生产和测试以获得稳定的性能结果。这意味着ASPIC的开发过程被大大拉长，这反过来又意味着光子设备的开发成本大大增加。

用可编程的PIC使光子技术变得可行

iPronics正寻求通过开发可集成在PIC上的通用处理器架构来克服这一挑战。这样一个平台的特点是可以生成单个或多个输入/输出，或两者兼而有之，并能在计算机上重新编程后执行不同的信号处理任务。

这种方法受到电子现场可编程门阵列的启发，它是电子硬件的主流。可编程PIC用二维光子波导网实现了一个普通硬件。

在该公司正在商业化的基础研究中，科学家已经展示了硅中的可重构波导网。这种可编程的PIC具有七个六边形单元的简单结构，并进行了20多种不同的功能。

这些功能包括光环谐振器（ORR）、耦合谐振器波导（CROW）和侧向耦合集成间隔序列的光谐振器（SCISSOR）。

该研究还提出了其他网格拓扑结构，但指出六边形和三角形网格在重新配置方面表现最好。

iPronics对ASPIC每次迭代的开发成本在55万至170万欧元之间，开发时间约为12个月。通常情况下，需要两到三次迭代来完善ASPIC的设计，使总的开发时间达到两年或三年，成本从94万欧元到460万欧元不等。

该公司称其产品将ASPIC的开发时间减少90%，成本减少95%。这是因为新的设计可以简单地重新编程，下载到PIC上，并在短短几小时内进行物理测试。

在许多领域都有应用，包括量子计算、多处理器网络、信号处理、化学和生物医学传感以及通信。

iPronics的下一步行动

iPronics目前正在进行两个主要项目，这将使其技术更接近市场。

INSPIRE "项目正在开发TRL5/6演示器形式的可编程光子处理器，这是世界上第一个。该项目通过在每个芯片中增加更多的可编程单元格，改善了公司目前的技术准备情况。

这将使几个方面的性能得到提高，包括芯片耦合损耗、空间要求和功耗。新的层设计将在一个试验批次中生产，以进行功能测试、验证和演示。

PROMETHEUS "项目正在利用可编程PIC进行神经形态计算架构。神经形态计算的灵感来自生物大脑的结构和工作原理。神经形态芯片创造了人工 "神经元"，以类似于大脑的方式分配计算机处理。

iPronics的PIC可以通过利用集成在芯片中的激光神经元的千兆赫兹发射率的大规模光子尖峰神经网络，应用于神经形态计算。

通过这个项目，iPronics还将把量子随机发生器付诸实践，因为它们不能被克隆，所以将把物理层加密和认证嵌入到芯片中。

不久之后，iPronics的可编程PIC可能会成为高速计算和传感的基础，为下一代的众多尖端技术提供动力。

参考资料：

About. [Online] iPronics. Available at: https://ipronics.com/about/ (Accessed on 26 January 2023).

Ham, D., et al (2021). Neuromorphic electronics based on copying and pasting the brain. Nature Electronics. doi.org/10.1038/s41928-021-00646-1.

Pérez, D., et al (2017). Multipurpose silicon photonics signal processor core. Nature Communications. https://doi.org/10.1038/s41467-017-00714-1.

Written by Ben Pilkington

本文由光电查搜集整理，未经同行评议，请自行判断可信度。仅供学习使用。