哈佛大学搞出声波传数据芯片,抗干扰能力更强,适用于量子计算等新兴领域...
Pine 发自 凹非寺
量子位 | 公众号 QbitAI
现在,在芯片中也可以用声波传输数据了。
看到这里你可能会疑惑:
光学芯片不是还在发展中,怎么又出来个声学芯片?
其实,声学集成电路一直都在发展,声波相较于光来说速度会更慢,但这种“迟缓”的属性未尝不是一件好事——
在设计量子电路时,为了提升探测精度,需要不断引入新材料,让载波信号在尽量短的距离内“折返”以获取数据。
如果用速度更快的光波,“折返”一次所需的距离会更大,可能会超出现有设备能测量的范围,也限制了探测精度的进一步提升。
因此,声学芯片一直是量子计算的研究方向之一。
但在之前,声学芯片一度遭遇瓶颈,大部分芯片材料无法以低损耗、可扩展的方式控制声波。
现在,哈佛大学的相关研究终于表明:
声波在芯片中传输数据也是有可能的,通过一种特殊的芯片结构,就能够很好地控制并传递声波。
那么这个声学芯片具体长啥样,咱们接着往下看。
芯片中声波怎样传输数据?
在传统的电学芯片中,用来传输数据的是电子,它通过像晶体管之类的元件进行调制,将输入的数据编码,输出0、1或者高、低电平。
而在光子芯片中,它则是对光子进行调制,具体也就是将光子作为载波,用于传输信号源。
传输的介质是一种叫“波导”的东西,它会给光子提供一个传输的狭窄通道。
我们所要讲的声学芯片呢,原理和光学芯片差不多。
用什么调制声波?
在哈佛团队这篇研究中,他们展示了一种可扩展声-电平台,可以用来设计声学芯片。
首先需要设计一个电-声调制器,它可以用来调制声波。
电-声调制器,我们可以从它的名字中猜出它的作用:
就是通过施加电压来使波导(也就是传播介质)发生弹性响应,进而来调节声波的振幅、相位等。
因此,哈佛团队的电-声调制器是在一个集成的铌酸锂(LN)平台上制作的,b图可以清楚地看到,SiN在LN基板上沉积,中间形成了声波的波导。
采用铌酸锂(LN)是因为其具备良好的压电性能,即施加电压LN会产生相应的弹性形变。
接下来,我们来看看声波是从哪里来的,在调制之前经历了什么?
电-声调制器的两端,有两对叉指换能器(IDT),它的作用是实现声-电换能,可以用于电激发和检测微波声波。
因为IDT的宽度大于声波波导的宽度,所以需要使用锥形波导结构将波耦合到声波波导中。
最后,声波传入到波导之后,怎么来调制声波呢?
这时就需要一个电场,通过生成电压,调制声波。
因此,在SiN上沉积了一层铝电极,在两个铝电极上接通电源,便产生一个电场。
这便是“电-声调制器”的基本构造了。
那它是如何通过对声波进行调制,来实现数据传输的呢?
如何调制声波以实现信号传输
在波导中,声波是被直接调制的。
在调制电极上施加直流偏置电压时,图b可以观察到声波的相位移动了π/2。
如果想要改变声波的振幅,该如何调制呢?
哈佛团队通过构建推拉结构中的声马赫-曾德尔干涉仪(MZI)来实现。
输入的声波在两个MZI臂之间被平均分割。施加在这两个波导上的电场方向相反,两个分裂波在每一臂上传播时的相位刚好是相反的。
可以结合这个图来看:
上面已经提到,通过改变施加在电极上的电压可以控制相位,随后,两个波重新结合时,振幅就会产生相应的改变。
除此之外,电-声调制器还可以进行声波的非互易调制。
基于非互易性的器件,是很多非传统量子计算、量子测量和量子网络等特殊量子信息处理协议中不可或缺的一部分。
声波的非互易性,就是指声波在介质中沿着相反的方向传输产生的损耗不同。
那声波的非互易性怎么依靠调制器来实现呢?
将调制电极分成三段,通过调整施加于每个电极上的调制信号的相对相位,来控制准移动电场的波数。
可以看图b,当调制信号在一个方向与移动声波相位匹配、但在相反方向不匹配时,便实现了非互易声波调制。
声学芯片研究的意义
电声调制器在低温兼容性、调制效率、制造简单性和可扩展性方面具有显著的优势,这使大规模集成的声学信息处理系统成为可能。
相较于电磁波的芯片,声波芯片还有一些潜在的优势,声波很容易被限制在微小的波导结构中,且互不干扰,并且它们与系统的其他部分有很强的相互作用。
哈佛大学教授Marko Lončar也表示:
声波很有希望成为量子和经典信息处理芯片上的信息载体。
如果你想更加深入地了解声学芯片的话,可以戳下文的论文链接了解。
论文地址:
https://arxiv.org/ftp/arxiv/papers/2101/2101.01626.pdf
参考链接:
[1]https://www.tweaktown.com/news/87151/brand-new-computer-chip-uses-sound-waves-for-data-not-electricity/index.html
[2]https://newatlas.com/computers/harvard-acoustic-computer-chip-sound-waves/
哈佛大学搞出声波传数据芯片,抗干扰能力更强,适用于量子计算等新兴领域...相关推荐
- 智能电视盒子芯片哪个更强 七大芯片方案性能详解
分享一下我老师大神的人工智能教程!零基础,通俗易懂!http://blog.csdn.net/jiangjunshow 也欢迎大家转载本篇文章.分享知识,造福人民,实现我们中华民族伟大复兴! 摘要:随 ...
- 智能电视盒子芯片哪个更强?七大芯片方案性能详解
摘要:随着智能电视和家庭娱乐影音设备的普及,人们对选购家电产品有了更多更深刻的认识,从前期家电品牌的选择,到中期使用过程中的售后服务,再到后期家电产品的零部件更换都了如指掌. 小编今天就给大家一起聊聊 ...
- 【更新】全新的数据填报,更强的BI分析,Wyn Enterprise V3.0 Update 2 发布
Wyn Enterprise 专注于商业智能和数据分析的需要,一个产品同时提供多源数据整合.自助式 BI 分析.数据可视化.在线报表设计,以及数据填报等多项功能,企业用户可独立部署使用,软件公司也可进 ...
- 投资30亿美元 IBM启动云计算大数据芯片研究计划
ZDNet至顶网服务器频道 07月11日 新闻消息: IBM宣布,将在未来5年投资30亿美元开展两项广泛研究及早期开发计划,以推动突破芯片技术极限,满足云计算和大数据系统的新兴需求.这些投资将推动IB ...
- 超越Swin Transformer!谷歌提出了收敛更快、鲁棒性更强、性能更强的NesT
[导读]谷歌&罗格斯大学的研究员对ViT领域的分层结构设计进行了反思与探索,提出了一种简单的结构NesT,方法凭借68M参数取得了超越Swin Transformer的性能. 文章链接:htt ...
- 简单的单片机链接贝壳物联实时上传数据
简单的单片机链接贝壳物联实时上传数据 想要实现单片机和贝壳物联云平台的简单的数据上传其实非常简单, 代码如最后一个模块所示 准备 硬件 1.ESP8266芯片(ESP8266-01或ESP8266-0 ...
- 如何实现后台向前台传数据
技术交流群:233513714 这两天正在研究如何让后天主动向前台展现数据,只要后台有数据上传的时候就向前台上传(因为公司有个项目,硬件设备会不断的上传数据,服务端将接收到的数据向前台展示).在网上查 ...
- 上传数据,直接分析,这才是真正的生物云
计算资源,生物软件安装,数据库配置,往往占据生物数据分析80%以上的时间,一直是阻挡生物数据分析的三座大山.为了实现我们"上传数据,直接分析"的理念.我们对计算资源的追求是无止境的 ...
- (0081)iOS开发之无限后台定位并上传数据到服务器
关键词:ios 后台持续定位 iOS 后台的理解 // http://blog.csdn.net/u013773524/article/details/52153917 // http://blog. ...
最新文章
- JVM 与 Linux 的内存关系详解
- Angular--TypeScript finalize 方法
- maven(一) 基础知识
- OpenGL研究3.0 多边形区域填充
- CString转char的方法总结
- java word转html 乱码 poi,java word转html poi
- LeetCode 535. TinyURL 的加密与解密(哈希)
- bzoj 3172: [Tjoi2013]单词 AC自动机
- Quartus报错Error (170040): Can‘t place all RAM cells in design Info (170034)的解决办法
- 推荐一款弹出窗口插件 lhgdialog 4.2.0 正式版
- 开心赚手机网赚操作真实赚钱项目揭秘
- 叫板SharePoint,多可致力打造满足中国企业需要的文档管理软件
- css3多列布局(columnz),多列布局相关属性
- 使用MicrobiomeAnalyst统计和功能分析微生物组数据
- 八百呼的录音话机能解决企业的客户纠纷
- 使用 Python 进行数据预处理的标准化
- 分布式全局唯一ID生成算法(改进的雪花算法——解决时钟回拨问题)
- sudo,su, -的区别
- tensorflow的slim调用预训练模型的权重进行迁移学习的一些感触
- 2019,收获,静静等待
热门文章
- 【电商】通过商品流转了解系统模块组成
- 单行或者多行文本溢出展示省略号的实现方法
- LabVIEW2016软件安装步骤
- 跨域请求之JSP中模拟post表单提交
- msg:xxl-job remoting error(connect timed out), for url : http://169.254.104.1:8900/run
- 简单理解正态分布(概率密度函数)和68-95-99.7法则
- 开发编码格式_编码和游戏开发
- 如何查询计算机记录表,如何查看电脑使用记录
- Vue+element-ui上传logo图片到后端生成二维码展示到页面
- openCV Python基础--镜像翻转和图像旋转