石墨烯量子自旋霍尔效应突破 - 荷兰代尔夫特理工大学科学家首次在石墨烯中观测到无需外部磁场的量子自旋流 [1] - 该发现为自旋电子学发展提供关键支持 [1] - 研究成果发表于《自然·通讯》期刊 [1] 技术应用前景 - 突破标志着量子计算实现路径取得重要进展 [1] - 为先进存储设备开发奠定基础 [1]

大型语言模型的计算挑战与光子硬件解决方案 - 训练GPT-3消耗约1300兆瓦时电力，下一代LLM可能需要吉瓦级电力预算[1][4] - 传统硅基芯片接近物理极限（3纳米晶体管），冯·诺依曼架构存在存储器-处理器瓶颈[4] - 光子计算具有高带宽、超强并行性和极低热耗散优势，可能超越电子处理器几个数量级[2][4] 光子神经网络核心器件 - 微环谐振器(MRRs)实现波长复用与光频梳生成，支持多波长信号处理[10][12] - 马赫-曾德干涉仪(MZI)阵列执行光学矩阵-向量乘法运算，实现可编程酉变换[13] - 超表面通过亚波长结构调控光波相位与幅度，支持大规模并行光学计算[14][16] - 4f系统利用傅里叶变换在衍射域实现线性滤波功能[20][21] - 垂直腔面发射激光器(VCSEL)实现全光尖峰神经网络，支持光速计算[25][29] 二维材料在光子芯片中的应用 - 石墨烯在宽光谱吸收2.3%入射光，载流子迁移率支持高速调制[30][31] - TMDCs(如MoS₂)具有可调带隙和强激子效应，增强光与物质相互作用[31] - 石墨烯调制器实现超过100GHz运行频率，适用于AI高速数据传输[35] - 石墨烯-量子点混合光电探测器提升宽带探测能力[36][41] - 范德瓦尔斯异质结构实现超薄波导，保持低传播损耗特性[37] 自旋电子类脑计算技术 - 磁隧道结(MTJ)实现604%隧道磁阻比，支持概率计算和GHz级振荡[54] - 磁涡旋(skyrmion)模拟神经递质释放机制，阈值电流仅10μA[55] - 自旋霍尔纳米振荡器(SHNO)阵列实现96%元音识别准确率，每次分类仅3mW功耗[56] - 反铁磁自旋电子器件实现4fJ/次突触更新能耗，10^12次循环权重漂移<0.1%[57] 光子LLM实现挑战与解决方案 - 光子芯片缺乏片上内存缓存长序列tokens，限制上下文窗口扩展[62] - PB级数据集存储导致I/O瓶颈，数据移动成为系统主导限制因素[63][65] - 光子模拟计算难以表示高精度张量，ADC/DAC电路占50%芯片面积[66] - 缺乏原生非线性函数实现，需依赖电子电路完成激活函数[67] - 光子张量核利用MZI网格实现大规模矩阵并行运算，减少片外转换[68][69] 未来发展方向 - 脉冲光子LLM将token流编码为光学脉冲，通过光子SNN实现序列处理[70][71] - 光电协同封装将光子张量核与共置内存紧密耦合，缓解数据瓶颈[72] - 神经形态光子技术有望实现PetaOPs/Watt计算效率[75] - PIC成本、可扩展性和集成性提升，可能取代IC成为计算系统核心[75]