MARC

 008250123s2024        us                              c    eng  d
■001000017160381
■00520250211151008
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382215273
■035    ▼a(MiAaPQ)AAI30995066
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a535
■1001  ▼aWu,  Changming.
■24510▼aPhase-Change  Programmable  Photonics  for  Optical  Computing  and  Signal  Processing
■260    ▼a[Sl]▼bUniversity  of  Washington▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a131  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-10,  Section:  B.
■500    ▼aAdvisor:  Li,  Mo.
■5021  ▼aThesis  (Ph.D.)--University  of  Washington,  2024.
■520    ▼aThe  programmability  in  integrated  photonic  systems  fosters  advancements  across  diverse  technologies,  from  data  centers  to  optical  neural  networks  and  quantum  information  processing.  Phase-change  materials  (PCMs)  can  offer  an  ideal  solution  thanks  to  their  reversible  switching,  large  index  contrast,  and  non-volatile  behavior,  enabling  programmability  with  no  static  power  consumption.  In  this  thesis,  I  will  mainly  introduce  several  phase-change  photonic  devices  that  can  contribute  to  various  photonic  applications  such  as  optical  computing,  signal  processing,  and  optical  communications.First,  we  demonstrate  a  multimode  photonic  computing  core  consisting  of  an  array  of  programable  mode  converters  based  on  on-waveguide  metasurfaces  made  of  phase-change  materials.  We  demonstrate  a  prototypical  optical  convolutional  neural  network  that  can  perform  image  processing  and  recognition  tasks  with  high  accuracy.  With  a  broad  operation  bandwidth  and a  compact  device  footprint,  the  demonstrated  multimode  photonic  core  is  promising  for  large-scale  photonic  neural  networks  with  ultrahigh  computation  throughputs.Then  we  demonstrate  a  photonic  generative  network  as  a  part  of  a  generative  adversarial  network  (GAN)  that  can  generate  a  handwritten  number  in  experiments.  We  realize  an  optical  random  number  generator  derived  from  the  amplified  spontaneous  emission  noise,  apply  noise-aware  training  by  injecting  additional  noise,  and  demonstrate  the  network's  resilience  to  hardware  non-idealities.  Our  results  suggest  the  resilience  and  potential  of  more  complex  photonic  generative  networks  based  on  large-scale,  realistic  photonic  hardware.Finally,  we  report  direct-write  and  rewritable  photonic  circuits  based  on  a  low-loss  phase  change  material  (PCM)  thin  film,  in  which  complete  end-to-end  functional  photonic  circuits  can  be  created  by  direct  laser  writing  in  one  step  without  additional  fabrication  processes.  The  direct-write  phase-change  photonic  circuit  affords  exceptional  flexibility,  allowing  any  part  of  the  circuit  to  be  erased  and  rewritten,  facilitating  rapid  design  modification  and  reprogramming.  We  demonstrate  the  versatility  of  this  technique  with  various  photonic  circuits  for  diverse  applications,  including  an  optical  interconnect  fabric  for  reconfigurable  networking,  a  photonic  crossbar  array  as  a  tensor  core  for  optical  computing,  and  a  tunable  optical  filter  for  optical  signal  processing.
■590    ▼aSchool  code:  0250.
■650  4▼aOptics
■650  4▼aComputer  engineering
■650  4▼aElectrical  engineering
■653    ▼aPhase-change  materials
■653    ▼aOptical  communications
■653    ▼aSignal  processing
■653    ▼aPhotonics
■690    ▼a0752
■690    ▼a0544
■690    ▼a0464
■71020▼aUniversity  of  Washington▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-10B.
■790    ▼a0250
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160381▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서