电力/性能:6月7日

商业化光子MEMS
加州大学伯克利分校的研究人员,大邱韩国庆北理工科技、弄MicroOptics, TSI半导体、光州科学和技术研究所韩科院,洛桑联邦理工(EPFL)和韩国理工大学证明商业制造的路径光子MEMS。

光子MEMS把承诺当光开关,可以更有效地帮助路由数据。然而,到目前为止他们已经组装在实验室环境中使用非标准和复杂的过程。团队将使用一个修改的,商用CMOS工艺。

研究人员说光子开关是捏造的绝缘体(SOI) 200毫米晶圆使用常规光刻和干法蚀刻过程在一个商业铸造。整个光子集成电路包含在硅表层,限制数量的优势的制造步骤:有两种不同的干法蚀刻过程,一个发射创建金属互联,最终版本MEMS的氧化腐蚀。

开关设计包括32 32输入端口和输出端口,代表一个32 x 32矩阵(完整的尺寸是5.9毫米x 5.9毫米)复制相同的元素。在每个单一元素,光从一个通道转移到其他生产减少之间的距离两个波导夫妇他们的模式,一个操作通过一个静电梳状驱动器还包括硅表层。

“第一次大规模集成MEMS光开关一直在编造一个商业铸造200毫米SOI晶片。在我看来,这是一个令人信服的证明这项技术适合商业化和大规模生产。它们可以包含在数据通信系统在不久的将来,“杰里米Beguelin说,伯克利分校的研究人员之一。

在测试中,他们发现光功率损耗在整个开关为7.7 dB,光学带宽约30 nm的1550 nm波长,和切换操作的速度50μs,优于其它光子开关的方法。

有弹性的天线
宾夕法尼亚州立大学的研究人员,赫瑞瓦特大学和中国科学院正在进行灵活、可伸缩的,可穿戴天线。他们有不同的挑战来自可穿戴传感器:当天线被压缩或拉伸,其共振频率(RF)变化和他们在波长发射无线电信号可能不匹配的天线的接收器。

“改变天线的几何形状会改变它的性能,“环宇“拉里”Cheng说,助理教授的宾州州立大学工程科学和力学工程。“我们想目标几何结构,允许运动而传输频率不变。”

为了应对这一问题,团队建立了灵活的发射机层。它使用一个铜网的模式重叠,波浪线。这个网格底层,接触到皮肤,顶层,作为天线的辐射单元。顶层创建一个双拱当压缩和伸展拉时,在这些阶段之间移动步骤的有序集合。天线的结构化过程网拱门,趋于平缓,并延伸可以提高整体层的灵活性和减少射频天线之间的波动的状态,根据程。

可穿戴发射机设计压缩双拱模式的顶层,这里显示,对运动不影响信号传输。图片来源:环宇

底部网状层防止无线电信号接触皮肤,保护佩戴者和防止信号退化。维持稳定的射频天线的能力从无线电波还允许发射机收集能量,Cheng说,有可能降低能源消费从外部来源。

能够传送无线数据在近300英尺,它也能够集成芯片或传感器。

“我们展示了强大的无线通信在一个可伸缩的发射机,”Cheng说。“据我们所知,这是第一个可穿戴天线,展品几乎完全改变谐振频率在较大范围的延伸。”

研究人员还创建了一个设备与一个类似的网状模式但缺乏双拱形的压缩结构测量和模拟变形和天线性能之间的关系。

他们指出,这种装置可以应用在健康监测和临床治疗,以及能源生产和存储。

培训AI的声音
AI在哥伦比亚大学研究人员发现,而不是标签与二进制数据训练图像,使用声音文件记录的演讲可能是一个更健壮的解决方案当训练数据是有限的。

研究人员创建了两个新的神经网络,训练他们的目标识别不同类型的对象集合的50000训练图像。

一个人工智能系统训练的传统方法,通过上传一个巨大的数据表包含数千行,每一行对应一个训练的照片。第一列是一个图像文件包含一个特定对象的照片或动物;未来10列对应于10个可能的对象类型:猫,狗,飞机,等。一个“1”在任何列显示正确答案,和九0年代显示不正确的答案。

第二网络是美联储数据表的行包含一个动物或物体的照片,和第二列包含一个记录人类声音的音频文件实际上表达的词描述动物或物体大声。

网络都是训练了15个小时。而不是返回一系列的1和0的对象类型,典型的网络,实验返回一个声音试图“说”什么是图像中的对象。起初,研究人员说声音是断章取义。有时这是一个混乱的多个类别,如“齿轮”,猫和狗。但他们发现,最终,声音大部分是正确的。

两个网络能够正确识别动物或物体中描述一张照片大约92%的时间,相同的结果在一个重复实验。

然而,当研究人员建立另一个使用更少的图像比较,实验网络的表现。这一次,网络只是给2500训练图像。控制网的精度下降至约35%,而实验网络的精度只下降到70%。

在另一个试验中,研究小组使用一个AI更加困难的照片是难以理解,如轻微损坏或奇怪的颜色主题。voice-trained神经网络对50%的时间是正确的,而numerically-trained网络只取得了20%的准确率。

“我们的发现直接运行与许多专家被训练如何看待电脑和数字;这是一个常见的假设二进制输入更有效的方式来传达信息的机器比类似的音频流信息丰富,”陈Boyuan解释说,这项研究的首席研究员。

“如果你思考人类语言的事实已经经历数万年的优化过程,那么它非常有意义,我们的口语词汇已经找到了一种良好的噪声和信号之间的平衡,”利普森说,哥伦比亚大学机械工程教授。”因此,当从香农熵的镜头,是有道理的,神经网络训练与人类语言优于神经网络训练通过简单的1和0。”

“我们应该考虑使用小说和更好的方法来训练人工智能系统,而不是收集更大的数据集,”陈补充道。“如果我们重新考虑我们目前的训练数据的机器,我们可以做得更好的老师。”