匹立尼酸

美国哈佛大学科学家在最新一期《光学》杂志上撰文称，他们研制出了首个集成在铌酸锂芯片上的激光器，为高功率通信系统、全集成光谱仪、光学遥感，以及量子网络的高效变频等应用铺平了道路。研究人员解释称，长距离通信网络、数据中心光互连和微波光子系统都依赖激光来产生光载波以用于数据传输。但大多数情况下，激光器是独立设备，位于调制器外部，这会使整个系统更昂贵，且稳定性和可扩展性也较差。在最新研究中，哈佛大学工程与应用科学学院（SEAS）的研究人员与行业合作伙伴携手，在铌酸锂芯片上开发了第一台全集成高功率激光器。他们将小型但功能强大的分布式反馈激光器集成在芯片上。这些激光器位于蚀刻在铌酸锂芯片内的小井或沟槽中，且与铌酸锂内的50千兆赫兹电光调制器相结合，构建了一个高功率发射器。最新研究资深作者马科隆卡尔说：“集成铌酸锂是开发高性能芯片级光学系统的重要平台，但将激光器安装到铌酸锂芯片上已被证明是一个极大的挑战。在这项研究中，我们借助纳米制造技巧和技术，克服了这些挑战，实现了在薄膜铌酸锂平台上集成高功率激光器的目标。”最新研究第一作者、SEAS研究生阿米拉桑沙姆斯安萨里说：“集成高性能即插即用激光器将显著降低未来通信系统的成本、复杂性和功耗。我们最新研制出来的这款集成激光器可以集成到更大的光学系统中，用于传感、激光雷达和数据通信等一系列应用。”研究团队强调说，将薄膜铌酸锂器件与高功率激光器相结合，是朝着大规模、低成本、高性能发射阵列和光网络方向迈出的关键一步。他们计划继续提高激光器的功率和可扩展性，以使其能应用于更多领域。

近日，中科院合肥研究院健康所医用激光技术实验室江海河研究员课题组与中电科集团合作，在中红外波段声光调Q技术研究方面取得重要进展：首次实现了铌酸锂 (LiNbO3) 晶体声光开关及其在2.79 μm Er,Cr:YSGG激光器中的高效率调Q输出。相关成果已在国际光学期刊Optics Letters上发表。 　　声光调制器作为调Q开关广泛的应用于激光器来获得高重频、窄脉宽激光输出。虽然3 μm波段的几种声光Q开关已取得初步成果，但其中声光介质和换能器通常是不同的材料，这对器件的制作工艺提出了较高的要求，也增加了超声传播过程中的能量损失。因此，用声光介质和换能器相同的材料制作的性能优良、制作工艺简单的调制器是必要的。 　　铌酸锂晶体是一种传统的多功能晶体。近年来，极低光学损耗、光电功能丰富的铌酸锂薄膜光子学器件得到了迅速发展，铌酸锂有望在集成光子学领域替代硅材料，为突破通信领域功耗大、速度慢的瓶颈性问题提供解决方案。自1937年发现铌酸锂晶体以来，虽然它具有良好的声光特性，长期以来都被作为换能器材料，但是一直未能实现块状晶体的激光声光调Q开关。本研究实现了声光介质和换能器同质和一体化，即能简化制作工艺，降低辅助成本，也能降低超声能量的损失，使得铌酸锂声光Q开关的衍射效率达到57% (图1)，且铌酸锂晶体具有较高的抗损伤阈值(200 MW/cm2)。 　　自主研制的2.79 μm Er,Cr:YSGG声光调Q激光器验证了所设计的铌酸锂声光Q开关具有良好的声光调Q性能 (图2)，在50 Hz的高重复频率下得到了脉冲能量为17.6 mJ、脉冲宽度为55.2 ns、峰值功率为319 kW的激光输出，研制的Er,Cr:YSGG 铌酸锂声光调Q激光器能够实现稳定的、高峰值功率的激光输出。 　　本研究表明，铌酸锂晶体具有较高的衍射效率、较高的抗损伤阈值和良好的声光调Q性能，是3-5μm中红外波段高功率激光器的新型声光开关。同时，本研究为探索同质材料直接键合成为一体化声光器件的可能性迈进了一步。图1. 铌酸锂声光Q开关的衍射效率随驱动功率的变化曲线图2. PRF=50 Hz时，脉冲能量、脉冲宽度随泵浦能量的变化曲线

改进积雪密度的估计是目前雪研究的一个关键问题。表征密度时空变异性对于水当量的估算、水力发电和自然灾害（雪崩洪水等）的评估至关重要。高光谱成像是一种监测和估计其物理特性的有前途且可靠的工具。事实上，雪的光谱反射率在一定程度上受其物理特性变化的控制，尤其是在光谱的近红外（NIR）部分。为此，已经设计了几种模型根据光谱信息估算积雪密度。然而，还没有一个实现满意的结果。主要困难之一是积雪密度和光谱反射率之间的关系是非双射的（满射的）。事实上，几个反射振幅与相同的密度相关，反之亦然，所以密度和光谱反射率之间的相关性可能非常弱。基于此，为了解决该问题，本研究中提出了基于光谱数据的积雪密度估计混合模型。主要研究目标是利用高光谱NIR成像（PIKA NIR，RESONON Company）（900-1700 nm）以5.5 nm的光谱分辨率测试混合模型（HM）估计季节性积雪密度的性能。混合模型结合了一个分类器和3个与密度类别相关联的特定估算量（弱到中度变质雪（WMM），中度到高度变质雪（MHM）和高度到极高度变质雪（HVM））。利用2018（1.19-3.27）、2019（1.10-4.3）和2020（1.29-3.10）年冬季在加拿大魁北克国立科学研究院（INRS）的科技园内（46°47′43.22″北纬，-71°18′10″西经）收集的数据集校准和验证了HM。混合模型在两个水平进行评估：利用留一法交叉验证（LOOCV）算法和系统划分验证技术（SSV）。LOOCV技术用于评估3个特定估算量，SSV数据用于评估HM性能。4个统计评估指标（决定系数（R2），均方根误差（RMSE），偏差（BIAS）和纳什系数（NASH））用于评估模型的性能。 加拿大魁北克采样区地理位置。高光谱成像系统。（a）雪样垂直剖面的高光谱采集；（b）积雪垂直地层空间转换的假彩色RGB图像。【结果】 3种积雪类别的NIR光谱反射率。 混合模型估计特定估算量的结果；（a）WMM，（b）MHM，（c）HVM。混合模型特定估算量的LOOCV结果；（a）WMM，（b）MHM，（c）HVM。利用SSV数据估计区域混合模型。【结论】基于多元逐步回归的校准步骤结果表明，3种类型积雪均对不同NIR光谱区域敏感，局限于短波长和长波长。WMM对1265 nm和941 nm的波长敏感，MJM对1617 nm和941 nm的波长敏感，HVN对1424 nm和1188 nm的波长敏感。LOOCV技术强调了所有类别的特定估算量都趋向于略微高估积雪密度（BIAS＜0.1 kgm-3）。当用SSV数据挑战HM时，模型结果令人满意，R2=Nash=0.93，积雪密度略有低估（BIAS=1.03 kgm-3）。本研究的目的是开发一种基于积雪光学特性地方法，结合传统密度测量方法以减轻野外作业。利用HM估算积雪密度的关键步骤是最终特定估算量的选择。事实上，分类算法（如CART）是局部且不稳定的。这种不稳定性会显著影响利用HM的特定估算量的密度的准确性。换句话说，对于利用HM的理想建模过程，要建模的样品必须很好地分类，以便使用与该类对应的特定估算量来进行更优密度估计。否则，一个错误的特定估算量将会被选择，从而影响估算精度。例如，对于一个581 kgm-3的测量密度（分类为HVM），当分别利用HVM，MHM和WMM特定估算量估算时，相对误差变化了5%、39%和75%。另一方面，该方法的另一阻碍是野外和恢复的高光谱图像上均匀积雪层的正确选择。因此，需要进行额外的野外工作来收集更多的数据以克服这一弱点并允许适当的野外实施。HM提供了一种改进工具来监测季节性积雪的演变，即使对于低到中等的积雪密度，其性能也令人满意。该研究结果是开发一种在野外连续监测积雪密度剖面的有效方法的重要一步。 请点击如下链接，阅读原文：PIKA NIR高光谱成像在估算积雪密度上的应用