Mini/Micro LED巨量转移技术研究与发展现状

对巨量转移（Mass Transfer, MT）方案和运动定位平台（Motion Positioning Platform, MPP）的研究现状及其未来发展进行了详细阐述。根据芯片转移方式，将MT方案分为精准拾取-释放技术、自组装技术、滚轴转印技术、激光剥离技术，结合芯片转移效率和良率，论述了国内外MT方案的发展过程。在此基础上，从平台支撑方式，详细介绍了机械构型、气浮构型、磁浮构型和混合构型的MPP结构及工作原理，考虑运动行程、运动定位精度等因素，比较了MPP性能的优劣。展望了MT方案和MPP技术的未来发展方向，指出基于微孔液气双态介质的激光剥离MT和具备周向小角度修正以及轴向微高度调节能力的“机械+磁浮”混合构型MPP是Mini/Micro LED芯片转移技术的研究重点。     

面向类脑计算的氧化物忆阻器

类脑神经形态计算通过电子或光子器件集成来模拟人脑结构和功能。人工突触是类脑系统中数量最多的计算单元。忆阻器可模拟突触功能,并具有优异的尺寸缩放性和低能耗,是实现人工突触的理想元器件。利用欧姆定律和基尔霍夫定律,忆阻器交叉阵列可执行并行的原位乘累加运算,从而大幅提升类脑系统处理模拟信号的速度。氧化物制备容易,和CMOS工艺兼容性强,是使用最广泛的忆阻器材料。本文梳理了氧化物忆阻器的研究进展,分别讨论了电控、光电混合调控和全光控忆阻器,主要聚焦阻变机理、器件结构和性能。电控忆阻器工作一般会产生微结构变化和焦耳热,将严重影响器件稳定性,改进器件结构和材料成分可有效改善器件性能。利用光信号调控忆阻器电导,不仅能降低能耗,而且可避免产生微结构变化和焦耳热,从而有望解决稳定性难题。此外,光控忆阻器能直接感受光刺激,单器件即可实现感/存/算功能,可用于研发新型视觉传感器。因此,全光控忆阻器的实现为忆阻器的研究和应用打开了一扇新窗口。     

极低本底单频激光相对强度噪声测试方法研究

针对高速光通信和微波光子系统对单频激光源极低相对强度噪声（RIN）的需求，开展了极低本底相对强度噪声测试方法的研究。首先分析了相对强度噪声测试中激光相对强度噪声、系统散粒噪声和热噪声等主要要素的影响，然后提出了基于增大光电流并结合低热噪声的频谱探测的方式降低测量极限的方法，实现了极低本底单频激光相对强度噪声测试，频谱分析频段可达到40 GHz，测量本底达-171 dBc/Hz。基于该方法和系统，更加精细地研究、表征了光通信中的光放大和强度调制过程的相对强度噪声特征，清晰地展示了极低本底下典型激光光源的噪声滚降和多个弛豫振荡峰、强度调制谐波失真等特性，证实了极低本底噪声测量方法的有效性。研究结果在激光器性能的设计优化和应用系统的选型评估等方面具有重要的应用前景。     

CsI:Tl余辉产生和抑制机理的第一性原理研究

CsI∶Tl晶体受其余辉特性的影响，限制了其在快速X射线成像领域的推广应用。为探索CsI∶Tl晶体的余辉产生机理和抑制方法，利用Material Studio软件建立了纯CsI晶体、CsI∶Tl晶体和CsI∶Tl,Eu晶体的超晶胞模型，基于密度泛函理论的第一性原理及广义梯度近似和超软赝势框架计算三个模型的总态密度和分态密度。结果表明，CsI∶Tl晶体发射余辉是由于Tl掺杂引入的浅杂质能级约束了少量电子跃迁过程，导致余辉光子的延迟发射。而Eu共掺杂将在CsI∶Tl晶体中引入更深的杂质能级，能够有效地清除受限于Tl引入的浅电子陷阱的电子，并防止电子受环境热扰动影响重新受激发射二次光子，从而有效抑制CsI∶Tl晶体中余辉光子发射。     

大动态范围太赫兹频段雷达散射截面测量

针对目前太赫兹频段雷达散射截面(RCS)测量动态范围较小的问题,提出了一种结构分段定标结合数据分段处理的大动态范围RCS获取方法.基于相对定标理论分析了单一定标测量方式对RCS测量范围与测量精度的限制,并通过对光滑金属球与圆柱的实验测量进行了验证.通过光滑金属平板的RCS测量讨论了衰减元件的引入对系统测量精度与测量范围...     

新型光控砷化镓/侧边抛磨太赫兹光纤调制器

太赫兹调制器作为太赫兹技术应用的重要器件之一，在太赫兹通信、成像和传感等领域具有广泛应用前景。但是目前太赫兹调制器调制深度、工作带宽、稳定性等有待提升，这制约了太赫兹技术的进一步推广与发展。基于此，设计并制备了一种新型光控砷化镓/侧边抛磨太赫兹光纤（SPTF）调制器，将砷化镓转移到太赫兹光纤抛磨区，增强太赫兹波倏逝场与砷化镓相互作用。在外置808 nm激光器照射下实现对太赫兹波幅度调制，调制深度达到97.4%。实验结果表明，这种新型的光纤调制器具有较好的光控调制效果。同时，该器件体积小、集成度高，具有广泛应用的潜力。     

基于语义损失的红外与可见光图像融合算法

提出了一种基于语义损失的红外与可见光图像融合算法，通过语义损失引导生成图像包含更多语义信息，满足高级视觉任务需求。首先使用预训练的分割网络对融合图像进行分割，分割结果与标签图构成语义损失，在语义损失和内容损失的共同引导下，迫使融合网络在保证融合图像质量的前提下同时兼顾图像语义信息量，融合图像满足高级视觉任务需求。同时本文还设计了一种新的特征提取模块，通过残差密集连接实现特征重用，提高细节描述能力，进一步减轻融合框架，从而提高图像融合的时间效率。实验结果表明，本文算法在主观视觉效果和定量指标方面优于现有融合算法，且融合图像包含更丰富的语义信息。     

基于改进YOLOv3的浮游藻类检测算法

浮游藻类的种类多样性和群落结构是水生态环境建设评价的重要指标，利用细胞图像对其进行识别是实现浮游藻类检测的重要手段。相较于传统的显微镜检法，基于深度学习的目标检测算法因更高效的检测能力而越来越多地被运用到浮游藻类检测领域。针对YOLOv3目标检测算法对部分形态小、边界模糊和粘连浮游藻类的检测精度低等问题，采用空间金字塔池化（SPP）结构改进了YOLOv3目标检测算法的特征提取方式，采用广义交并比（GIoU）边界损失函数改进了YOLOv3目标检测算法的边界损失函数，最终构建了一种基于SPP和GIoU改进的YOLOv3浮游藻类检测算法（SPP-GIoU-YOLOv3）。实验结果表明：在检测速度无明显差异的情况下，所提SPP-GIoU-YOLOv3分类检测算法对实验藻类的平均精度均值达95.21%，比YOLOv3目标检测算法提高了4.24个百分点。本研究为发展准确快速的浮游藻类检测方法技术提供了一定的基础。