Many breakthroughs in the laboratories often do not bridge the gap between research and commercialization. However, silicon photonics bucked the trend, with industry observers estimating the commercial market to close in on a billion dollars in 2020 [45]. Silicon photonics leverages the billions of dollars and decades of research poured into silicon semiconductor device processing to enable high yield, robust processing, and most of all, low cost. Silicon is also a good optical material, with transparency in the commercially important infrared wavelength bands, and is a suitable platform for large-scale photonic integrated circuits. Silicon photonics is therefore slated to address the world's ever-increasing needs for bandwidth. It is part of an emerging ecosystem which includes designers, foundries, and integrators. In this paper, we review most of the foundries that presently enable silicon photonics integrated circuits fabrication. Some of these are pilot lines of major research institutes, and others are fully commercial pure-play foundries. Since silicon photonics has been commercially active for some years, foundries have released process design kits (PDK) that contain a standard device library. These libraries represent optimized and well-tested photonic elements, whose performance reflects the stability and maturity of the integration platforms. We will document the early works in silicon photonics, as well as its commercial status. We will provide a comprehensive review of the development of silicon photonics and the foundry services which enable the productization, including various efforts to develop and release PDK devices. In this context, we will report the long-standing efforts and contributions that previously IME/A^*STAR and now AMF has dedicated to accelerating this journey.

Abstract Complex-valued neural networks have many advantages over their real-valued counterparts. Conventional digital electronic computing platforms are incapable of executing truly complex-valued representations and operations. In contrast, optical computing platforms that encode information in both phase and magnitude can execute complex arithmetic by optical interference, offering significantly enhanced computational speed and energy efficiency. However, to date, most demonstrations of optical neural networks still only utilize conventional real-valued frameworks that are designed for digital computers, forfeiting many of the advantages of optical computing such as efficient complex-valued operations. In this article, we highlight an optical neural chip (ONC) that implements truly complex-valued neural networks. We benchmark the performance of our complex-valued ONC in four settings: simple Boolean tasks, species classification of an Iris dataset, classifying nonlinear datasets (Circle and Spiral), and handwriting recognition. Strong learning capabilities (i.e., high accuracy, fast convergence and the capability to construct nonlinear decision boundaries) are achieved by our complex-valued ONC compared to its real-valued counterpart.

Silicon photonic integrated circuits for telecommunication and data centers have been well studied in the past decade, and now most related efforts have been progressing toward commercialization. Scaling up the silicon-on-insulator (SOI)-based device dimensions in order to extend the operation wavelength to the short mid-infrared (MIR) range (2–4 μm) is attracting research interest, owing to the host of potential applications in lab-on-chip sensors, free space communications, and much more. Other material systems and technology platforms, including silicon-on-silicon nitride, germanium-on-silicon, germanium-on-SOI, germanium-on-silicon nitride, sapphire-on-silicon, SiGe alloy-on-silicon, and aluminum nitride-on-insulator are explored as well in order to realize low-loss waveguide devices for different MIR wavelengths. In this paper, we will comprehensively review silicon photonics for MIR applications, with regard to the state-of-the-art achievements from various device demonstrations in different material platforms by various groups. We will then introduce in detail of our institute’s research and development efforts on the MIR photonic platforms as one case study. Meanwhile, we will discuss the integration schemes along with remaining challenges in devices (e.g., light source) and integration. A few application-oriented examples will be examined to illustrate the issues needing a critical solution toward the final production path (e.g., gas sensors). Finally, we will provide our assessment of the outlook of potential future research topics and engineering challenges along with opportunities.

Abstract Silicon photonics leverages the optical, electrical and material properties of silicon and the mature complementary metal‐oxide semiconductor (CMOS) nanofabrication technique to develop on‐chip photonic integration, which has been making significant impacts in various frontiers including next‐generation optical communications networks, on‐chip optical interconnects for high‐speed energy‐efficient computing and biosensing. Among many optical structures fabricated on silicon chips, microresonators due to their high‐Q resonances and small footprints play important roles in various devices including lasers, filters, modulators, switches, routers, delays, detectors and sensors. This paper reviews from a microresonator perspective some of the latest progress in the field, summarizes design considerations in various applications and points out key challenges and potentials.

ABSTRACT Significance Light-sheet fluorescence microscopy is a powerful technique for high-speed volumetric functional imaging. However, in typical light-sheet microscopes, the illumination and collection optics impose significant constraints upon the imaging of non-transparent brain tissues. Here, we demonstrate that these constraints can be surmounted using a new class of implantable photonic neural probes . Aim Mass manufacturable, silicon-based light-sheet photonic neural probes can generate planar patterned illumination at arbitrary depths in brain tissues without any additional micro-optic components. Approach We develop implantable photonic neural probes that generate light sheets in tissue. The probes were fabricated in a photonics foundry on 200 mm diameter silicon wafers. The light sheets were characterized in fluorescein and in free space. The probe-enabled imaging approach was tested in fixed and in vitro mouse brain tissues. Imaging tests were also performed using fluorescent beads suspended in agarose. Results The probes had 5 to 10 addressable sheets and average sheet thicknesses < 16 μm for propagation distances up to 300 μm in free space. Imaging areas were as large as ≈ 240 μm × 490 μm in brain tissue. Image contrast was enhanced relative to epifluorescence microscopy. Conclusions The neural probes can lead to new variants of light-sheet fluorescence microscopy for deep brain imaging and experiments in freely-moving animals.

Scandium aluminum nitride (ScAlN) has recently emerged as an attractive material for integrated photonics due to its favorable nonlinear optical properties and compatibility with complementary metal–oxide semiconductor (CMOS) fabrication. Despite the promising and versatile material properties, it is still an outstanding challenge to realize low-loss photonic circuits on thin-film ScAlN-on-insulator wafers. Here, we present a systematic study on the material quality of sputtered thin-film Sc0.1Al0.9N produced in a CMOS-compatible 200 mm line, including its crystallinity, roughness, and second-order optical nonlinearity, and developed an optimized fabrication process to yield 400 nm thick, fully etched waveguides. With surface polishing and annealing, we achieve micro-ring resonators with an intrinsic quality factor as high as 1.47 × 105, corresponding to a propagation loss of 2.4 dB/cm. These results serve as a critical step toward developing future large-scale, low-loss photonic integrated circuits based on ScAlN.

Abstract Optogenetics has transformed neuroscience by allowing precise manipulation of neural circuits with light [1–5]. However, a central difficulty has been to deliver spatially shaped light and record deep within the brain without causing damage or significant heating. Current approaches form the light beam in free space and record the neural activity using fluorescence imaging or separately inserted electrodes [6–9], but attenuation limits optical penetration to around 1 mm of the brain surface [10]. Here, we overcome this challenge with foundry-fabricated implantable silicon neural probes that combine microelectrodes for electrophysiology recordings with nanophotonic circuits that emit light with engineered beam profiles and minimal thermal impact. Our experiments reveal that planar light sheets, emitted by our neural probes, excited more neurons and induced greater firing rate fatigue in layers V and VI of the motor and somatosensory cortex of Thy1-ChR2 mice at lower output intensities than low divergence beams. In the hippocampus of an epilepsy mouse model, we induced seizures, a network-wide response, with light sheets without exceeding the ∼ 1 ◦ C limit for thermally induced electrophysiological responses [11–13]. These findings show that optical spatial profiles can be tailored for optogenetic stimulation paradigms and that the probes can photostimulate and record neural activity at single or population levels while minimizing thermal damage to brain tissue. The neural probes, made in a commercial silicon photonics foundry on 200-mm silicon wafers, demonstrate the manufacturability of the technology. The prospect of monolithically integrating additional well-established silicon photonics devices, such as wavelength and polarization multiplexers, temperature sensors, and optical power monitors, into the probes holds the potential of realizing more versatile, implantable tools for multimodal brain activity mapping.

Reducing noise in quantum systems is a significant challenge in advancing quantum technologies. We propose and demonstrate a noise reduction scheme utilizing a quantum autoencoder, which offers rigorous performance guarantees. The quantum autoencoder is trained to compress noisy quantum states into a latent subspace and eliminate noise through projective measurements. We identify various noise models in which the noiseless state can be perfectly reconstructed, even at high noise levels. We apply the autoencoder to cool thermal states to the ground state and reduce the cost of magic state distillation by several orders of magnitude. Our autoencoder can be implemented using only unitary transformations without the need for ancillas, making it immediately compatible with state-of-the-art quantum technologies. We experimentally validate our noise reduction methods in a photonic integrated circuit. Our results have direct applications in enhancing the robustness of quantum technologies against noise.

Abstract We have designed, fabricated, and characterized implantable silicon neural probes with nanophotonic grating emitters that focus the emitted light at a specified distance above the surface of the probe for spatially precise optogenetic targeting of neurons. Using the holographic principle, we designed gratings for wavelengths of 488 and 594 nm, targeting the excitation spectra of the optogenetic actuators Channelrhodopsin-2 and Chrimson, respectively. The measured optical emission pattern of these emitters in non-scattering medium and tissue matched well with simulations. To our knowledge, this is the first report of focused spots with the size scale of a neuron soma in brain tissue formed from implantable neural probes.