Abstract The past few years have witnessed the significant impacts of wearable electronics/photonics on various aspects of our daily life, for example, healthcare monitoring and treatment, ambient monitoring, soft robotics, prosthetics, flexible display, communication, human‐machine interactions, and so on. According to the development in recent years, the next‐generation wearable electronics and photonics are advancing rapidly toward the era of artificial intelligence (AI) and internet of things (IoT), to achieve a higher level of comfort, convenience, connection, and intelligence. Herein, this review provides an opportune overview of the recent progress in wearable electronics, photonics, and systems, in terms of emerging materials, transducing mechanisms, structural configurations, applications, and their further integration with other technologies. First, development of general wearable electronics and photonics is summarized for the applications of physical sensing, chemical sensing, human‐machine interaction, display, communication, and so on. Then self‐sustainable wearable electronics/photonics and systems are discussed based on system integration with energy harvesting and storage technologies. Next, technology fusion of wearable systems and AI is reviewed, showing the emergence and rapid development of intelligent/smart systems. In the last section of this review, perspectives about the future development trends of the next‐generation wearable electronics/photonics are provided, that is, toward multifunctional, self‐sustainable, and intelligent wearable systems in the AI/IoT era. image

Abstract The era of artificial intelligence and internet of things is rapidly developed by recent advances in wearable electronics. Gait reveals sensory information in daily life containing personal information, regarding identification and healthcare. Current wearable electronics of gait analysis are mainly limited by high fabrication cost, operation energy consumption, or inferior analysis methods, which barely involve machine learning or implement nonoptimal models that require massive datasets for training. Herein, we developed low-cost triboelectric intelligent socks for harvesting waste energy from low-frequency body motions to transmit wireless sensory data. The sock equipped with self-powered functionality also can be used as wearable sensors to deliver information, regarding the identity, health status, and activity of the users. To further address the issue of ineffective analysis methods, an optimized deep learning model with an end-to-end structure on the socks signals for the gait analysis is proposed, which produces a 93.54% identification accuracy of 13 participants and detects five different human activities with 96.67% accuracy. Toward practical application, we map the physical signals collected through the socks in the virtual space to establish a digital human system for sports monitoring, healthcare, identification, and future smart home applications.

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 Triboelectric nanogenerator (TENG) technology is a promising research field for energy harvesting and nanoenergy and nanosystem (NENS) in the aspect of mechanical, electrical, optical, acoustic, fluidic, and so on. This review systematically reports the progress of TENG technology, in terms of energy‐boosting, emerging materials, self‐powered sensors, NENS, and its further integration with other potential technologies. Starting from TENG mechanisms including the ways of charge generation and energy‐boosting, we introduce the applications from energy harvesters to various kinds of self‐powered sensors, that is, physical sensors, chemical/gas sensors. After that, further applications in NENS are discussed, such as blue energy, human‐machine interfaces (HMIs), neural interfaces/implanted devices, and optical interface/wearable photonics. Moving to new research directions beyond TENG, we depict hybrid energy harvesting technologies, dielectric‐elastomer‐enhancement, self‐healing, shape‐adaptive capability, and self‐sustained NENS and/or internet of things (IoT). Finally, the outlooks and conclusions about future development trends of TENG technologies are discussed toward multifunctional and intelligent systems. image

Midinfrared (MIR), which covers numerous molecular vibrational fingerprints, has attracted enormous research interest due to its promising potential for label-free and damage-free sensing. Despite intense development efforts, the realization of waveguide-integrated on-chip sensing system has seen very limited success to date. The huge lattice mismatch between silicon and the commonly used detection materials such as HgCdTe, III-V, or II-VI compounds has been the key bottleneck that hinders their integration. Here, we realize an integration of silicon-on-insulator (SOI) waveguides with black phosphorus (BP) photodetectors. When operating near BP's cutoff wavelength where absorption is weak, the light-BP interaction is enhanced by exploiting the optical confinement in the Si waveguide and grating structure to overcome the limitation of absorption length constrained by the BP thickness. Devices with different BP crystal orientation and thickness are compared in terms of their responsivity and noise equivalent power (NEP). Spectral photoresponse from 3.68 to 4.03 μm was investigated. Additionally, power-dependent responsivity and gate-tunable photocurrent were also studied. At a bias of 1 V, the BP photodetector achieved a responsivity of 23 A/W at 3.68 μm and 2 A/W at 4 μm and a NEP less than 1 nW/Hz1/2 at room temperature. The integration of passive Si photonics and active BP photodetector is envisaged to offer a potential pathway toward the realization of integrated on-chip systems for MIR sensing applications.

Abstract Advancements in optical coherence control 1–5 have unlocked many cutting-edge applications, including long-haul communication, light detection and ranging (LiDAR) and optical coherence tomography 6–8 . Prevailing wisdom suggests that using more coherent light sources leads to enhanced system performance and device functionalities 9–11 . Our study introduces a photonic convolutional processing system that takes advantage of partially coherent light to boost computing parallelism without substantially sacrificing accuracy, potentially enabling larger-size photonic tensor cores. The reduction of the degree of coherence optimizes bandwidth use in the photonic convolutional processing system. This breakthrough challenges the traditional belief that coherence is essential or even advantageous in integrated photonic accelerators, thereby enabling the use of light sources with less rigorous feedback control and thermal-management requirements for high-throughput photonic computing. Here we demonstrate such a system in two photonic platforms for computing applications: a photonic tensor core using phase-change-material photonic memories that delivers parallel convolution operations to classify the gaits of ten patients with Parkinson’s disease with 92.2% accuracy (92.7% theoretically) and a silicon photonic tensor core with embedded electro-absorption modulators (EAMs) to facilitate 0.108 tera operations per second (TOPS) convolutional processing for classifying the Modified National Institute of Standards and Technology (MNIST) handwritten digits dataset with 92.4% accuracy (95.0% theoretically).