Quantum technologies comprise an emerging class of devices capable of controlling superposition and entanglement of quantum states of light or matter, to realize fundamental performance advantages over ordinary classical machines. The technology of integrated quantum photonics has enabled the generation, processing and detection of quantum states of light at a steadily increasing scale and level of complexity, progressing from few-component circuitry occupying centimetre-scale footprints and operating on two photons, to programmable devices approaching 1,000 components occupying millimetre-scale footprints with integrated generation of multiphoton states. This Review summarizes the advances in integrated photonic quantum technologies and its demonstrated applications, including quantum communications, simulations of quantum chemical and physical systems, sampling algorithms, and linear-optic quantum information processing. This Review covers recent progress in integrated quantum photonics (IQP) technologies and their applications. The challenges and opportunities of realizing large-scale, monolithic IQP circuits for future quantum applications are discussed.

A Twist of Light The angular momentum of photons can be used to encode and transmit information. Cai et al. (p. 363 ) developed a method for generating and emitting controllable orbital angular momentum states of light from a reconfigurable and scalable silicon photonic chip. Using micro-ring resonators embedded with angular gratings allowed the imprinting of optical angular momentum on the light propagating in the whispering gallery modes of the resonator. The method may enable large-scale integration of optical vortex emitters on complementary metal-oxide–semiconductor-compatible silicon chips.

Photonics is a promising platform for implementing universal quantum information processing. Its main challenges include precise control of massive circuits of linear optical components and effective implementation of entangling operations on photons. By using large-scale silicon photonic circuits to implement an extension of the linear combination of quantum operators scheme, we realize a fully programmable two-qubit quantum processor, enabling universal two-qubit quantum information processing in optics. The quantum processor is fabricated with mature CMOS-compatible processing and comprises more than 200 photonic components. We programmed the device to implement 98 different two-qubit unitary operations (with an average quantum process fidelity of 93.2 ± 4.5%), a two-qubit quantum approximate optimization algorithm, and efficient simulation of Szegedy directed quantum walks. This fosters further use of the linear-combination architecture with silicon photonics for future photonic quantum processors. A fully programmable two-qubit quantum processor with more than 200 components is demonstrated by using silicon photonic circuits. A two-qubit quantum approximate optimization algorithm and simulation of Szegedy quantum walks are implemented.

The key drivers of 6G result not only from the challenges and performance limits that 5G presents but also from the technology-driven paradigm shift and the continuous evolution of wireless networks. Intelligent driving and industry revolutions create core requirements for 6G that will lead to service classes of ubiquitous mobile ultrabroadband (uMUB), ultrahighspeed-with-low-latency communications (uHSLLC), and ultrahigh data density (uHDD).

The ability to control multidimensional quantum systems is key for the investigation of fundamental science and for the development of advanced quantum technologies. Here we demonstrate a multidimensional integrated quantum photonic platform able to robustly generate, control and analyze high-dimensional entanglement. We realize a programmable bipartite entangled system with dimension up to $15 \times 15$ on a large-scale silicon-photonics quantum circuit. The device integrates more than 550 photonic components on a single chip, including 16 identical photon-pair sources. We verify the high precision, generality and controllability of our multidimensional technology, and further exploit these abilities to demonstrate key quantum applications experimentally unexplored before, such as quantum randomness expansion and self-testing on multidimensional states. Our work provides a prominent experimental platform for the development of multidimensional quantum technologies.

Abstract Cytomembrane‐derived nanoplatforms are an effective biomimetic strategy in cancer therapy. To improve their functionality and expandability for enhanced vaccination, a eukaryotic–prokaryotic vesicle (EPV) nanoplatform is designed and constructed by fusing melanoma cytomembrane vesicles (CMVs) and attenuated Salmonella outer membrane vesicles (OMVs). Inheriting the virtues of the parent components, the EPV integrates melanoma antigens with natural adjuvants for robust immunotherapy and can be readily functionalized with complementary therapeutics. In vivo prophylactic testing reveals that the EPV nanoformulation can be utilized as a prevention vaccine to stimulate the immune system and trigger the antitumor immune response, combating tumorigenesis. In the melanoma model, the poly(lactic‐ co ‐glycolic acid)–indocyanine green (ICG) moiety (PI)‐implanted EPV (PI@EPV) in conjunction with localized photothermal therapy with durable immune inhibition shows synergetic antitumor effects as a therapeutic vaccine. The eukaryotic–prokaryotic fusion strategy provides new perspectives for the design of tumor‐immunogenic, self‐adjuvanting, and expandable vaccine platforms.

Patients with prostate cancer more likely die of non-cancer cause of death (COD) than prostate cancer. It is thus important to accurately predict multi-category COD in these patients. Random forest (RF), a popular machine learning model, has been shown useful for predicting binary cancer-specific deaths. However, its accuracy for predicting multi-category COD in cancer patients is unclear. We included patients in Surveillance, Epidemiology, and End Results-18 cancer registry-program with prostate cancer diagnosed in 2004 (followed-up through 2016). They were randomly divided into training and testing sets with equal sizes. We evaluated prediction accuracies of RF and conventional-statistical/multinomial models for 6-category COD by data-encoding types using the 2-fold cross-validation approach. Among 49,864 prostate cancer patients, 29,611 (59.4%) were alive at the end of follow-up, and 5,448 (10.9%) died of cardiovascular disease, 4,607 (9.2%) of prostate cancer, 3,681 (7.4%) of Non-Prostate cancer, 717 (1.4%) of infection, and 5,800 (11.6%) of other causes. We predicted 6-category COD among these patients with a mean accuracy of 59.1% (n=240, 95% CI, 58.7%-59.4%) in RF models with one-hot encoding, and 50.4% (95% CI, 49.7%-51.0%) in multinomial models. Tumor characteristics, prostate-specific antigen level, and diagnosis confirmation-method were important in RF and multinomial models. In RF models, no statistical differences were found between the accuracies of development versus cross validation phases, and those of categorical versus one-hot encoding. We here report a RF model that has an accuracy of 59.1% in predicting long-term 6-category COD among prostate cancer patients. It outperforms multinomial logistic models (absolute prediction-accuracy difference, 8.7%).