1. 重磅突破！上海企业发布全球首款百万级原子光镊阵列芯片
2. 北京大学电子学院梁学磊团队在碳纳米管单片三维集成与传感-计算一体化电路研究中取得重要进展
3. 电子科技大学光电学院在Nature Communications发表红外探测成像研究成果
4. 北京大学集成电路学院/集成电路高精尖创新中心贺明研究员团队在多模态感知融合研究中取得重要进展
5. 西安交通大学数学与统计学院AI团队Nature Communications两连发
6. 清华大学深圳国际研究生院曾龙、冯平法团队系统提出具身智能工业机器人框架与技术
1. 重磅突破！上海企业发布全球首款百万级原子光镊阵列芯片
近日，上海本土企业璇相科技成功研制全球首款可产生百万级原子光镊阵列的超表面芯片，突破了长期制约中性原子量子计算规模化扩展的核心光学瓶颈，为迈向百万比特量级通用容错量子计算补齐了关键前置硬件能力。
本次成果由璇相科技与原子量子计算企业中器无量联合攻关，璇相科技负责芯片研发，中器无量提供中性原子实验平台及系统级验证支持。该成果不仅标志着我国在大规模中性原子量子计算关键硬件方向取得重要突破，也成为上海中性原子、光芯片与微纳制造等产业链协同攻关的重要里程碑。
图1：超表面原子光镊艺术渲染图
量子计算作为我国重点布局的未来产业之一，要迈向真正可用的通用容错系统，需在保持高保真操控、低串扰、可纠错架构兼容性和系统长期稳定性的基础上，实现量子比特规模向百万量级跃迁；这被视为通用容错量子计算走向实用化的重要前提之一。无论是复杂科学计算，还是面向密码分析等高难度任务，量子计算系统都需要足够大的量子比特规模和纠错资源作为支撑。但从全球范围看，各主流量子计算路线距离百万级物理比特的稳定运行和工程化部署仍有显著差距。
量子技术的光学瓶颈
璇相科技本次发布的百万级光镊芯片，面向超大规模原子量子比特制备这一科学难题，提出了芯片级工程化解决方案。该芯片在指尖大小的区域内集成数亿个纳米级光学单元，可将单束激光直接转化为百万级光镊阵列，显著降低原子光镊系统的复杂度，改变了行业仅能依靠大规模自由空间光路实现受限规模原子阵列的既往状态。同时，百万级光镊芯片具备标准化集成与批量复制迭代的产业化优势，以芯片化方式从底层破解大规模原子阵列光场生成难题，补齐通向百万比特量子计算机的关键前置硬件能力，并可同步赋能量子精密测量等前沿应用领域。
图2：百万光镊阵列测试结果图
协同创新闭环验证
百万级光镊阵列对芯片设计、微纳加工、光场表征与系统适配提出了更高要求，现有中性原子实验平台中的许多关键部件尚未适配如此大规模的阵列。围绕光路耦合、阵列表征、平台适配与测试流程等关键环节，璇相科技与中器无量开展多轮协同验证：中器无量的中性原子实验平台为芯片提供真实运行环境，并将系统对光镊阵列的实际需求持续反馈至芯片设计、制备与验证迭代中，最终共同完成了百万级超表面光镊芯片从制备、光场测试到真实中性原子平台实机验证的闭环。除中器无量外，上海另一家中性原子企业太一量生也已导入该系列光镊芯片，并开展大规模阵列相关实验。
面向下一阶段研发，璇相科技表示，将以本次百万级光镊芯片为基础，联合上海量子产业生态伙伴，持续攻关十万级以上原子装载、整机系统集成与长期稳定运行等核心工程化课题。业内人士认为，百万级光镊芯片打通了大规模中性原子阵列构建的重要前置硬件环节，但迈向百万比特量级量子计算机仍面临多维度系统工程挑战，仍需产业链各方持续协同攻关，推动通用量子计算加速落地。
生态协同助力勇闯科技创新深水区
习近平总书记在加强基础研究座谈会上强调，基础研究是整个科学体系的源头，是所有技术问题的总机关。本次成果是上海量子产业链围绕科学和工程交叉问题的一次 “科学需求牵引芯片研发、芯片突破反推系统升级” 的协同典型范本。也是激励企业提高研发意愿，勇于面向基础科学和工程化难题并大胆创新的一项成果。得益于上海在中性原子量子计算、光芯片、精密光学、微纳制造和高端激光器件等方向的协同基础，光芯片企业和中性原子企业能够在真实系统中共同创新、快速迭代。这不仅在科技创新的深水区中书写中国智慧的答案，也将进一步吸引更多优质企业，共创更具创新活力和高质量的科创聚集区，为促进高水平科技自立自强，建设科技强国提供有力支撑。
2. 北京大学电子学院梁学磊团队在碳纳米管单片三维集成与传感-计算一体化电路研究中取得重要进展
互补场效应晶体管（Complementary Field-Effect Transistors, CFET）技术通过将N-FET与P-FET垂直堆叠，被视为继FinFET/GAA纳米片之后，进一步提升逻辑密度、缩短互连长度并缩减单元面积的关键架构。国际半导体器件与系统路线图（International Roadmap for Devices and Systems, IRDS）已将CFET列为亚2nm技术节点的重要器件形态，并预测其将在2032年前后进入实际应用阶段。在近期的IEDM、VLSI等国际会议上，台积电、imec和三星等企业与研究机构相继展示了面向CFET的硅纳米片垂直堆叠、顺序集成、介电隔离、接触工程及工艺热预算控制等关键技术进展，表明CFET已从概念验证阶段迈入面向制造集成的系统攻关阶段。二维半导体与碳纳米管被公认为后硅时代重要的晶体管沟道候选材料。目前，基于二维半导体以及二维材料/硅混合集成的CFET器件与电路已有报道，显示出原子级薄沟道材料在垂直互补器件中的巨大潜力。然而，兼具高迁移率、低温后端工艺兼容性以及三维集成优势的碳纳米管材料，至今尚未实现真正意义上的CFET器件与电路。
近日，电子学院梁学磊团队成功研制出基于全碳纳米管的CFET架构数字逻辑电路。针对碳纳米管P/N器件驱动能力不均衡以及上层工艺导致底层器件性能退化等挑战，团队采用无掺杂CMOS策略，通过优化器件结构设计，使顶层N-FET与底层P-FET不仅保持完全相同的占位面积，而且实现了性能的高度平衡与完美匹配。
图1. 碳纳米管CFET器件结构及顶层N-FET与底层P-FET性能的高度平衡与完美匹配
由此制备的CFET反相器在0.2–1 V的宽电压范围内均表现出极佳的轨到轨传输特性和低功耗优势。在1 V工作电压下，电压增益最高可达164，为当前低维半导体CFET反相器中的最高值。得益于优异的器件稳定性和极高的噪声容限（61%–80% Vdd），团队成功构建了或非门、或门、与非门、与门、4管静态随机存取存储器（4T-SRAM）单元，以及首个基于全碳纳米管CFET架构的五级环形振荡器。
图2. 碳纳米管CFET反相器的性能及其与已有报道结果的对比
利用CFET架构所固有的双层碳管结构，团队还研制出三维堆叠光电二极管，不仅提升了光利用率，还实现了两层级联结构开路光电压约为单层结构的两倍，验证了三维架构下的可叠加增益。进一步，将三维光电二极管的输出直接耦合至CFET反相器的输入端，团队构建了首个三维集成的碳纳米管传感-计算一体化电路原型，在1200–1900 nm宽谱范围内实现了光功率与光谱信息的感知与逻辑处理，在1900 nm处的最小转换功率低至45 μW。
图3. 单片集成的3D传感-计算电路及其对光功率和光谱信息的感知与逻辑处理
这一成果不仅填补了碳纳米管CFET架构研究的空白，也为面向未来人工智能与边缘计算的高密度近感/感内计算架构提供了全新的技术方案。相关研究以“Monolithic Integration of Carbon Nanotube-Based Complementary Field-Effect Transistors with 3D-Stacked Photodiodes for Unified Sensing and Computing”为题，于2026年6月17日在线发表于《美国化学会·纳米》（ACS Nano）。北京大学电子学院博士研究生罗潇、章皓昱为论文共同第一作者，梁学磊教授为通讯作者。该项研究得到了国家自然科学基金、国家重点研发计划以及中国博士后科学基金等项目的资助与支持。
3. 电子科技大学光电学院在Nature Communications发表红外探测成像研究成果
近日，光电科学与工程学院蒋亚东团队王军课题组在光电探测与智能感知领域取得最新研究进展，成功实现了高分辨率自驱动无读出芯片红外探测成像。相关成果以“MonolithicallyIntegrated Photon-Mapping Infrared Imager”为题发表于国际学术期刊NatureCommunications。电子科技大学为第一完成单位，电子科技大学王军教授和中国科学院上海技术物理研究所胡伟达教授为论文共同通讯作者。
图1 单片集成的光子映射自驱动红外成像器件
传统红外成像系统通常依赖外部电源、探测器阵列、读出电路和后端图像处理模块，系统结构复杂，在柔性化、轻量化、低功耗和便携应用方面受到限制。针对这一问题，本工作提出了一种单片集成光子映射红外成像器件，通过将多个光探测单元与发光单元进行垂直级联集成，实现了近红外光到可见光的直接转换。与传统红外相机不同，该器件无需外接电源和像素级读出电路，在近红外光照射下即可依靠内部光生电势自驱动发光，从而直接完成红外信息的可视化显示。该工作实现了无驱动电路、无外部电源、非像素化、自驱动、高速、高分辨、柔性的红外成像新范式，从材料组合、器件结构、工作机制到应用场景均实现全面创新。它不仅简化了红外成像系统的结构，降低了成本与功耗，更突破了传统成像技术在分辨率、速度、柔性与便携性上的瓶颈，在夜视观测、生物医学检测、柔性电子、工业监测、穿戴式设备等领域具有广泛应用前景。
该工作得到了国家重点研发计划、国家自然科学基金项目等资助。
4. 北京大学集成电路学院/集成电路高精尖创新中心贺明研究员团队在多模态感知融合研究中取得重要进展
人脑能够跨越视觉和听觉多源感官无缝融合信息，利用超加性（Superadditivity）、反向效应（Inverse effectiveness）和时间一致性（Temporal congruency）等神经整合原则，在极低功耗下实现高效多模态感知融合。然而，当前人工智能系统主要依赖传统的“先传感，后融合”算法架构，导致缺乏生物神经系统的自适应和非线性耦合特性，在边缘端硬件部署时面临巨大的功耗与延迟问题，限制了边缘智能感知的性能。
针对上述问题与挑战，北京大学集成电路学院/集成电路高精尖创新中心贺明研究员团队提出了一种基于铁电半导体晶体管器件（FeS-FET）物理计算驱动的声光原位融合新方案。研究团队利用低压化学气相沉积（LPCVD）方法引入晶格应变，成功打破了二维Bi2O2Se半导体的晶体对称性，使其产生本征铁电极化，实现铁电与半导体特性并存（图1）。通过将声音信号转换为栅极电压调控铁电极化，并与晶体管沟道的光电响应进行深度的物理层级耦合，团队率先在单器件层面实现了物理计算驱动的声光信息原位融合，完美复刻了生物多感觉融合的核心神经行为。
图1. 应变工程调控的Bi2O2Se铁电半导体。
实验结果表明，FeS-FET器件的声光融合增强因子高达2800%，时间一致性窗口突破103 s，展现出极强的跨模态时间异步耦合能力，单器件操作窗口下的功耗低至15 pJ，相较于传统复杂的算法层融合，表现出巨大的能效优势（图2）。研究团队进一步构筑了FeS-FET声光融合阵列及其脉冲生成电路，该电路能够将前端多物理场耦合生成的模拟融合信号，实时转化为时间编码脉冲序列。该器件阵列不仅具备出色的频率选择性与仿生突触可塑性，极大地降低了感知神经元激活阈值。
图2. BI2O2SE铁电半导体晶体管的原位声光融合。
为了实现端到端的多模态感知融合，研究团队将该前端物理融合FeS-FET阵列与TaOx基RRAM芯片结合，构筑出完整的层级化神经形态多模态感知识别系统（图3）。依托1 Mbit RRAM阵列的高精度权重存储能力与全并行乘加计算优势，实现了对海量模糊车辆目标的精准分类。测试结果显示，该多模态融合系统对模糊车辆的识别准确率高达98.2 %，性能超越了单模态识别以及传统的算法级后融合方案，即便在注入强高斯噪声的极端恶劣干扰下，该系统依然能够保持95 %以上的高分类准确率，展现出优秀的环境抗干扰能力。
图3. 基于FeS-FET阵列与RRAM芯片的多模态声光融合识别系统。
相关研究成果以“Biomimetic Ferroelectric-Semiconductor Transistor Enables Neuronal Multisensory Integration”为题，发表在《自然-通讯》（Nature Communications）。北京大学集成电路学院2020级博士生刘硕、2020级博士生张力公、2024级博士生吴志远、软件与微电子学院2023级硕士生谢瑞清为共同第一作者，贺明研究员、刘飞研究员、王宗巍研究员与蔡一茂教授为共同通讯作者。研究工作得到了国家重点研发计划、国家自然科学基金、北京新星计划以及高等学校学科创新引智计划等项目的资助，同时得到了微纳电子器件与集成技术全国重点实验室、集成电路高精尖创新中心以及国家集成电路产教融合创新平台等基地平台支持。
5. 西安交通大学数学与统计学院AI团队Nature Communications两连发
近日，数学与统计学院在人工智能赋能科学研究领域连续取得重要进展。孙剑教授团队提出化学反应过渡态生成模型TS-DFM，杨树森教授团队提出多尺度复杂系统数学公式发现方法Deflex，两项成果先后在线发表于国际著名期刊《自然·通讯》（Nature Communications），为AI for Science知识发现提供了新的工具与方法。
过渡态是连接化学反应物与产物的关键状态，其结构和能量直接影响反应速率与反应路径。然而，过渡态难以通过实验直接捕捉，传统量子化学计算和迭代搜索方法也存在计算成本高、易受初始结构和收敛条件影响等问题。
针对这一难题，孙剑教授团队提出几何深度学习TS-DFM方法，将人工智能的生成能力与化学反应中的几何约束有机结合。与直接预测原子三维坐标不同，该方法通过最优传输引导的几何流模型建模，学习反应过程中原子间距离以及化学键结构的演化，使模型的生成过程更加符合化学反应的物理规律。
实验结果显示，TS-DFM在Transition1x数据集上的平均结构预测精度较前期最优基准方法提高约30%，在训练数据中未出现的反应类型上，预测性能较现有方法提升至少16%。模型生成的过渡态还可作为传统搜索方法的高质量初始结构，有效提高计算效率，并为发现潜在反应路径、分析复杂反应机理提供新的技术手段。
化学反应过渡态预测几何生成模型TS-DFM框架
该文作者为西安交通大学数学与统计学院骆宇飞（博士生）、古祥（助理教授）、孙剑（教授）。
论文链接：https://www.nature.com/articles/s41467-026-74101-0
如何从复杂观测数据中自动发现简洁、可解释的数学规律，是AI for Science领域的重要问题。现有方法在处理变量规模大、跨尺度关系复杂和高阶公式搜索等问题时仍存在局限。
杨树森教授团队提出Deflex方法，将深度学习的表征能力与符号学习的形式化表达能力相结合。该方法由Deflexformer和Deflexpressor两个子系统组成。其中，Deflexformer基于能量模型和自注意力网络，统一多形式规律并捕捉复杂关系；Deflexpressor 则基于 Lambda 演算增强符号回归，使系统能够表达和搜索包含映射、求和、规约等高阶结构的数学公式。
Deflex 方法整体流程示意图
该方法融合 Deflexpressor 与 Deflexformer，通过公式生成、预训练、后训练和分层符号回归，从复杂系统观测数据中自动提取多尺度数学公式。
西安交通大学杨树森教授、博士生余翰乔为论文共同第一作者，杨树森教授、任雪斌副教授为共同通讯作者，赵聪教授参与研究。
两项成果分别面向化学反应过渡态预测和复杂系统公式发现，均以数学与人工智能交叉融合创新为基础，体现了数学方法在AI for Science研究中的重要支撑作用。近年来，数学与统计学院持续推动数学、人工智能与自然科学研究深度交叉，两项成果同期发表于《自然·通讯》，体现了学院在人工智能辅助科学发现领域的持续积累与阶段性突破。
6. 清华大学深圳国际研究生院曾龙、冯平法团队系统提出具身智能工业机器人框架与技术
6月22日电 针对当前具身智能机器人技术在工业场景落地中普遍面临的部署困难、适应性弱等挑战，近日，清华大学深圳国际研究生院曾龙副教授和冯平法教授团队系统定义了具身智能工业机器人（Embodied Intelligent Industrial Robotics, EIIR）概念体系，并提出知识驱动的技术框架，为该领域的理论深化与工程应用提供了全新视角。
图1.工业机器人的发展历程
研究团队系统梳理了工业机器人核心技术的长期演进历程和规律（图1），将其划分为三大阶段：自动化时代（1960s-1980s）、感知化时代（1980s-2020s）和具身智能时代（2020s-至今）。每一代工业机器人技术往往都以前一个时代为基础，而当前正处于具身智能时代的早期，目标是实现工业机器人的任务级柔性，即工业机器人领域的通用人工智能。
图2.具身智能工业机器人与其他学科领域的关系
在此基础上，研究团队将EIIR定义为具有“感知-决策-执行”能力的工业智能体方法和技术，在工业环境中可实现高效、准确、安全的交互，以实现任务级柔性。同时，团队厘清了EIIR与AI（人工智能）、EI（具身智能）、EIR（具身智能机器人）概念之间的关系（图2）。
图3.知识驱动的具身智能工业机器人技术框架
针对工业场景对效率、精度、可靠性、安全性的要求，研究团队提出EIIR至少需要具备三类知识：一是支撑自然语言理解和人机交互的通用知识，二是描述生产线空间布局、设备位置、可操作区域和环境约束的工作环境知识，三是描述产品结构、工艺流程、零部件关系等的操作对象知识。基于这一认识，团队系统性地提出了知识驱动的具身智能工业机器人技术框架（图3）。该框架由世界模型（“三类知识”）、高层任务规划器（“大脑”）、低层技能控制器（“小脑”）、具身智能工业机器人仿真器和物理系统五个模块组成。此外，团队还系统梳理了知识驱动EIIR技术框架的各个模块关键技术进展。
图4.具身智能工业机器人的落地应用
目前，研究团队已针对知识驱动的EIIR技术框架中各模块开展了深入研究，例如语义地图构建和基于知识图谱的装配任务规划模型等。该工作是团队2024年提出具身智能柔性装配系统的重要延续，未来，团队将聚焦研发基于具身智能工业机器人的柔性装配单元，旨在解决产品个性化时代的多品种、小批量跨品类产品装配需求，为智能装配系统探索新范式。该框架降低了具身智能技术落地的门槛（图4），部分技术模块已获得产业化应用，创造了良好的经济效益。
研究成果以“具身智能工业机器人：框架与技术”（Embodied Intelligent Industrial Robotics: Framework and Techniques）为题，于6月1日发表于《制造系统杂志》（Journal of Manufacturing System）。
清华大学深圳国际研究生院2023级硕士生张超然、2024级硕士生张晨昊为论文第一作者，深圳国际研究院副教授曾龙为论文通讯作者。论文其他作者包括深圳国际研究生院教授冯平法、2022级博士生徐赵博、2023级硕士生谢庆红冰、广州富唯智能科技有限公司候金良。
研究得到国家自然科学基金面上项目、广东省自然科学基金面上项目、深圳市科技重大专项的资助。
