1. 中国科学院上海微系统所在ISPSD 2026发布650V全硅基氮化镓共源级器件新方案：攻克 GaN 器件自激振荡难题

2. 清华大学（计算机系）-软通计算机有限公司人工智能系统联合研究中心成立

3. 大连理工大学【创新在大工】物理学院科研团队在磁子流高效产生与磁子调控磁性领域取得突破性研究进展

4.清华大学深圳国际研究生院马建设、苏萍团队合作在智能光存储解码领域取得系列进展

1. 中国科学院上海微系统所在ISPSD 2026发布650V全硅基氮化镓共源级器件新方案：攻克 GaN 器件自激振荡难题

第38届国际功率半导体器件与集成电路年会（IEEE ISPSD，IEEE The 38th International Symposium on Power SemiconductorDevices and ICs）于5月24-28日召开，该会议是全球电力电子领域最具影响力的国际学术会议，被誉为该领域的“奥林匹克”盛会。本届大会聚焦新一代电力电子器件结构、封装与可靠性等技术，仅录用165篇学术论文。

中国科学院上海微系统与信息技术研究所集成电路材料全国重点实验室在本届ISPSD上报道了一项650 V全Si基GaN（All-GaN Cascode）功率器件成果，提出了从器件本源层面抑制GaN Cascode器件自激振荡的新方案。博士生胡运恒、博士后周学通为论文第一/共一作者，程新红研究员、郑理研究员为通讯作者。

GaN功率器件是AI服务器、新能源汽车、光伏逆变等领域的功率“核芯”。当前产业化主流GaN功率器件包含p-GaN增强型HEMT与GaN/Si Cascode器件两条技术路线，前者栅极耐压裕量有限，易受电压尖峰损伤，且在高压关断应力下存在显著的动态导通电阻漂移；后者虽驱动兼容性好、耐压上限高，但受低压Si MOSFET寄生电容偏大及引线键合寄生电感影响，关断时中间节点电压裕量不足，易引发高压GaN管误开启及持续自激振荡，导致电压尖峰、开关损耗上升和可靠性下降。

图1：全Si基GaN Cascode器件三维结构与PCB布线图

本工作中，研究团队揭示了低中间节点电压诱发自激振荡的内在机理，并提出以Si基低压增强型GaN HEMT替代传统低压Si MOSFET的全GaN共源器件方案，从拓扑上大幅降低低压侧寄生电容，通过容值分压提升瞬态节点电压裕量；同时采用堆叠倒装芯片封装与磁通抵消PCB布线，同步缩减全结构寄生电感。实测结果表明，该器件在400 V额定母线电压下可完全抑制自持振荡，动态导通电阻退化可忽略，关断速率提升34%，关断过压尖峰显著降低，开关损耗较商用GaN/Si Cascode器件降低15%，击穿电压超过700 V，综合性能实现有效提升。

图3：器件实验验证平台与可靠性测试电路板。

该研究为推动高压全Si基GaN Cascode器件技术提供了一套从机理分析、器件拓扑设计到封装布线的完整方法论。该工作得到了国家重点研发计划、中国科学院青年创新促进会、上海超级博士后计划和集成电路材料全国重点实验室自主课题等项目支持。

2. 清华大学（计算机系）-软通计算机有限公司人工智能系统联合研究中心成立

近日，清华大学（计算机系）-软通计算机有限公司人工智能系统联合研究中心（以下简称“联合研究中心”）成立仪式在清华大学举行。计算机系教授郑纬民院士，清华大学国重管理中心副主任黄春梅，计算机系副主任薛巍，软通动力执行副总裁、计算产品与智能电子业务总裁韩智敏出席仪式。计算机系副教授、联合研究中心主任陆游游主持仪式。

郑纬民在致辞中回顾了双方的合作渊源，希望联合研究中心聚焦高性能存储、大模型训练与推理系统优化两大方向开展集中攻关，抢抓国产人工智能基础设施发展的窗口期。

黄春梅在致辞中表示，清华大学持续深化校企协同创新布局，将人工智能相关科研纳入校级重点发展规划，希望双方整合各自优势，携手打造北京人工智能科创与人才培育高地。

韩智敏在致辞中表示，软通动力将持续投入资金、人力与算力资源，通过建设联合研究中心，畅通高校技术成果向产业产品转化的通道。

在与会嘉宾的见证下，薛巍与韩智敏共同为联合研究中心揭牌。

揭牌仪式后，联合研究中心举行管委会第一次会议。陆游游介绍了联合研究中心的相关情况。与会人员围绕中心发展规划、重大项目产学研合作进行交流探讨。

清华大学（计算机系）-软通计算机有限公司人工智能系统联合研究中心致力于打造高水平、一体化的产学研创新平台，聚焦人工智能基础软硬件核心关键技术的攻关，助力国产人工智能基础设施实现自主可控与行业高质量发展。

3. 大连理工大学【创新在大工】物理学院科研团队在磁子流高效产生与磁子调控磁性领域取得突破性研究进展

近日，物理学院王译教授与赵纪军教授团队在《自然-通讯》（Nature Communications）上发表突破性成果“巨轨道-磁子转换驱动垂直磁矩翻转”（Giant orbital-magnon conversion driven perpendicular magnetization switching）的研究论文。研究发现了轨道-磁子转换新机制，实现高效垂直磁矩翻转，我校博士生孟凡毓为第一作者，王译教授与赵纪军教授为共同通讯作者，大工为第一单位。

超越摩尔定律的新型信息技术，亟待探索电子自旋、磁子和轨道等超越电荷的新型信息载体。实现上述不同自由度之间的高效转换，是极具挑战性的关键科学前沿。王译教授团队长期开展电子自旋流和磁子流的高效产生相关物理与材料研究，致力于探索基于磁子的超快、低功耗信息存储与计算器件。磁子作为自旋波量子化准粒子，具有电中性、无焦耳热长距离传输及太赫兹本征频率等优势，磁子器件有望实现更低能耗与更快的运行速度。

2019年，王译教授团队在《科学》（Science）期刊上报道了以磁子替代电子作为信息载体，通过磁子驱动磁矩翻转的研究，首次实现了磁子信息存储，解决了磁子无法存信息的难题[Science366,1125(2019)]。当前的研究通常通过电子自旋角动量来激发磁子，而除自旋外，自然界还存在另一个重要物理量—电子轨道角动量（简称“轨道”）。轨道与磁子之间能否直接转换并驱动磁矩翻转，是一个兼具基础物理意义与应用价值的前沿科学问题。针对这一挑战，大连理工大学王译教授与赵纪军教授团队，设计了轨道金属/反铁磁绝缘体异质结体系，在室温下实验观测到巨轨道-磁子直接转换，并定量了反铁磁绝缘体NiO中的轨道-磁子转换系数，该效率比传统轨道体系提高了一个数量级。基于这一新机制，团队在室温下成功实现了商用铁磁材料CoFeB的垂直磁矩高效翻转。

该研究成果将“轨道电子学”与“磁子学”两大前沿领域有机联系起来，有望突破当前轨道转矩效应与磁子激发研究的瓶颈，为轨道驱动磁子量子效应研究提供了更广阔的材料体系与器件设计空间。该成果于5月20日发表于《自然-通讯》（Nature Communications）。

图1.电子不同自由度之间的相互转换与轨道诱导磁子转矩效应。

图2. Ti/NiO/铁磁体异质结中轨道诱导磁子转矩效应的观测与NiO反铁磁磁有序的依赖特性。

图3.磁性绝缘体NiO中轨道-磁子转换机制及其显著的转换效率。

图4.室温下轨道-磁子转换介导的磁子转矩驱动垂直磁矩翻转。

图5.轨道-磁子转换机制在磁矩调控中的优异特性。

该研究工作得到了国家自然科学基金委重大项目、国际合作项目、国家高层次人才特殊支持计划、广东省量子科学战略专项等科研项目的资助。

4.清华大学深圳国际研究生院马建设、苏萍团队合作在智能光存储解码领域取得系列进展

随着人工智能、大模型训练和云数据中心的发展，全球数据量正在快速增长，尤其是在长期归档与冷数据存储领域，传统存储技术面临能耗高、寿命有限、成本不断攀升等问题。相比之下，光学数据存储（Optical Data Storage, ODS）具有寿命长、能耗低、稳定性高等优势，被认为是未来大规模冷数据存储的重要方向。然而，传统高密度光盘存储系统长期受到光学衍射极限的限制，当记录符号间距过小时，读取信号之间会发生严重干扰，导致系统不得不依赖复杂的纠错编码（ECC）来保证数据可靠性，从而限制了实际存储密度与效率的进一步提升。

近日，清华大学深圳国际研究生院马建设、苏萍副研究员团队与上海理工大学顾敏院士团队等合作，提出了一种深度学习增强的计算光学解码策略（Deep-learning Enhanced Computational Optical Decoding Strategy，DECODS），通过人工智能与计算光学结合，在不改变传统光存储光学前端结构的情况下，实现了对高密度光盘信号的智能解码，为提升传统光存储系统在衍射限制条件下的解码能力提供了一条新的计算路径。

图1.DECODS深度学习增强计算光学解码框架

DECODS将光盘读取过程视为一个“数据驱动的光学读出通道（optical read channel）”，而非传统意义上的几何长度测量。系统通过聚焦激光扫描高密度光盘中的纳米级记录结构，获取由记录符号调制后的连续光电信号，并利用深度学习网络对不同长度的信号窗口进行并行识别，实现连续动态解码（图1）。

与传统固定窗口解码方法不同，DECODS采用了一种自适应滑动窗口策略。系统会同时构建七个不同长度（2T–8T）的判断窗口，并利用深度学习网络对各窗口进行独立识别，动态调整后续解码位置，从而显著提高复杂噪声环境下的鲁棒性与解码精度。

为了获得大规模、高精度的训练数据，研究团队进一步建立了完整的高精度光学物理模型，对激光聚焦、衍射传播、噪声、伺服误差、码间串扰（ISI）、轨道串扰等因素进行了系统建模。研究团队以纳米级精度重建了高密度光盘记录层的真实物理结构，并模拟出与真实实验特征接近的连续读出信号。基于该物理模型，团队进一步构建了数十万规模的训练数据集，并利用这些完全由计算生成的数据成功训练深度学习模型，实现了对真实实验读出信号的有效解码。

实验结果表明，在真实实验信号测试中，DECODS在选定验证信号上实现了0%的原始误码率（raw BER），并成功解码出在测试条件下信号质量低于传统高密度光盘译码阈值极限5.8倍的真实读出信号。这说明即使在严重噪声、信号错位以及复杂串扰条件下，DECODS仍能够维持稳定可靠的解码能力。

图2.DECODS在更高存储密度条件下的解码能力分析

在进一步研究中，研究团队探索了DECODS在更高信息密度条件下的潜力（图2）。研究人员通过减小记录符号宽度以及减小轨道间距，对未来更高密度光存储场景进行了理论建模分析。结果表明，即使在记录结构进一步缩小、传统系统更容易发生串扰的情况下，DECODS仍然能够维持稳定的解码能力与伺服容忍范围。

理论分析显示，通过降低原始误码率并减少对高冗余ECC的依赖，DECODS在决策层面可对应最高约14.8%的有效容量提升；进一步结合更紧密的记录结构设计，理论有效存储效率提升可达到26.28%。这一结果并不意味着传统光学衍射极限被物理突破，而是说明在现有光学硬件条件下，人工智能与计算解码可以在“决策层”显著提升系统对高密度信息的可分辨能力。

DECODS展示了“计算增强型光存储”的新方向，即通过人工智能与物理建模协同优化传统存储系统，而不仅仅依赖硬件升级。该策略未来有望进一步应用于下一代超高密度光存储、冷数据中心以及长期低能耗数据归档等领域。

研究成果以“一种用于光学数据存储的深度学习增强计算光学解码策略（DECODS）”（A Deep-learning Enhanced Computational Optical Decoding Strategy（DECODS）for Optical Data Storage）为题，于5月27日发表于《光子学》（PhotoniX）。

DECODS是研究团队在高密度光存储方向长期研究积累的重要进展。此前，团队围绕微纳执行器、光学拾取头设计以及高密度光盘系统等方向开展了系列研究。（来源： 清华大学）