您当前的位置:首页 > 编译报道
  • 摘要:

    无线物联网(IoT)是一种设备网络,其中每个设备都可以通过无线通信渠道直接将信息发送到另一个设备,而无需人工干预。随着物联网设备的数量每天都在增加,无线通道上的信息量也在增加。这导致网络上的拥塞,由于干扰和信息传递失败而导致信息丢失。正在进行解决该拥塞问题的研究,并且最广泛接受和应用的解决方案是“多通道”技术。在该技术中,基于给定时间的特定信道中的业务量,在各个并行信道之间分配信息传输。

    但是,目前,最佳信息传输渠道是使用大多数现有物联网设备无法支持的算法来选择的,因为这些资源受限。即,它们具有低存储容量和低处理能力,并且必须在节电的同时长时间保持运行。在最近发表于《应用科学》上的一项研究中,一组来自东京科学大学和日本庆应义University大学的科学家提出了一种基于拔河模型(这是一种基本模型)的机器学习算法的建议。 ,是庆应义University大学的金松菊教授较早提出的,用于解决诸如如何在各个渠道之间分配信息等问题,以选择渠道。东京理科大学的首席科学家长谷川教授(Mikio Hasegawa)教授说:“我们意识到该算法可以应用于物联网设备,因此我们决定实施并进行实验。”

    在他们的研究中,他们构建了一个系统,该系统中连接了多个IoT设备以形成一个网络,并且每个设备只能选择多个可用通道中的一个来传输信息。而且,每个设备都受到资源的限制。在实验中,这些设备的任务是唤醒,传输一条信息,进入睡眠状态,然后重复该周期一定次数。所提出算法的作用是使设备每次都能选择最佳信道,从而在所有信道结束时,成功传输的最大可能次数(即,当所有信息都到达其目的地时)发生在。

    该算法称为强化学习,其执行的任务如下:每次一条信息通过一个通道传输时,它会根据信息是否完整,准确地到达该通道来记录通过该通道成功传输的可能性。目的地。每次后续传输都会更新此数据。

    研究人员使用此设置还可以检查a)算法是否成功,b)在选择频道时是否没有偏见以及c)它是否可以适应频道中的流量变化。对于测试,构建了一个附加的控制系统,在该控制系统中,为每个设备分配了特定的通道,并且在传输信息时无法选择任何其他通道。在第一种情况下,在开始实验之前,某些信道已经拥塞,科学家们发现,使用算法时,成功传输的次数要多于不使用算法时。在第二种情况下,某些频道在不使用算法时变得拥塞,并且在某个时间点之后无法通过它们传输信息,从而导致频道选择中的“不公平”。但是,当科学家使用该算法时,发现信道选择是公平的。第三种情况的发现澄清了前两种情况:使用该算法时,设备自动开始忽略拥塞的信道,仅在其中的流量减少时才重新使用它。

    长谷川教授告诉我们:“我们通过少量的计算和高性能的机器学习算法就实现了频道选择。”虽然这意味着该算法在实验条件下成功解决了信道选择问题,但其在现实世界中的应用仍有待观察。科学家说:“将在进一步的研究中进行测试该算法鲁棒性的现场试验。”他们还计划通过考虑其他网络特性(例如信道传输质量)来在将来的研究中改进算法。

    随着全球越来越多的设备通过无线信道进行连接,世界正迅速向大规模无线物联网网络发展。每个可能的组织或学者??都在时光流逝的这一时刻利用机会来解决频道选择问题并取得领先。长谷川教授和他的团队成功地迈出了比赛的第一步。高速,无差错的无线信息传输的未来可能即将到来!

    ——文章发布于2019年11月7日

    来源机构: 纳米医学 | 点击量:132
  • 摘要:

    海水是地球上最丰富的资源之一,它既有希望作为氢的来源(希望作为清洁能源的来源),又可以在干旱气候下提供饮用水。但是,即使能够从淡水中产生氢的水分解技术变得更加有效,海水仍然是一个挑战。

    休斯顿大学的研究人员已经报告了一种新的析氧反应催化剂的重大突破,该催化剂与析氢反应催化剂相结合,能够获得能够满足工业需求的电流密度,同时需要相对较低的电压来启动海水电解。

    研究人员说,这种由廉价的非贵金属氮化物组成的装置设法避免了许多障碍,这些障碍已经限制了早期从海水中廉价生产氢气或安全饮用水的尝试。这项工作在《自然通讯》中有描述。

    UH德州超导中心主任任志峰和该论文的通讯作者说,一个主要障碍是缺乏一种催化剂,该催化剂无法有效地将海水分解产生氢气,同时又不释放钠,氯,钙的游离离子。海水和其他一旦释放的成分会沉积在催化剂上,使其失去活性。氯离子特别成问题,部分原因是氯需要多少电压才能释放出比释放氢所需的电压更高的电压。

    研究人员用得克萨斯州沿海加尔维斯顿湾的海水测试了这些催化剂。 UH的物理学博士安德森(Mr. M.D. Anderson)表示,它还将与废水一起使用,从水中提供另一种氢源,否则未经昂贵的处理就无法使用。

    他说:“大多数人使用清洁的淡水通过水分解来产生氢气。” “但是干净的淡水供应有限。”

    为了解决这些挑战,研究人员设计并合成了一种使用过渡金属氮化物的三维核-壳型析氧反应催化剂,该纳米催化剂由多孔-镍泡沫上的镍-氮化铁-化合物和镍-钼-氮化物纳米棒制成。

    UH的博士后研究员,同时也是华中师范大学的第一作者罗瑜说,这种新型的析氧反应催化剂与先前报道的镍-钼-氮化物纳米棒的析氢反应催化剂配对使用。

    催化剂被集成到一个两电极碱性电解槽中,该电解槽可以通过热电装置或AA电池由废热提供动力。

    产生每平方厘米100毫安的电流密度(电流密度的度量或mA cm-2)所需的电池电压范围为1.564 V至1.581 V.

    于说,该电压非常重要,因为产生氢气需要至少1.23 V的电压,而在1.73 V的电压下会产生氯,这意味着该设备必须能够在一定电压下产生有意义的电流密度水平。在两个级别之间。

    除了任和于之外,论文的研究人员还包括UH的朱青,宋少伟,Brian McElhennyy,王德智,吴春正,秦兆军,包继明和陈硕。和华中师范大学的于瑜。

    ——文章发布于2019年11月11日

    来源机构: 纳米医学 | 点击量:136
  • 摘要:

    同步加速器光源是强大的设备,可以通过加速电子以受控光束的方式发出各种“颜色”或波长(从红外线到X射线)的光。

    能源部劳伦斯伯克利国家实验室(Berkeley Lab)的高级光源等同步加速器使科学家可以使用这种光以多种方式探索样品,涉及的领域从材料科学,生物学和化学到物理和环境科学。

    研究人员已经找到了升级这些机器的方法,以产生更强,更聚焦,更一致的光束,从而可以对各种样本类型进行新的,更复杂和详细的研究。

    但是某些光束特性仍然表现出性能波动,这对某些实验提出了挑战。

    解决几十年的问题

    这些同步加速器设备中的许多设备可为数十种同时进行的实验提供不同类型的光。在这些单独的光束线上进行细微调整以增强光束性能可以反馈到整个设施的整体光束性能中。同步加速器的设计者和操作者数十年来一直在努力采用各种方法来补偿这些最顽固的波动。

    现在,伯克利实验室和加州大学伯克利分校的一大批研究人员已经成功地展示了机器学习工具如何通过调整来基本消除这些波动,从而将光束的波动降低到一定程度,从而提高实验光束的稳定性。精度从百分之几降低到0.4%,亚微米(低于一百万分之一米)的精度。

    11月6日发表在《物理评论快报》上的一项研究中详细介绍了这些工具。

    机器学习是人工智能的一种形式,其中计算机系统分析一组数据以构建可解决复杂问题的预测程序。 ALS使用的机器学习算法被称为“神经网络”的一种形式,因为它们被设计为以某种类似于人脑功能的方式识别数据中的模式。

    在这项研究中,研究人员将来自ALS的电子束数据(包括用于从电子束产生光的磁性设备的位置)馈送到神经网络中。神经网络识别出该数据中的模式,并确定不同的设备参数如何影响电子束的宽度。机器学习算法还建议调整磁体以优化电子束。

    因为电子束的大小反映了磁体产生的最终光束,所以该算法还优化了用于研究ALS处材料特性的光束。

    解决方案可能会产生全球影响

    在ALS上的成功演示展示了该技术通常还可以如何应用到其他光源,并且对于通过升级称为ALS-U项目的ALS进行的专门研究特别有益。

    伯克利实验室的一个分支机构西村博史(Hiroshi Nishimura)去年退休,他曾就长期解决光束尺寸稳定性问题的机器学习解决方案进行过早期讨论和探索,他说:“这就是它的美。” “无论加速器是什么,无论采用哪种常规解决方案,该解决方案都可以在此之上。”

    ALS主管Steve Kevan说:“这对于ALS和ALS-U而言是非常重要的进步。多年来,我们一直在处理X射线显微镜图像中的伪像问题。这项研究提出了一种新的基于机器学习的前瞻性方法,它已在很大程度上解决了这一问题。”

    ALS-U项目将把光束的狭窄焦点从大约100微米的水平减小到10微米以下,并且对一致,可靠的光束特性也提出了更高的要求。

    机器学习技术建立在自1993年ALS成立以来数十年改进的传统解决方案的基础上,该解决方案依赖于对沿ALS环的磁体的不断调整,以实时补偿各个波束线的调整。

    Nishimura是25年前使ALS上线的团队的一员,他说他大约在四五年前就开始研究机器学习工具在加速器应用中的潜在应用。他的对话延伸到了伯克利实验室和加州大学伯克利分校的计算和加速器专家,大约两年前这个概念开始形成。

    ALS操作期间成功进行测试

    研究人员于今年早些时候在ALS环网的两个不同地点成功测试了该算法。他们提醒ALS用户进行有关新算法测试的实验,并要求他们就任何意外的性能问题提供反馈。

    “我们从今年4月到6月对用户操作进行了一致的测试,” ALS的博士后C. Nathan Melton说,他于2018年加入了机器学习团队,并与前加州大学伯克利分校的研究生Shuai Liu紧密合作是这项研究的重要贡献者,并且是该研究的合著者。

    ALS加速器运营和开发部副总裁,机器学习工作的主要研究人员西蒙·利曼(Simon Leemann)表示:“我们对测试没有任何负面反馈。该团队使用的监控光束线之一是诊断光束线。不断衡量加速器的性能,另一个是活跃进行实验的光束线。” ALS的高级科学家兼计算程序负责人Alex Hexemer担任了开发新工具的共同负责人。

    具有活跃实验的光束线5.3.2.2使用称为扫描透射X射线显微镜或STXM的技术,那里的科学家报告说,实验中的光束性能得到了改善。

    机器学习团队指出,增强的光束性能也非常适合于先进的X射线技术,例如谱图技术,可以将样品的结构分解到纳米级(十亿分之一米)。 X射线光子相关光谱法或XPCS,用于研究结构不统一的高浓度材料的快速变化。

    Leemann指出,其他需要可靠的,高度聚焦的恒定强度光束并与样品相互作用的实验也可以从机器学习中受益。

    他说:“随着对样品的较小区域扫描,对实验的要求越来越严格。” “我们必须找到纠正这些缺陷的新方法。”

    他指出,光源界一直在努力解决的核心问题-以及机器学习工具要解决的问题-是电子束线源点处垂直电子束大小的波动。

    源点是光源处电子束发射的光,该光传播到特定的束线实验。尽管此时电子束的宽度自然稳定,但其高度(或垂直源尺寸)可能会波动。

    打开人工智能的“黑匣子”

    Leemann说:“这是团队科学的一个很好的例子。”他指出,这项努力克服了对机器学习增强加速器性能的可行性的最初怀疑,并打开了这种工具如何产生实际收益的“黑匣子” 。

    “这不是传统上成为加速器社区一部分的工具。我们设法将来自两个不同社区的人们聚集在一起,以解决一个非常棘手的问题。”大约有15名伯克利实验室的研究人员参加了这项工作。

    Leemann说:“机器学习从根本上需要两件事:问题必须是可重现的,并且您需要大量的数据。” “我们意识到我们可以使用所有数据,并拥有识别模式的算法。”

    数据显示,由于在各个射束线上进行了调整,电子束性能几乎没有出现斑点,并且该算法找到了一种调整电子束的方法,以使其比传统方法更好地消除了这种影响。

    Leemann说:“问题包括大约35个参数-太复杂了,我们无法弄清楚自己。” “一旦经过训练,神经网络便会做些什么-它为我们提供了一个预测,如果它根本不采取任何措施来校正机器中的源尺寸,将会发生什么。

    “此模型中还有一个附加参数,描述了我们对某种类型的磁体所做的更改如何影响该源尺寸。因此,我们要做的就是根据神经网络预测选择一个参数,会产生我们想要创建的光束大小并将其应用于机器。” Leemann补充说。

    Leemann说,以算法为导向的系统现在可以以高达每秒10次的速度进行校正,尽管每秒3次似乎足以改善此阶段的性能。

    寻找新的机器学习应用程序

    机器学习团队于2018年8月获得了美国能源部的两年资助,以与SLAC国家加速器实验室的斯坦福同步加速器辐射光源合作开展该项目和其他机器学习项目。 Leemann说:“我们有计划继续进行开发,并且我们还想尝试一些新的机器学习思想。”

    西村说,“人工智能”这个流行词似乎已经流行了很多年,但是,“这一次看起来似乎是真实的。”

    ——文章发布于2019年11月8日

    来源机构: 纳米医学 | 点击量:231
  • 4   2019-11-12 原子传输的显着旋转 (编译服务:纳米科技领域信息门户服务)     
    摘要:

    电荷中性原子可以做的一件更出乎意料的事情是使用它们来模仿电子的基本行为。在过去几年中,苏黎世联邦理工学院物理系量子电子研究所的蒂尔曼·埃斯林格(Tilman Esslinger)小组开创了一个平台,在该平台中,冷却至接近零温度的原子通过一维和二维结构传输,由电位差驱动。以这种方式,可以详细研究介观电子系统中出现的现象,尤其是量化的电导。在今天发表在《物理评论快报》和《物理评论A》上的两篇论文中,博士后劳拉·科曼(Laura Corman),前博士学位学生马丁·勒布拉特(Martin Lebrat)和埃斯林格(Esslinger)研究小组的同事报告说,他们已经在运输实验中掌握了原子的另一量子性质的控制权-他们的旋转。

    研究小组在传输通道中增加了一个紧密聚焦的光束,该光束引起了局部相互作用,这相当于将原子暴露于强磁场中。结果,提高了自旋态的简并性,这又成为了有效自旋滤波器的基础:一个自旋取向的原子被排斥,而另一个自旋取向的原子则可以自由通过。重要的是,即使施加额外的光场会导致原子损失,但这些耗散过程不会破坏电导的量化。 ETH研究人员在数值模拟中重复了这一实验发现,并通过扩展了量子运输的关键形式主义Landauer-Büttiker模型来证实其有效性。

    Esslinger小组展示的原子自旋滤波器的效率与电子系统的最佳等效元件的效率相匹配。这与冷原子平台非凡的“清洁性”和可控性一起,为探索量子传输动力学开辟了令人兴奋的新视角。特别是,由于可以调整原子之间的相互作用,因此该平台提供了访问强相关量子系统的自旋传输的通道。这种制度很难用其他方法研究,但是具有相当大的基础和实践意义,尤其是对于自旋电子器件中的应用以及探索物质的基本阶段。

    来源机构: 纳米医学 | 点击量:226
  • 摘要:

    马里兰州巴尔的摩县大学(UMBC)和巴尔的摩大学(UMB)的研究人员正在使用突破性的技术,正在测试一种X射线成像的新方法,该方法使用颜色来识别骨骼中的微裂缝。使用标准X射线成像以前无法看到微裂缝。与彩色(光谱)CT(计算机断层扫描)成像技术的进步有关的发现发表在《高级功能材料》上。

    自1895年发现X射线以来,该技术的基本原理一直保持一致。医生和科学家使用它们来观察诸如骨头之类的致密材料,但是该技术的能力受到限制。 UMBC化学,生物化学和环境工程教授,UMB放射学教授Dipanjan Pan是这项新研究的通讯作者。他展望了下一代X射线技术,他问道:“我们如何才能检测出骨骼微裂纹,而这在X射线成像中是不可见的?”

    Pan解释说,为了研究这个问题,他的实验室开发出了纳米颗粒,该纳米颗粒可以专门导航并附着在存在微裂纹的区域。他喜欢称它们为“ GPS粒子”。他们开始在伊利诺伊大学香槟分校进行这项研究。研究人员对粒子进行了编程,以使其锁在微裂纹的正确区域上。一旦颗粒附着在微裂纹上,它们就会留在那,这对成像过程至关重要。

    颗粒中含有ha元素。新西兰的MARS公司开发了一种基于X射线的新技术,然后拍摄了人体的CT图像,并且the颗粒呈彩色。这提供了骨骼微裂纹所在位置的非常清晰的图像。

    之所以使用,是因为its的成分使其可以被X射线检测到,从而产生可用于对裂纹成像的信号。潘的实验室表明,ha足够稳定,可以用于涉及生物的测试中,并且可以安全地从体内排出。该实验室尚未开始对人体进行测试,但这项技术可能最早在2020年就可用。

    对于具有这种breakthrough突破的光谱CT成像的其他应用,研究表明该方法可用于检测更严重的问题。例如,为了确定一个人的心脏是否阻塞,医生通常会进行压力测试以检测异常,这会带来很大的风险。在不久的将来的一天里,医生也许可以使用光谱CT来确定器官是否存在阻塞。

    Pan解释说:“常规CT没有软组织对比。它不能告诉您血管在哪里。光谱CT可以帮助解决该问题。”他指出,尽管需要更多的研究来开始以这种方式使用光谱CT,但他预计它将成为放射科医生的“巨大”新工具。泛实验室的最新毕业生Fatemeh Ostadhossein博士是该研究的第一作者。

    ——文章发布于2019年11月7日

    来源机构: 纳米医学 | 点击量:225
  • 摘要:

    并不是德州所有的东西都比较大——有些东西真的非常非常小。得克萨斯大学奥斯汀分校(University of Texas at Austin)的一群工程师可能已经发现了一种制造更小电脑芯片的新材料,这种芯片可能会取代硅,并有助于克服科技行业几十年来面临的最大挑战之一:摩尔定律(Moore's Law)的必然终结。

    1965年,英特尔(Intel)创始人戈登•摩尔(Gordon Moore)曾预测,一块电脑芯片上可容纳的晶体管数量每两年将增加一倍,而电脑成本将降低一半。近四分之一个世纪过去了,摩尔定律仍然惊人地准确。除了一个小故障。

    硅因其广泛的实用性和理想的半导体性能而被广泛应用于大多数电子器件中。但是芯片已经缩小到硅不再能够承载更多的晶体管。因此,工程师们认为,摩尔定律的时代可能即将结束,至少硅是这样。现有芯片上没有足够的空间让晶体管的数量翻倍。

    科克雷尔工程学院的研究人员正在寻找其他具有半导体特性的材料,以作为替代芯片的基础。德克萨斯大学德克萨斯材料研究所(Texas Materials Institute)的成员、沃克机械工程学院(Walker Department of Mechanical Engineering)的助理教授刘元月(音)可能发现了这种材料。

    在《美国化学学会期刊》上发表的一篇论文中,刘和他的团队、博士后研究员龙成和研究生张辰木概述了他们的发现,即以2D形式存在的化学元素锑可以作为硅的合适替代品。

    锑是一种半金属,已经被用于一些半导体设备的电子产品中,比如红外探测器。作为一种材料,它只有几个原子层厚,具有高电荷迁移率——电荷在电场的作用下通过材料的速度。锑的电荷迁移率比其他类似尺寸的半导体(包括硅)高得多。这一特性使其有望成为后硅电子元件的基础材料。

    刘只是通过理论计算方法证明了它的潜力,但他相信在用物理锑样品测试时,它可以表现出相同的性能,这是该团队的下一步。但这些发现的意义远不止于简单地找出一种硅的潜在替代品,以便在未来维持摩尔定律的竞赛中取而代之。

    “更重要的是,我们发现了锑流动性高的物理来源,”刘说。“这些发现可能被用来发现更好的材料。”

    ——文章发布于2019年11月4日

    来源机构: 纳米医学 | 点击量:545
  • 摘要:

    “现在,我们可以通过其吸附荧光探针来表征纳米颗粒的表面。这使我们能够了解纳米颗粒的表面而不会对其造成损坏,不幸的是,今天化学方法已广泛使用这种情况。” “这种新方法还使用了当今实验室中现成的机器,为科学界开辟了一种新的简便方法,以开发可以帮助革新不同领域和学科的纳米颗粒。”

    与当今最好的化学方法所需要的几个小时相比,MPA方法还能够在几分钟内表征纳米颗粒。因为它仅使用荧光灯,所以它也便宜得多。

    DiSTAP已开始将这种方法用于植物中的纳米颗粒传感器和用于将分子货物输送到植物中的纳米载体。

    Strano说:“我们已经在DiSTAP中使用了新的MPA方法来帮助我们为植物创建传感器和纳米载体。” “它使我们能够发现和优化更敏感的传感器,并了解表面化学,从而在监测植物时可以提高精度。有了更高质量的数据和对植物生物化学的深入了解,我们最终可以提供最佳的营养水平或有益激素以获得更健康的植物和更高的产量。”

    ——文章发布于2019年的11月5日

    来源机构: 纳米医学 | 点击量:536
  • 摘要:

    罗格斯(Rutgers)的工程师已将高性能电路嵌入3D打印的塑料中,这可能导致更小的通用型无人机和性能更好的小型卫星,生物医学植入物和智能结构。

    根据《添加剂制造》杂志的一项研究,他们使用高能光脉冲来熔化细小的银线,从而产生的电路电导率是最新技术的10倍。通过将导电率提高10倍,工程师可以减少能耗,延长设备寿命并提高性能。

    “我们的创新显示出开发集成单元的巨大前景-使用3D打印和强光脉冲融合银纳米颗粒-用于电子产品,”机械和航空航天工程学系助理教授Rajiv Malhotra说道。罗格斯大学工程学院-新不伦瑞克省。

    在由聚合物或塑料制成的3D打印结构中嵌入电互连可以为更小,更节能的设备创建新的范例。此类设备可能包括CubeSat(小型卫星),无人机,发射器,光和运动传感器以及全球定位系统。这种互连也经常用于天线,压力传感器,电线圈和电网中以进行电磁屏蔽。

    工程师使用高科技的“强脉冲光烧结”技术-氙气灯发出的高能光-融合了细长的银长杆,称为纳米线。纳米材料的测量单位是纳米(纳米是毫米的百万分之一-比人的头发薄约100,000倍)。熔融银纳米材料已经用于在诸如太阳能电池,显示器和射频识别(RFID)标签的设备中导电。

    Malhotra说,下一步包括制作完全3D内部电路,增强其导电性以及在柔性3D结构内部创建柔性内部电路。

    ——文章发布于2019年的11月5日

    来源机构: 纳米医学 | 点击量:529
  • 摘要:

    科学家们已经制造出一种“人造叶子”,通过将有害的二氧化碳转化为有用的替代燃料,来对抗气候变化。

    今天发表在《自然能源》(Nature Energy)杂志上的一篇论文概述了这项新技术,其灵感来自于植物利用太阳能将二氧化碳转化为食物的方式。

    “我们称它为人工叶子,因为它模仿真实的叶子和光合作用的过程,”滑铁卢大学(University of Waterloo)工程学教授吴一民(Yimin Wu)说。“一片叶子产生葡萄糖和氧气。我们生产甲醇和氧气。”

    二氧化碳是造成全球变暖的主要因素,从二氧化碳中提取甲醇既可以减少温室气体排放,又可以替代产生温室气体的化石燃料。

    这个过程的关键是一种便宜的、经过优化的红色粉末,叫做氧化亚铜。

    在设计上尽可能多地加入八面粒子,当四种物质——葡萄糖、乙酸铜、氢氧化钠和十二烷基硫酸钠——被加入加热到特定温度的水中时,化学反应产生了这种粉末。

    然后,当粉末与水混合,二氧化碳被吹入其中,一束白光被太阳模拟器引导时,粉末充当另一种化学反应的催化剂或触发器。

    “这是我们发现的化学反应,”自2015年以来一直参与该项目的吴说。“以前没有人这样做过。”

    在光合作用中,这种反应产生氧气,同时也将水粉溶液中的二氧化碳转化为甲醇。甲醇在溶液受热蒸发时被收集起来。

    下一步的研究包括提高甲醇产量和将专利技术转化为二氧化碳,这些二氧化碳来自主要的温室气体来源,如发电厂、汽车和石油钻探。

    “我对这一发现改变游戏规则的潜力感到非常兴奋,”吴说,他是机械和机电工程的教授,也是滑铁卢纳米技术研究所的成员。“气候变化是一个紧迫的问题,我们可以帮助减少二氧化碳排放,同时创造一种替代燃料。”

    Wu与Tijana Rajh、伊利诺斯州阿贡国家实验室的其他研究人员、加州州立大学、北岭大学和香港城市大学的科学家合作完成了这篇论文,即单一Cu2O颗粒光催化剂用于将二氧化碳还原为甲醇的面依赖活性位点。

    ——文章发布于2019年11月4日

    来源机构: 纳米医学 | 点击量:641
  • 摘要:

    现代建筑是一项精密的工作。建筑商必须使用符合特定标准的部件,例如理想组合的横梁或特定尺寸的铆钉。建筑行业依赖制造商来可靠地、可重复地制造这些部件,以建造安全的桥梁和可靠的摩天大楼。

    现在想象一个更小的尺度——不到一张纸的百分之一的厚度。这是纳米尺度。科学家们正在努力开发量子计算等领域可能具有突破性的技术。在这种规模下,传统的制造方法根本行不通。我们的标准工具,即使是微型化的,也因为体积太大、腐蚀性太强而无法在纳米尺度上重复制造元件。

    华盛顿大学(University of Washington)的研究人员开发了一种方法,可以在纳米尺度上实现可重复制造。该团队采用了一种广泛应用于生物学的基于光的技术——即光学捕集器或光学镊子——在无水、富含碳的有机溶剂的液体环境中工作,从而实现了新的潜在应用。

    该团队在10月30日的《自然通讯》杂志上发表的一篇论文中指出,光镊充当了一种以光为基础的“牵引光束”,可以将纳米级半导体材料精确地组装成更大的结构。不像科幻小说中的牵引车光束抓取宇宙飞船,该团队使用光镊捕获比一米还短十亿倍的物质。

    “这是一个纳米级制造的新方法,”文章的第二作者彼得Pauzauskie说,华盛顿大学的材料科学和工程学副教授,教员在分子工程与科学学院和研究所纳米工程系统,和在太平洋西北国家实验室的资深科学家。“在制造过程中不涉及腔体表面,这将最小化应变或其他缺陷的形成。所有的组件都悬浮在溶液中,我们可以控制纳米结构的大小和形状,因为它是一块一块组装起来的。”

    “使用这种技术在有机溶剂允许我们使用组件,否则降低或腐蚀接触水或空气,”文章的第二作者文森特·霍姆博格说,威斯康辛大学的化学工程助理教授和教员的清洁能源研究所和分子工程与科学学院。“有机溶剂还能帮助我们对正在使用的材料进行过热处理,使我们能够控制材料的转变并推动化学反应。”

    为了证明这种方法的潜力,研究人员使用光镊构建了一种新的纳米线异质结构,这是一种由不同材料组成的不同截面组成的纳米线。纳米线异质结构的初始材料是较短的晶体锗“纳米棒”,每个纳米棒只有几百纳米长,直径只有几十纳米——大约是人类头发的5000倍。每个表面都覆盖着金属铋纳米晶体。

    然后,研究人员用这种基于光的“牵引光束”抓住其中一个锗纳米棒。来自光束的能量也会使纳米棒过热,熔化铋帽。然后,它们会引导第二个纳米棒进入“牵引光束”——多亏了末端熔化的铋帽——端到端的焊接。然后,研究人员可以重复这个过程,直到他们用重复的半导体-金属接头处组装出一个有图案的纳米线异质结构,这个异质结构的长度是单个构件的5到10倍。

    Holmberg说:“我们已经开始把这种面向光学的组装过程称为‘光子纳米氧化’——本质上是用光在纳米尺度上焊接两个组件。”

    包含材料间结的纳米线——比如由UW团队合成的锗铋结——可能最终成为为量子计算应用创建拓扑量子位的途径。

    牵引光束实际上是一种高度聚焦的激光,它能产生一种光学陷阱,这种获得诺贝尔奖的方法是阿瑟·阿什金在20世纪70年代首创的。迄今为止,光阱几乎只用于水或真空环境。Pauzauskie和Holmberg的团队采用了光学捕获技术,使之能在有机溶剂中更容易挥发的环境中工作。

    霍姆伯格说:“在任何环境下都能产生稳定的光阱,这是一个微妙的力量平衡过程。

    构成激光束的光子对光阱附近的物体产生一种力。研究人员可以调整激光的特性,使产生的力可以捕获或释放一个物体,可以是单个锗纳米棒,也可以是更长的纳米线。

    保佐斯基说:“这是一种可靠的、可再生的纳米制造方法所需要的精确度,它不会与其他表面或材料产生混乱的相互作用,从而导致纳米材料产生缺陷或应变。”

    研究人员认为,他们的纳米氧化方法可以使添加剂制造具有不同材料的纳米级结构用于其他应用。

    霍姆伯格说:“我们希望这次演示的结果是,不管这些材料是否与水相容,研究人员都能利用光阱来操纵和组装更广泛的纳米材料。”

    这篇论文的共同作者是埃琳娜·潘德瑞斯(Elena Pandres),华盛顿大学化学工程专业的研究生,以及马修·克兰(Matthew Crane),华盛顿大学的博士研究生,目前在华盛顿大学化学系担任博士后研究员。合著者是华盛顿大学化学工程名誉教授e·詹姆斯·戴维斯。这项研究是由美国国家科学基金会资助,威斯康辛大学分子工程材料中心,华盛顿大学分子工程与科学研究所,华盛顿大学纳米工程系统研究所,华盛顿大学清洁能源研究所,华盛顿,华盛顿研究基金会和美国空军科学研究办公室。

    ——文章发布于2019年11月4日

    来源机构: 纳米医学 | 点击量:635