技术

研究人员的目标是将丰富的自然资源木材转化为实用材料，依靠真菌中存在的分子机器将复杂的结构分解为更简单的成分。由神户大学的一名研究人员领导的团队开发了一种用于这种真菌分子机器的测试饲料，使他们能够以接近其自然状态的方式监测其作用，这为增强和潜在的工业应用铺平了道路。 生物化学工程师专注于将可再生资源木材转化为各种产品，如生物塑料、医药化学品、食品添加剂或燃料。然而，木材的复杂结构带来了显著的挑战。来自神户大学的生物工程师KO Sangho解释说：“木材由各种化学连接的材料组成，如木质素和半纤维素，这些材料必须先分离才能作为原材料。”本质上，木材需要被剥离。真菌具备能够执行这一功能的酶——微小的化学机器。然而，为了增强和适应这些酶用于工业目的，必须对其机制有更深入的理解。遗憾的是，研究人员之前缺少合适的“底物”来研究这些酶。Koh回忆道：“作为信州大学的研究生，我在使用常用测试底物生成我们熟悉的典型酶促反应动力学图表时遇到了困难。我甚至联系了最初发现该酶的研究者，以理解我做错了什么。他向我保证，我的结果对于那些试图表征这种酶的人来说是典型的。” 受到这一挑战的推动，Koh和他的团队开发出一种新材料，既保留了酶自然底物的基本结构特征，又足够简单，便于进行化学修饰和计算建模。Koh解释说：“我们能够创造合适底物的能力源于我们以前识别出另一种酶，从而使我们能够生产非常特定的半纤维素片段，而这些片段是无法通过其他途径生成的。只有通过这些片段，我们才能化学合成合适的测试底物。”这突出了解释之前尝试未能有效表征该酶的原因。 生物工程师们最近在《生物化学与生物物理研究通讯》期刊上发布了他们的发现。作为第一个观察孤立酶在几乎自然环境中行为的团队，他们成功确定了其反应速度和亲和力——这些是专注于酶开发的生物工程师的重要指标。Koh反思道：“当我最终看到设计底物生成的类似教科书的反应动力学时，那是一个愉快的时刻。现在，我们可以准确地表征该酶的‘真实’特性，并增强其工业应用。”…

研究人员创建了一个创新框架，旨在使复杂的人工智能任务对用户更容易理解和更清晰。该框架专注于为深度强化学习（DRL）查询提供解决方案。它将开发者、公司和有特定人工智能需求的个人连接到配备必要资源、专业知识和模型的服务提供商。该服务基于众包运营，利用区块链技术和智能合约——嵌入代码的协议，具有预定义条件——将用户与合适的服务提供商联系起来。 未来，工作场所将运作在大量数据上。为了有效处理这些数据，企业、开发者和个人将需要增强的人工智能（AI）系统、更好培训的人工智能人员以及更强大的数据处理服务器。 虽然大型科技公司有能力满足这些要求，但许多中小企业和个人发现这些资源难以获得。为了解决这一差距，来自康考迪亚大学的一组国际研究人员创建了一个新的框架，旨在使复杂的人工智能任务对用户而言更可获取和简单。 在发表在《信息科学》杂志上的论文中概述了该框架，专注于为深度强化学习（DRL）请求提供解决方案。DRL是机器学习的一个分支，结合了深度学习——它使用分层神经网络识别大型数据集中的模式——与强化学习，其中代理通过与环境的互动学习决策，基于奖励和惩罚系统。 DRL在包括游戏、机器人技术、医疗保健和金融等各个领域都有应用。…

研究人员开发了“智能”微粒，这些微粒在添加特定分子时可以自组装。这项创新工作的提升了我们对生物分子复合体行为的理解，并可能导致新型聚合物的诞生，这些聚合物能够对环境变化作出反应。 如果你曾看看一个平放家具盒子，并希望这些部件能神奇地组合成桌子或椅子，那么一个简单的病毒可能会为你提供一些见解。 自组装对于形成各种生物结构至关重要，包括蛋白质、细胞膜甚至完整的病毒。超分子化学专注于从有限的一组小成分构建大型分子。通过调整不同聚合物之间的吸引力强度，研究人员可以在需要时创建复杂的结构，从而导致“智能材料”的产生，这些材料能够对环境变化作出反应，例如新的化学物质的存在。尽管具有潜力，超分子化学的许多元素仍然没有被很好地理解。 在最近发表在《科学报告》上的一项研究中，大阪大学的科学家们展示了添加剂可以刺激由一种称为聚（钠丙烯酸酯）的超吸水性聚合物制成的球形微粒的自组装。他们还发现这些添加剂可以影响组装结构的整体形状。一些聚合物分子用特定化学物质β-环糊精（βCD）处理，而其他则用金刚烷（Ad）残留物改性。然而，微粒仅在添加一定临界浓度的1-金刚烷胺盐酸盐（AdNH3Cl）后才开始形成集合体。研究人员与生物蛋白质进行了对比，生物蛋白质由称为氨基酸的小单元的长序列组成。蛋白质的折叠结构受氨基酸之间的各种吸引和排斥的支配，例如氢键、电静力相互作用或疏水力。类似的相互作用也可以在其他大型生物分子中发生，包括DNA、多糖和脂类。 “在某种意义上，所有生物体都可以被视为具有复杂功能的超分子聚合物的集合体，”研究的主要作者桥津明人说。…

研究人员发现了一个特殊的集群尺度强引力透镜，称为旋转透镜，其特征是七个背景星系的罕见排列。这种独特的配置为研究宇宙学，特别是集中于暗物质和暗能量，开辟了新的途径。 “我们在这里发现的是一种令人难以置信的幸运‘星系排列’——几个人造星系在可观测宇宙的大部分视线上的偶然位置，”研究共同作者、伯克利实验室物理部门高级科学家大卫·施莱格尔(David Schlegel)表示。“找到一个这样的排列就像在干草堆中寻找针。发现这么多就像是在那个干草堆中发现八根完美排列的针。” 旋转透镜由一个前景星系集群（充当‘透镜’）和七个背景星系组成，这些星系散布在宇宙的广阔距离中。这种显著的排列允许天文学家通过透镜造成的引力扭曲观察这些遥远的星系。在下面的引人注目的图像中： 透镜集群位于距地球50亿光年处，由其四个最亮和最庞大的星系（标记为La、Lb、Lc和Ld）表示，形成了图像的前景。…

说茄子！一个椭圆星系和一个螺旋星系的互动，被统称为 Arp 107，创造了一个愉悦的外观，标志着明亮的“眼睛”和宽大的半圆形“微笑”。尽管这个区域在2005年曾被美国宇航局的斯皮策空间望远镜在红外线下观察过，但詹姆斯·韦伯太空望远镜捕捉到了更高的细节。该图像是来自韦伯的中红外仪器（MIRI）和近红外相机（NIRCam）收集的数据的组合。 NIRCam 强调了两个星系中的恒星，并展示了它们之间的联系：一条发光的白色恒星和气体的纽带，在它们的互动中从每个星系中被拉出。橙红色的…

想象一下简单地告诉你的汽车，“我很着急”，它就会自动找到最快的到达目的地的路径。 普渡大学的工程师们发现，自动驾驶汽车（AV）可以借助ChatGPT和类似的聊天机器人实现这一点，这些技术采用了被称为大型语言模型的先进人工智能方法。 这项研究将于9月25日在第27届IEEE智能交通系统国际会议上发表，可能是最早评估真实的自动驾驶汽车如何利用大型语言模型有效解读乘客请求的研究之一。 普渡大学莱尔斯土木与建筑工程学院的助理教授、该研究的负责人王子然表示，未来汽车要实现完全自主，需理解乘客的每一个指令，包括暗示的指令。例如，出租车司机在你说着急时就能理解你的紧迫感，而不需要你具体说明避开繁忙交通的路线。 尽管现今的自动驾驶汽车提供了沟通功能，但它们通常需要用户比与人交流时更加明确。相比之下，大型语言模型能够更自然地理解和回应，因为它们经过训练，能够从大量文本数据中提取联系，并随着时间的推移不断学习。…

研究人员在超分子水平上创造了一种令人印象深刻的人工马达，展示了显著的动力。这种上弦马达是一条由独特分子组成的小带子。当施加能量时，这条带子会自我对齐并像小鳍一样移动，从而推动物体。这种能量的来源是化学燃料。 慕尼黑工业大学（TUM）的研究人员设计了一种复杂的超分子人工马达，能够产生显著的动力。这种上弦马达由特制分子制成的微小带子组成。当能量被供给时，带子会自我对齐并类似于小鳍的方式移动，从而推动物体。值得注意的是，这是首个能量来自化学燃料的实例。 之前，化学能在超分子尺度上转化为旋转运动—特别是针对小型多分子结构—仅在生物系统中被观察到。简单的微生物，称为古菌，利用化学燃料ATP旋转其微小的鳍状附肢，称为鞭毛，以便进行移动。直到现在，尚未存在这种机制的合成版本。这项新进展可能为纳米机器人铺平道路，使其能够在血管中导航以识别肿瘤细胞。 化学燃料驱动旋转 由Brigitte和Christine…

研究人员有效利用阳光将两种特别有害的温室气体转化为有用的化学品。这一突破有潜力帮助应对气候变化，同时提供一种更环保的特定工业产品制造方法。 麦吉尔大学的研究人员有效利用阳光将两种特别有害的温室气体转化为有用的化学品。这一突破有潜力帮助应对气候变化，同时提供一种更环保的特定工业产品制造方法。 “想象一下，如果你的汽车或工厂的排放能够借助阳光转化为清洁燃料、常见塑料的基本材料和储存在电池中的能量，将会是怎样的世界，”共同第一作者、麦吉尔大学化学系的博士后研究员徐辉说。“这正是这一新化学过程所能实现的转型。” 研究团队开发了一种新型的基于光的化学过程，该过程在单一反应中将甲烷和二氧化碳转化为绿色甲醇和一氧化碳。据研究人员称，这两种副产品在化学和能源行业中都备受追捧。 向自然寻找环保解决方案…

一个在重复利用二氧化碳（CO2）以制造环保燃料方面的重要进展是将碳原子连接在一起。密歇根大学的人工光合作用技术能够有效地连接两个碳原子，在该领域取得了领先的结果。 这一创新系统以卓越的效率、产率和耐久性生成乙烯，超越了其他人工光合作用设备。乙烯是一种主要用于塑料生产的碳氢化合物，可以从通常会释放到大气中的二氧化碳中合成，为塑料创造了可持续的替代品。 “其性能，包括活性和稳定性，约是利用太阳能或光将二氧化碳还原为乙烯时通常报告的效果的五到六倍，”密歇根大学电气和计算机工程教授、《自然合成》一篇研究的第一作者Zetian Mi表示。 “乙烯是全球生产量最大的有机化合物，但通常是从石油和天然气在高温高压下提取，这些过程会释放二氧化碳。”…

研究人员创建了一种名为RAPTOR的新光学方法，用于检测半导体设备中的假冒芯片，目前正在申请专利。这一创新技术利用深度学习来发现任何篡改。RAPTOR改进了传统的假冒检测方法，这些方法在可扩展性方面存在困难，并且难以区分正常磨损和故意篡改。 来自普渡大学工程学院的研究团队专门为半导体芯片设计了一种新型光学假冒检测系统，目前正寻求专利保护。 该方法被称为RAPTOR，代表残差注意力基础的篡改光学响应处理。它使用深度学习技术来检测篡改迹象，显著提升了旧有技术的局限性，尤其是在可扩展性和区分自然磨损与恶意干扰方面的不足。 该项目的领导人是亚历山大·基尔迪舍夫，埃尔莫尔家庭电气与计算机工程学院的教授，他的团队研究成果发表在著名期刊《先进光子学》上。 “我们的技术为半导体行业整合基于深度学习的反假冒策略开辟了重要机遇，”他说。…

您是一名熟练的消防员，正在应对猛烈的野火。当火焰突破防火线时，您的团队必须迅速通过指定路线逃生。在那天早些时候，团队负责人预测了安全到达所需的时间。随着火焰在您身后燃烧，您看了看手表，希望他们的估计是准确的。 消防员通常依靠他们丰富的经验和当地知识选择撤离路径，通常缺乏数字地图或空中数据的支持。现有工具通常仅关注地形的坡度以估计行程时间。然而，在陡峭的道路上冲刺可能比穿越布满岩石的平坦田野或穿过高矮灌木要快。需要一种工具，能够考虑景观特征的所有要素，以提供准确的行程时间估计供消防员、灾害应对人员、农村医疗提供者以及各领域的专业人员使用。 在一项最近的研究中，犹他大学的研究人员推出了“在多样环境中模拟行程速度”（STRIDE）的开创性模型，该模型整合了地面粗糙度和植被密度以及坡度的陡峭度，能够极其准确地预测步行的行程时间。 犹他大学环境、社会与可持续发展（ESS）学院的助理研究教授、该研究的主要作者米奇·坎贝尔（Mickey Campbell）表示：“关于消防员安全的一个关键问题是他们的移动能力。如果我身处深林，需要逃生，我应该走哪条路线，花多长时间才能逃脱？”…

在我们认为的固体物质中，现实并不像表面那么简单。原子的核心由称为重子（通常称为质子和中子）的粒子组成，实际上是一个充满夸克和胶子并不断相互作用的动荡环境，这些粒子统称为部分子。 一组被称为HadStruc合作组的物理学家们，最近统一了他们的努力，绘制这些部分子的图谱，并澄清它们如何相互作用以产生重子。该团队在汤马斯·杰弗逊国家加速器设施运营，属于美国能源部，专注于开发理解部分子相互作用的数学框架。他们最新的研究已发表在《高能物理学杂志》。 “HadStruc合作组位于杰弗逊实验室理论中心，并与一些合作大学合作，” 杰弗逊实验室理论与计算物理中心的博士后研究员约瑟夫·卡尔皮（Joseph Karpie）说。“我们有来自威廉与玛丽大学和老域名大学的成员参与。”…