科技資訊

“不會弄濕的表面”，產業側該怎么落地？

當雨滴落在植物的葉片上，可以觀察到雨滴形成一個個圓滾滾、透明的水珠卻不鋪陳開來浸潤葉片，而且只要稍傾斜葉片，水珠還會快速滾離。用科學話語轉述一下，這種自潔葉面現象其實是超疏水表面形成的“荷葉效應”。超疏水指水滴接觸角大于150度，滾動角小于10度的濕潤狀態。科學家觀察發現，葉片表面遍布微小的乳突結構，正是這些復雜的“微米—納米”多重結構導致了水滴落在葉面上之后，將與葉片隔著一層極薄的空氣而無法徹底浸潤。

過去的20年間，超疏水表面基礎研究取得快速發展，包括制備、仿生、潤濕性理論和潛在應用等。由于其獨特的潤濕性，超疏水表面在自清潔、油水分離、防腐、防結冰等諸多領域具有廣闊應用前景，但其實際應用卻相對滯后。

中國科學院蘭州化學物理研究所環境材料與生態化學研發中心硅基功能材料組長期從事超疏水表面基礎研究和技術開發融合發展工作，致力于突破關鍵共性技術瓶頸，推進其產業化和實際應用。截至目前，他們實現了在5G天線罩/雷達罩防雨衰、高壓輸電線路防結冰、抗危化液體黏附、電子產品防水防油膜、家電自清潔涂層和智能礦山影像識別系統等領域的實際應用。交叉融合研究方向，將超疏水表面引入鋰金屬電池隔膜和太陽能界面蒸發等領域。

近日，該課題組發表展望文章，介紹了對超疏水表面發展現狀的調查結果，包括基礎研究、專利申請和商業化情況。基于前期調查和多年研發基礎，探討了超疏水表面商業化和廣泛實際應用的挑戰和策略——超疏水表面的綜合性能、制備方法和應用場景是其商業化和廣泛實際應用的主要制約因素，在設計制備超疏水表面時，應同時兼顧、解決這些挑戰。為此，課題組提供了可行策略。文章重點介紹了超疏水表面綜合性能的標準測試方法，展望發展前景。課題組期望通過文中建議的策略及學術界和工業界的合作，于2035年左右實現超疏水表面的廣泛商業化和實際應用。

大型醫學數據庫已建好，一起去挖掘數據“寶藏”吧

全基因組測序（WGS）數據已被廣泛應用于疫情監測、檢測、溯源和進化等研究中。但是現有的病原基因組數據庫并未覆蓋所有人類病原體，也存在數據質量低、缺乏流行病學信息等問題。因此，建立一個全面覆蓋致人類傳染病病原體的高質量參考基因組數據庫并整合流行病學數據的知識庫，將對各類疫情的全球監測及預警具有重要價值。

近日，中國科學院微生物研究所國家微生物科學數據中心開發的“全球病原微生物數據庫”發布相關論文，詳細介紹了人類病原體綜合基因組參考數據庫以及利用參考數據庫所整合的一系列病原微生物研究分析工具和應用實例。

“全球病原微生物數據庫”通過收集、整合全球范圍的食品、環境、病人等來源的病原微生物基因組及流行病學、文獻等數據，對人類病原微生物進行了分型、核心基因、藥物抗性、毒力基因和移動元件的分析研究；推出一系列整合高質量參考數據庫的病原微生物鑒定、溯源和進化分析的在線工具平臺，實現了基于全球真實數據的動態病原譜、分型譜、抗性譜和毒力譜的繪制。

惠及多領域研究者！“驚蜇”成新秀

脈沖神經網絡（SNN）被譽為第三代神經網絡，使用更低層次的生物神經系統的抽象，既是神經科學中研究大腦原理的基本工具，又因其稀疏計算、事件驅動、超低功耗的特性而備受計算科學的關注。隨著深度學習算法的引入，SNN的性能得到大幅度提升，脈沖深度學習作為計算神經科學與深度學習的交叉學科，成為新興研究熱點。傳統SNN框架更多關注生物可解釋性，致力于構建精細脈沖神經元并仿真真實生物神經系統，并不支持自動微分，無法充分利用圖形處理器（GPU）的大規模并行計算能力，也缺乏對神經形態傳感器和計算芯片的支持，難用于脈沖深度學習任務。

對此，北京大學深圳研究生院信息工程學院田永鴻教授團隊構建并開源了脈沖神經網絡深度學習框架SpikingJelly（中文名：驚蜇）。“驚蜇”提供了全棧式的脈沖深度學習解決方案，提供神經形態數據處理、深度SNN的構建、替代梯度訓練、人工神經網絡（ANN）轉換SNN、權重量化和神經形態芯片部署等功能。研究團隊認為，“驚蜇”框架的顯著優勢體現在兩方面：簡單易用，研究者可以快速進行跨領域的學習和使用，通過寥寥數行代碼輕松構建并訓練深度SNN；超高性能，與其他框架相比，“驚蜇”可達11倍的訓練加速。

自2019年冬季一經推出，“驚蜇”框架就獲得研究者青睞，基于“驚蜇”的研究工作大量出版，將SNN的應用從簡單的MNIST數據集分類擴展到人類水平的imageNet圖像分類、網絡部署、事件相機數據處理等實際應用。圍繞該框架，還有尖端前沿領域的探索，包括可校準的神經形態感知系統、神經形態憶阻器、事件驅動加速器硬件設計等。目前有超過123篇公開論文使用“驚蜇”框架進行實驗。上述應用和研究表明，“驚蜇”的開源，極大促進了脈沖深度學習領域的發展。

放入人體的“絲”，量產化難題已解決！

如神經纖維、肌纖維、心肌纖維……可以說，纖維在人體中廣泛存在。隨著生物醫學中仿生材質的普遍使用，具有仿生性能的人工合成纖維在組織功能修復、生理信號監測、光電刺激干預等生物醫學場景展示出了巨大前景，開發生物相容性且與生物軟組織力學性質（柔軟且可延展）相似的合成纖維變得尤為關鍵。從材料角度看，水凝膠穩定性不佳限制了其應用范圍，而彈性體聚合物可以用于制備柔軟且穩定的延展纖維，但制備過程受制于聚合物的可紡性。對這類不可紡的彈性體聚合物，如在生物醫學中廣泛應用的硅膠類聚合物，現有技術仍難以實現高品質、大規模生產。

對此，西安交通大學生命科學與技術學院仿生工程與生物力學研究所與海南大學生物醫學工程學院趙國旭副教授和王東教授開展多學科交叉合作，他們開發了一種水凝膠輔助的同軸微流控紡絲方法，能夠量產纖維形態優異的可拉伸纖維，普適于一大類不可紡聚合物。

他們研究揭示了纖維制備過程的流體力學機制，成功制備了直徑大范圍可控、長度數十米且形態優異的可拉伸纖維。同時，該技術也能夠通過纏繞塑形制備尺寸大范圍可控、可拉伸性優異且力學順應的彈性體螺旋纖維。

基于該技術，課題組成功制備了多種可拉伸功能纖維并驗證了其生物醫學應用潛力：PDMS纖維可編織為繩索和織物；導光PDMS纖維能夠可穿戴式監測多種人體力學信號；平直和螺旋結構碳納米管（CNT）/PDMS導電纖維能夠分別用作可穿戴力學傳感器和力不敏感導體；磁性修飾的螺旋PDMS纖維能夠在血管樣管道內磁控移動，有望用作血管內軟體機器人。

這項研究解決了一大類不可紡聚合物的量產化紡絲難題，將極大地促進新型可拉伸纖維的研發和應用，有望作為一種基礎性制備技術和材料類型，廣泛應用在生物醫學等多行業領域。

AI賦能3D打印，距離骨缺損修復精準治療不遠了

多孔結構超材料廣泛存在于自然界中，如蝴蝶翅膀和人體骨骼，展現出優于基質材料的力學和生物學性能，被廣泛應用于輕質結構、組織工程、聲學和電學等領域。3D打印令高精度復雜多孔結構的低成本高效制造成為可能，然而，超材料的結構設計空間十分龐大，結構與性能的映射關系復雜，如何發揮3D打印的結構功能化優勢成為科學難題。基于機器學習的設計方法能夠實現無先驗知識條件下的高效設計，但目前多集中于二維結構，僅適用于低維或單目標優化問題。而工程中廣泛應用的三維結構通常涉及高維多目標優化，具有數據稀疏性、龐大搜索空間和嚴格外部約束等特點。

清華大學機械系溫鵬副教授團隊近日提出一種生成模型、三維卷積神經網絡和數值模擬相融合的設計——多目標主動學習循環（GAD-MALL）算法的超材料設計方法。這種學習方法能在數據稀疏場景下有效解決高維多目標優化難題，為AI賦能材料和結構設計提供了一種高效范式。

研究團隊成功地將這種方法應用于鈦合金和可降解鋅金屬骨缺損修復多孔植入物的優化設計和3D打印。其生成的多孔植入物在快速匹配骨骼解剖形態和彈性模量的同時，還能保持良好的孔隙連通性和可制造性，展現出比均質結構和拓撲優化結構更高的屈服強度和更均勻的應力分布。

目前該團隊和北京大學第三醫院骨科合作，在國際上率先實現了3D打印可降解金屬多孔植入物的臨床應用，成功完成圍關節骨折骨缺損修復30余例。據稱，未來將會采用AI賦能的定制化方法，對3D打印多孔植入物的材料和結構進一步優化，實現骨缺損修復的精準治療。

拓撲編碼的繁花，將綻放于量子存儲的土壤之上

拓撲量子物態是一個在凝聚態物理和量子信息領域中都備受關注的研究方向，其中之一就是可以為量子計算機的設計提供有效的糾錯容錯方案。使用多粒子系統的集體拓撲態作為有效的邏輯量子比特，拓撲編碼因而可以免疫局部錯誤帶來的影響。然而，標準的拓撲編碼仍有缺陷——在現實三維空間（或其低維子空間）中，仍需要持續性的人為糾錯操作，去對抗持續的熱噪聲以及其他不斷積累的誤差。而理想的存儲器應具備無限長的記憶時間，通過保持低溫和本身動力學就可以自行進行糾錯，將錯誤率維持在容錯范圍之內。

量子自行糾錯相關理論探索方面，科學家已經構造出一些分形子（fracton）模型，這類模型簡單而奇異，具有一類不可自由移動的點狀激發，是超出現有框架的非常規拓撲序。盡管尚不能完全實現自行糾錯，但分形子模型揭示了一類非傳統意義的新奇拓撲序——分形子拓撲序，提供了超出拓撲計算標準范式的替代方案。但當下，分形子編碼的很多基本特性尚未被探索。

近日，中國科學院理論物理研究所宋昊副研究員與合作者首次研究了分形子模型作為量子糾錯碼的理論容錯極限。該工作將尋找分形子編碼容錯極限的問題轉化為求解自旋統計模型相變溫度的統計物理問題。其求解的自旋統計模型具有子系統對稱性和隨機的多體相互作用，是一類新穎的統計力學模型。

該研究揭示了分形子拓撲序作為量子存儲平臺的巨大潛力：通過并行回火蒙特卡羅方法進行數值模擬，研究人員得到自旋統計模型的相圖，進而獲得相應的分形子編碼容錯極限。以最簡單的分形子模型——X-cube模型為例，研究人員詳細地計算并與已知的常規三維拓撲編碼進行比較后，發現分形子編碼擁有更好的容錯性。