来源:《物理评论快报》
MIT团队利用超冷原子晶格设计出史上最精确的”量子双缝实验”,最终判定玻尔正确:光无法同时展现波与粒子特性。研究者将1万个原子冷却至接近绝对零度排列成晶格,用极弱光束照射发现,光子路径信息获取越精确(粒子性),其波动干涉条纹就越弱。该实验证实了量子力学核心原理——观测行为本身会改变量子态,爱因斯坦设想的”同时观测波粒性”无法实现。诺奖得主克特勒表示,这种原子级狭缝实验是验证量子基础的终极版本。
来源:《物理评论快报》
MIT团队利用超冷原子晶格设计出史上最精确的”量子双缝实验”,最终判定玻尔正确:光无法同时展现波与粒子特性。研究者将1万个原子冷却至接近绝对零度排列成晶格,用极弱光束照射发现,光子路径信息获取越精确(粒子性),其波动干涉条纹就越弱。该实验证实了量子力学核心原理——观测行为本身会改变量子态,爱因斯坦设想的”同时观测波粒性”无法实现。诺奖得主克特勒表示,这种原子级狭缝实验是验证量子基础的终极版本。
来源:《美国国家科学院院刊》
哥伦比亚大学团队发现陨石中的二氧化硅矿物”鳞石英”具有独特混合态导热特性:在80-380K温度范围内保持恒定导热率,打破了晶体(导热随温度降低)与玻璃(导热随温度升高)的传统规律。该材料源于1724年德国陨石,在火星和钢铁炉耐火砖中也有存在。研究通过机器学习建立的统一方程预测并验证了这一现象,有望应用于钢铁制造减碳、航天热障涂层等领域,同时为研究行星热演化提供新线索
来源:《PRX Energy》
研究首次揭示陶瓷材料LLZTO在离子传导过程中保持极低导热率(1.59 W/m·K)的原子机制:其晶格内光学声子与载热声子发生强烈散射,且结构具有高非谐性,共同抑制热传导。该特性源于材料本质,即便单晶形态也保持不变。这一发现解释了固态电解质在电池工作时的自冷却现象,为设计兼具高能量密度与热安全性的下一代锂电池提供了关键理论基础,有望推动电池热管理策略从宏观干预迈向原子级调控。
来源:《科学》
物理学家通过将放射性镭原子与氟结合形成氟化镭分子,利用分子内强电场约束电子运动,使其能短暂穿透原子核。团队精确测量了电子能量出现的微小偏移(仅为激光光子能量的百万分之一),证实了电子与核内质子和中子的相互作用。这种桌面级方法取代了传统千米级粒子对撞机,首次实现对原子核内部磁分布的探测。该技术为研究镭核的梨形不对称结构及探索宇宙中物质-反物质不对称之谜提供了新途径。
来源:《科学》
研究人员在米粒大小的芯片上,制备了仅百万分之一毫米厚的超流体氦薄膜,构建出全球最小“波浪池”。超流体的量子特性使其无阻力流动,团队利用激光驱动并观测到反向波、孤子等奇异现象。该芯片将传统需数天的实验压缩至毫秒级,并能将非线性效应增强超10万倍,为研究湍流、极端波浪及量子涡旋动力学提供了革命性平台,有望推动气象预测与能源技术发展。
来源:世界气象组织(WMO)
世界气象组织通过卫星数据分析确认,2017年10月22日发生在美国中西部的一场雷暴中,一道闪电横向延伸达515英里(约829公里),相当于从华盛顿特区到芝加哥的距离,创下新的世界纪录。这一”超级闪电”比2020年原纪录还多出61公里,其形成与北美大平原的中尺度对流系统雷暴有关。专家指出,此类极端闪电对航空安全和野火防控构成重大威胁,并强调只有具备完善电路的建筑物或全金属车体才能有效防雷。
来源:《纳米能源》
欧洲研究团队利用纳米多孔硅与水的固液界面摩擦效应,开发出新型侵入-挤出摩擦电纳米发电机(IE-TENG)。该技术通过周期性压入与排出水在疏水纳米孔中产生电荷,实现了高达9%的机械能-电能转换效率,为同类固态-液态纳米发电机最高纪录之一。该系统仅使用地球上最丰富的半导体硅与液态水,无需特殊材料,为自供能传感器、智能织物及触觉机器人等应用提供了稳定可扩展的绿色能源解决方案。
来源:《物理评论快报》
田纳西大学核物理团队利用CERN的ISOLDE装置,通过研究铟-134的β衰变过程取得三项突破性发现:首次测量了β延迟双中子发射的能量谱;观测到锡-133中理论预测的单中子态,证明原子核在衰变过程中会“记忆”前身核状态;发现该态的非统计布居现象。这些发现修正了传统核模型,为理解中子俘获过程(r过程)如何在地球极端环境中合成金、铂等重元素提供了关键实验依据。
来源:《美国国家科学院院刊》(PNAS)
美国埃默里大学团队利用AI破解了尘埃等离子体(如土星环、野火烟雾中的物质状态)中粒子相互作用的非互易力机制。研究人员通过3D成像系统记录粒子运动轨迹,训练内置物理规则的神经网络,最终以99%的精度揭示了”前导粒子吸引追随者,但追随者排斥前导粒子”的非对称作用力,并修正了”粒子电荷与尺寸正比””作用力随距离均匀衰减”等传统理论错误。该研究证明AI能以少量数据发现基础物理规律,相关框架可拓展至生物细胞、工业材料等多粒子系统研究。
来源: 《美国国家科学院院刊》
加州理工学院Anima Anandkumar团队开发了新型机器学习模型NucleusDiff,通过引入原子间距离约束等简单物理规则,有效解决了AI在药物设计中常提出的不符合物理规律的分子结构问题。该模型通过估算分子空间分布,避免原子碰撞,在测试中不仅将原子碰撞率降至接近零,还显著提升了结合亲和力的预测准确性,尤其在COVID-19靶点蛋白3CL蛋白酶的应用中表现优异。研究体现了“AI4Science”计划中物理知识与数据驱动模型的深度融合,增强了AI在科学探索中的可靠性与泛化能力。