在制造高效燃料電池方面,尋找好的催化劑已經(jīng)成為一大核心議題。
強(qiáng)大的催化劑,能夠帶來更快、更高效的化學(xué)反應(yīng),從而增加能量輸出。目前的燃料電池,通常依賴于鉑基催化劑,但美國(guó)大學(xué)的科學(xué)家們認(rèn)為,菠菜(由于富含營(yíng)養(yǎng)素而被認(rèn)為是一種「超級(jí)食品」)能夠成為一種理想的可再生富碳催化劑,相關(guān)原理驗(yàn)證實(shí)驗(yàn)已經(jīng)通過論文發(fā)表[注1]。對(duì)于這一結(jié)論,大力水手絕對(duì)會(huì)拍手叫好。
菠菜在科學(xué)領(lǐng)域有著悠久的貢獻(xiàn)歷史。早在約40年前,就有人希望利用菠菜強(qiáng)大的光合能力與電化學(xué)特性。菠菜營(yíng)養(yǎng)豐富、成本低廉、易于生長(zhǎng),而且富含鐵與氮。多年前,作為一位剛剛?cè)胄械目茖W(xué)家,我還聽過物理學(xué)家Elias Greenbaum在菠菜研究會(huì)議上的主題演講,他對(duì)菠菜葉中基于蛋白質(zhì)的“反應(yīng)中心”很感興趣,希望探索光合作用的基本機(jī)制(即植物將二氧化碳轉(zhuǎn)化為氧氣與碳水化合物的過程)。
菠菜中有兩類反應(yīng)中心。其一為光系統(tǒng)1(PS1),負(fù)責(zé)將二氧化碳轉(zhuǎn)化為糖;其二為光系統(tǒng)2(PS2),負(fù)責(zé)將水分解為氧氣。PS1引起了科學(xué)家們的高度關(guān)注,它就像是一個(gè)微型光敏電池,能夠吸收陽光中的能量,并以近100%的效率發(fā)射出電子。PS1的效率之高,足以在幾分之一秒內(nèi)產(chǎn)生光感應(yīng)電流。
當(dāng)然,其功率并不算大,但只是讓小分子細(xì)胞器維持一整天的運(yùn)轉(zhuǎn)。物理學(xué)家Greenbaum的工作,是希望打造人造視網(wǎng)膜,使用光敏PS1代替受損的視網(wǎng)膜細(xì)胞,借此治療患有退化性眼疾的病人。由于PS1可以調(diào)整,其功能類似于二極管,只能在一個(gè)方向上傳遞電流(而無法反向傳遞電流)。因此,如果能夠通過碳納米管制分子大小的導(dǎo)線將PS1連接起來,即可構(gòu)建基礎(chǔ)性的計(jì)算機(jī)處理器邏輯門。
Greenbaum只是眾多對(duì)菠菜抱有興趣的研究者之一。2012年,范德比爾特大學(xué)科學(xué)家就將PS1與硅結(jié)合使用,通過將蛋白質(zhì)中心沉積到金屬基底上,將電流水平提高至近1000倍,電壓也同時(shí)有所提升。他們的目標(biāo),是最終打造出“生物混合型”太陽能電池,使其在電壓與電流水平等方面足以與標(biāo)準(zhǔn)硅太陽能電池相抗衡。
除了強(qiáng)大的反應(yīng)中心之外,菠菜還擁有其他有趣的特性。例如,中國(guó)研究人員在2014年發(fā)表的一篇論文[注2]提到,他們從菠菜中收集活性炭作為電容器電極的實(shí)驗(yàn)。去年12月,另一組中國(guó)科學(xué)家則探討了將基于菠菜的納米復(fù)合材料作為光催化劑的潛力[注3]。
菠菜還展現(xiàn)出成為燃料電池催化劑的潛質(zhì)。Greenbaum早期曾申請(qǐng)了使用菠菜作為催化劑的專利,即將金屬鉑撒到PS1上,以產(chǎn)生純氫氣,并為燃料電池供電。最新論文作者認(rèn)為,葉綠素有望成為燃料電函中氧化還原反應(yīng)的一種低毒性、低成本催化劑。這篇中國(guó)研究人員的論文采取了不同于Greenbaum的方法,使用菠菜制成了富含碳的納米片。
美國(guó)大學(xué)的科學(xué)家們則從常見的廚房攪拌器起步,將新鮮洗凈的菠菜葉裝在其中并打成泥。將得到的菜汁進(jìn)行冷凍干燥之后,他們使用研缽及研杵將其研磨成細(xì)粉。接下來,我們向其中添加多種鹽(氯化鈉、氯化鉀)及少量三聚氰胺,以提高氮含量。美國(guó)大學(xué)化學(xué)教授ShouZhong Zou在采訪中表示,“我們的實(shí)驗(yàn)方法需要向原料中添加更多的氮。盡管菠菜本身就擁有豐富的氮,但在制備過程中,一部分氮會(huì)發(fā)生流失。”
鹽,則是在最終納米片中生成孔狀結(jié)構(gòu)的關(guān)鍵,這些孔狀結(jié)構(gòu)則有利于優(yōu)化化學(xué)反應(yīng)的表面積。Zou解釋道,“雖然我們將其稱為納米片,但這些片狀產(chǎn)物相互堆疊時(shí),會(huì)形成一種非常堅(jiān)固的結(jié)構(gòu)。我們需要保證其中包含足夠多的孔,保證所有活性部位都能參與反應(yīng)。”
最后,美國(guó)大學(xué)的團(tuán)隊(duì)在900攝氏度溫度下進(jìn)行兩輪熱分解,借此產(chǎn)出富含碳的納米片。
他們發(fā)現(xiàn),菠菜衍生出的催化劑在效率上超過了鉑基催化劑。Zou解釋道,“這項(xiàng)工作表明,自然界的氧化還原反應(yīng),足以制造可持續(xù)的催化劑。我們的測(cè)試方法能夠從菠菜中產(chǎn)出高活性碳基催化劑。除了菠菜本身的可再生屬性之外,其在活性與穩(wěn)定性方面也都優(yōu)于商用鉑基催化劑。”
很明顯,這一切僅僅是原理層面的證明,在理想實(shí)驗(yàn)室環(huán)境下能夠良好起效的方法,并不一定可以輕松被轉(zhuǎn)化為實(shí)際應(yīng)用。下一步,需要建立一套完整的原型,在實(shí)際氫燃料電池中使用基于菠菜的催化劑。Zou表示,他們需要與其他實(shí)驗(yàn)室合作,探索菠菜能否在電動(dòng)汽車的金屬空氣電池中充當(dāng)良好催化劑。
[注1]論文《Spinach-Derived Porous Carbon Nanosheets as High-Performance Catalysts for Oxygen Reduction Reaction(菠菜衍生的多孔碳納米片作為氧還原反應(yīng)的高性能催化劑)》獲取方式:https://pubs.acs.org/doi/10.1021/acsomega.0c02673
[注2]論文《Hierarchical porous activated carbon produced from spinach leaves as an electrode material for an electric double layer capacitor(以菠菜葉為原料制備的分級(jí)多孔活性炭,作為雙電層電容器的電極材料)》獲取方式:https://www.sciencedirect.com/science/article/abs/pii/S1872580514601359
[注3]論文《Bio-inspired Spinach-leaf-based Au/ZnO Nanocomposites as Photocatalyst(以菠菜葉為基礎(chǔ)的納米復(fù)合材料作為光催化劑的潛力)》獲取方式:https://link.springer.com/article/10.1007/s42235-019-0120-6
好文章,需要你的鼓勵(lì)
浙江大學(xué)團(tuán)隊(duì)提出動(dòng)態(tài)專家搜索方法,讓AI能根據(jù)不同問題靈活調(diào)整內(nèi)部專家配置。該方法在數(shù)學(xué)、編程等任務(wù)上顯著提升推理準(zhǔn)確率,且不增加計(jì)算成本。研究發(fā)現(xiàn)不同類型問題偏愛不同專家配置,為AI推理優(yōu)化開辟新路徑。
清華大學(xué)研究團(tuán)隊(duì)提出SIRI方法,通過"壓縮-擴(kuò)張"交替訓(xùn)練策略,成功解決了大型推理模型"話多且準(zhǔn)確率低"的問題。實(shí)驗(yàn)顯示,該方法在數(shù)學(xué)競(jìng)賽題上將模型準(zhǔn)確率提升43.2%的同時(shí),輸出長(zhǎng)度減少46.9%,真正實(shí)現(xiàn)了效率與性能的雙重優(yōu)化,為AI模型訓(xùn)練提供了新思路。
南洋理工大學(xué)與騰訊聯(lián)合研究團(tuán)隊(duì)開發(fā)出Rolling Forcing技術(shù),實(shí)現(xiàn)AI視頻實(shí)時(shí)流式生成的重大突破。該技術(shù)通過滾動(dòng)窗口聯(lián)合去噪、注意力錨點(diǎn)機(jī)制和高效訓(xùn)練算法三項(xiàng)創(chuàng)新,解決了長(zhǎng)視頻生成中的錯(cuò)誤累積問題,可在單GPU上以16fps速度生成多分鐘高質(zhì)量視頻,延遲僅0.76秒,質(zhì)量漂移指標(biāo)從傳統(tǒng)方法的1.66降至0.01,為交互式媒體和內(nèi)容創(chuàng)作開辟新可能。
華中科技大學(xué)研究團(tuán)隊(duì)發(fā)現(xiàn),通過讓AI模型學(xué)習(xí)解決幾何問題,能夠顯著提升其空間理解能力。他們構(gòu)建了包含約30000個(gè)幾何題目的Euclid30K數(shù)據(jù)集,使用強(qiáng)化學(xué)習(xí)方法訓(xùn)練多個(gè)AI模型。實(shí)驗(yàn)結(jié)果顯示,幾何訓(xùn)練在四個(gè)空間智能測(cè)試基準(zhǔn)上都帶來顯著提升,其中最佳模型達(dá)到49.6%準(zhǔn)確率,超越此前最好成績(jī)。這項(xiàng)研究揭示了基礎(chǔ)幾何知識(shí)對(duì)培養(yǎng)AI空間智能的重要價(jià)值。