XiaoMi-AI文件搜索系统
World File Search System利用光
利用光合微生物对污水处理厂二级出水进行藻类修复工艺的研究进展
摘要：考虑到令人担忧的水资源短缺问题，必须采用更高效的废水处理技术。废水可以通过传统的生物过程处理，去除病原体、颗粒和可溶性有机化合物以及其他成分。然而，处理厂的二级废水可能仍然含有有毒元素或高浓度的无机营养物（主要是氮和磷），这使得光合微生物在水体中生长，导致水体富营养化。在这种情况下，在污水处理产生的二级废水中培养光合微生物可以去除这些废水中的营养物，降低水体富营养化的可能性。此外，在这种三级废水处理中产生的微藻生物质可以通过不同的方法收获，并有可能用于不同的应用，例如肥料和生物燃料。
利用光纤散斑对比光谱系统测量人体脑血流量和脑功能
。CC-BY-NC-ND 4.0 国际许可，根据未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者（此版本于 2023 年 4 月 8 日发布。；https://doi.org/10.1101/2023.04.08.535096 doi：bioRxiv 预印本
利用光子和原子存储器进行分布式量子计算
通用量子计算的前景需要可扩展的单量子位和量子位间控制交互。目前，量子计算的三个主要候选平台基于超导电路、捕获离子和中性原子阵列。然而，这些系统与环境和控制噪声有很强的相互作用，从而导致量子位状态和门操作的退相干。相反，光子与环境很好地分离，在量子计算方面具有速度和时间优势。光子系统已经展示了解决玻色子采样等特定棘手问题的能力，但在实际可扩展的通用量子计算解决方案方面面临挑战，因为单个光子很难确定地与另一个光子“对话”。在这里，我们提出了一种基于光子和原子集合量子存储器的通用分布式量子计算方案。利用已建立的光子优势，我们通过将光子量子位转换为量子存储状态并采用里德堡阻塞进行受控门操作来介导两量子位非线性相互作用。我们进一步展示了该方案的空间和时间可扩展性。我们的结果表明，光子原子网络混合方法可以成为通用分布式量子计算的潜在解决方案。
混合超级电容器和锂离子电池的尺寸确定，用于在澳大利亚气候条件下利用光伏发电生产绿色氢气
摘要：除了将光伏电池板产生的能量储存在电池中以备日后用于为电力负载供电外，还可以生产绿色氢气并将其用于运输、供暖和作为天然气替代品。绿色氢气是在电解过程中产生的。通常，电解器可以从可再生能源等波动电源中产生氢气。然而，由于电解器的启动时间和多次关机加速的电解器退化，需要空闲模式。在空闲模式下，电解器使用额定电解器负载的 10%。应采用能源管理系统 (EMS)，其中使用锂离子电容器或锂离子电池等存储技术。本文使用 PV 微电网的状态机 EMS 进行绿色氢气生产和储能，以管理早上利用太阳能和晚上利用储能中存储的能量进行氢气生产，储能的大小针对使用锂离子电容器和锂离子电池的不同场景而定。考虑到系统在澳大利亚气候下的局部辐照度和温度条件，对锂离子电容器和锂离子电池的任务概况和预期寿命进行了评估。针对不同场景，评估了存储大小和氢气生产截止点作为成本函数变量之间的权衡。针对每个测试场景比较锂离子电容器和锂离子电池的最佳寿命。研究发现，与锂离子电容器相比，锂离子电池平均大 140%，但锂离子电容器由于日历老化程度较高，运行十年后剩余容量较小，为 80.2%，而 LiB 为 86%。还注意到，LiB 受循环老化的影响更大，而 LiC 受日历老化的影响更大。然而，锂离子电容器10年后的平均内阻是初始内阻的264％，而锂离子电池10年后的平均内阻为346％，因此，如果用于电网调节，锂离子电容器是更适合的储能选择，因为它需要在储能的整个使用寿命期间保持较低的内阻。
考虑车对车模式的电动汽车充电管理系统，用于优化利用光伏能源
分布式可再生能源 (RES) 的普及率不断提高，加上新型电动汽车 (EV) 型号注册数量不断增加，在零碳能源社区的发展中发挥着重要作用。然而，间歇性可再生能源发电厂的份额越来越大，再加上高且不受控制的电动汽车充电需求总量，要求能源区必须向新的规划和管理模式发展。因此，在这种背景下，本文提出了新颖的智能充电 (SC) 技术，旨在尽可能多地在当地整合 RES 发电和 EV 充电需求，协同作用于电力流并避免对电力系统产生不利影响。为了实现这一点，本文介绍了一种集中式充电管理系统 (CMS)，该系统能够单独调节每个插电式电动汽车的充电功率。CMS 旨在最大限度地提高本地 RES 的充电自耗，从而拉平外部电网所需的峰值功率。此外，即使在低 RES 电力可用性条件下，CMS 也能保证所有车辆在出发时的整体充电状态 (SOC) 良好，且无需从电网获取额外能量。本文提出了两种根据 EV 功率流方向而不同的方法。第一种 SC 仅涉及单向功率流，而第二种方法还考虑车辆之间的双向功率流，以车对车 (V2V) 模式运行。最后，根据实际案例研究进行的模拟验证了 SC 对参考场景的影响，该参考场景包括具有光伏 (PV) 电站、非模块化电气负载和 EV 充电站 (CS) 的工业区。本文收集了结果，并比较和详细描述了通过操作不同的 SC 方法实现的性能改进。
利用光谱和卷积网络推断空间物体方向
准确推断空间物体的方向对于了解其运行状态和协调有效的空间交通管理至关重要。为了制定解决方向推断问题所需的框架，我们分析了几种标准的旋转数学表示，重点是连续性、唯一性和深度学习效率。在此基础上，我们自然而然地想到实现一种鲜为人知但表现良好的 6D 旋转表示。对于我们的推理模型的输入，我们采用了一种距离不变的观测技术，该技术长期以来一直用于在最小尺度上探索宇宙的最远处——光谱学。在深度卷积神经网络 (CNN) 的帮助下，我们研究了使用模拟的原始长缝光谱图像来推断未解析的大轨道半径范围内空间物体方向的可行性。我们介绍了在多个空间物体的光谱图像上训练 CNN 的方法和结果，目的是 i) 标准化旋转分析中使用的测量方法，ii) 建立基于光谱的性能的上限，以及 iii) 为未来将光谱应用于空间领域感知的工作扩展提供简单场景的基线。
利用光合微生物进行合成生物学
图 2 用于对光合微生物进行遗传工程改造的常见遗传转化技术示意图。 (A) 对于绿藻 (衣藻) 和真气藻 (微绿球藻)：电穿孔和基因枪轰击可用于衣藻和微绿球藻的叶绿体靶向转化，而电穿孔或用玻璃珠涡旋可用于修饰衣藻的核基因组。细菌接合或农杆菌介导的转移也可用于将 DNA 引入这些细胞。 (B) 对于蓝藻：自然转化或接合可用于转移 DNA 以整合到染色体中或作为复制质粒。质粒也可以通过电穿孔转移。 (C) 对于硅藻：电穿孔和细菌接合是可用于将 DNA 引入硅藻的技术的例子。也可以使用农杆菌介导的转移或基因枪轰击
利用光谱π介子比探测对称能量
1 密歇根州立大学国家超导回旋加速器实验室，美国密歇根州东兰辛 48824 2 密歇根州立大学物理系，美国密歇根州东兰辛 48824 3 日本理化学研究所仁科中心，广泽 2-1，埼玉县和光市 351-0198 4 京都大学物理系，京都北白川市 606-8502，日本5 高丽大学物理系，首尔 02841，大韩民国 6 达姆施塔特工业大学核物理学研究所，D-64289 达姆施塔特，德国 7 GSI Helmholtzzentrum für Schwerionenforschung, Planckstrasse 1, 64291 达姆施塔特，德国 8 物理、天文学和应用计算机科学学院，雅盖隆大学,波兰克拉科夫 9 克罗地亚萨格勒布 Rudjer Boskovic 研究所实验物理部 10 日本东京西池袋 3-34-1 立教大学物理系 171-8501 11 韩国大田 34047 基础科学研究所稀有同位素科学项目 12 日本仙台 980-8578 东北大学物理系 13 日本东京工业大学物理系 152-8551 14 日本核物理研究所 PAN，ul。 Radzikowskiego 152, 31-342 克拉科夫，波兰 15 德克萨斯 A&M 大学回旋加速器研究所，德克萨斯州学院站 77843，美国 16 尼凯夫国家亚原子物理研究所，阿姆斯特丹，荷兰 17 清华大学物理系，北京 100084，中国 18 德克萨斯 A&M 大学化学系，德克萨斯州学院站 77843，美国 19 IFIN-HH，Reactorului 30，077125 Mˇagurele-Bucharest，罗马尼亚（日期：2021 年 3 月 17 日）
利用光激活化合物进行靶向癌症治疗
摘要：癌症化疗受到药物干预的适度选择性和毒副作用的影响。克服这一限制并为治疗带来更有效和选择性的新方法之一是使用光选择性激活抗癌化合物。在这篇综述中，我们重点介绍了两种仍处于实验阶段的光激活方法的抗癌应用：光可去除保护基（“光笼”）和光开关。我们描述了开发新化合物背后的结构考虑因素，以及用于确认光化学和药理学特性是否符合有效体内光依赖性激活的严格标准的大量分析方法。尽管光激活潜力巨大，但它也带来了许多挑战，任务的复杂性非常高。目前，我们仍处于药理学工具的深层阶段，但生动的研究和快速的发展为潜在的临床应用带来了希望之光。
![用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。](/simg/d/d0b24e3de4e984953fcbe1080336ba472eefd4f9.png)
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。