“暗物质”是宇宙最神秘的成分之一
它无处不在
却如幽灵般从未被“捕捉”
暗物质的“真相”
是21世纪最大的科学谜团之一
谁能破解暗物质之谜,谁就能继哥白尼的日心说、牛顿的万有引力定律、爱因斯坦的相对论、量子力学之后,引领人类重新认识宇宙。
作为我国探索暗物质的国之重器之一,中国锦屏极深地下实验室位于四川凉山彝族自治州锦屏山内部,埋深高达惊人的2400米,是全球最深、最大的极深地下实验室。
之所以深挖2400米,而且专挑异常坚硬的岩石山体进行挖掘,原因只有一个——那就是创造最“纯净”的实验室环境。
这种纯净绝不是简单的干净卫生,而是要屏蔽我们看不到的宇宙射线和辐射,排除一切会影响观测的因素。
中国锦屏极深地下实验室追求极致“纯净”的实验环境
中国锦屏极深地下实验室宇宙射线通量仅有地表的亿分之一,并在建设时提出,所采用的建设材料和电气设备,都要满足低本底辐射的要求。这里的本底辐射,通俗地理解,就是自然环境中原本存在的放射性物质(主要是实验室周围的岩石)所产生的辐射。
这是个巨大的挑战,尤其是关键设备的辐射,为了解决这个问题,锦屏地下实验室选择高度可靠、技术领先、并且拥有强大服务能力,能够高度配合实验室建设的供应商合作。
中国锦屏极深地下实验室与维谛技术深度合作
以空调系统为例,中国锦屏极深地下实验室选择了维谛技术(Vertiv,NYSE:VRT)的Vertiv™ Liebert®PEX3 风冷节能认证空调和Vertiv™ Liebert®PEX3 CW 高能效冷冻水精密空调。
维谛技术是精密空调的开创者和引领者,Liebert®PEX系列精密空调是针对现代电子设备机房设计的专用空调。
它的工作精度和可靠性要远高于普通空调,特别适用于尖端实验室、卫星移动通讯站、生物医学测试室、精密电子仪器生产车间等高精密的环境。
Liebert®PEX3系列精密空调在产品的所有环节对辐射进行了专业控制,此次还特别针对清华大学建设最“纯净”实验室的要求,对防辐射问题进行了专门强化。
除此以外,维谛技术还针对山体内高达95%的湿度,以及室内室外机超长距离等问题,进行技术验证和方案优化,以此满足中国锦屏极深地下实验室的各种“极致”要求。
在多方努力下,2023年锦屏极深地下实验室二期项目——锦屏大设施建设顺利完工,这是国际上首次大规模建设的具有极低辐射本底极端条件的综合实验设施,是目前世界上最深、最大、最“纯净”的极深地下实验室。
利用全球领先的实验环境,中国锦屏极深地下实验室团队目前已经取得了一系列国际领先的科研成果,这使我国的暗物质研究从“跟跑”进步为“并跑”,甚至在局部已经实现了“领跑”。
对于暗物质的研究,目前全球仍在紧张的探索之中。谈及研究前景,锦屏极深地下实验室的研究人员满怀憧憬:
“做科研就要勇于冲破黎明前的黑夜,一旦迎来第一缕曙光,前方将是万丈光芒。”
在地下深处探索宇宙的奥秘
这是独属于科研人员的“硬核浪漫”
这种浪漫,令人肃然起敬
这种浪漫,令人满怀期待
关于维谛技术(Vertiv)
维谛技术(Vertiv, NYSE: VRT, 原艾默生网络能源),是一家全球领先的数字基础设施解决方案提供商,在通信网络、数据中心、商业&工业、新能源等领域拥有50+年的发展历史。维谛技术(Vertiv)的产品广泛覆盖了政府、电信、金融、互联网、科教、制造、医疗、交通、能源等客户群体,为客户提供覆盖各个领域关键基础设施的电力、制冷和IT基础设施解决方案和技术服务组合。
维谛技术(Vertiv)的客户遍布全球,在中国拥有2大研发中心和2大生产基地,覆盖全国范围的30+办事处和用户服务中心、100+城市业务支持中心,为客户提供高可靠高质量的产品方案和专业卓越的技术服务,共同构建关键技术悦动在线keep it hummingTM的美好世界。
好文章,需要你的鼓励
这项由索非亚大学INSAIT和苏黎世联邦理工学院共同完成的研究,揭示了大语言模型在数学定理证明中普遍存在的"迎合性"问题。研究团队构建了BrokenMath基准测试集,包含504道精心设计的错误数学命题,用于评估主流AI模型能否识别并纠正错误陈述。
约翰斯·霍普金斯大学研究团队提出了创新的隐私保护AI文本生成方法,通过"控制代码"系统指导AI生成虚假敏感信息来替代真实数据。该方法采用"藏身于众"策略,在医疗法律等敏感领域测试中实现了接近零的隐私泄露率,同时保持了高质量的文本生成效果,为高风险领域的AI应用提供了实用的隐私保护解决方案。
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。