几代人对深空探索充满了向往,这源于他们对揭示宇宙起源的强烈渴望。意大利 Microgate公司 及其客户也在这段旅程中不断发现新事物,并获得灵感。Microgate 由 Vinicio 和 Roberto Biasi 兄弟于 1989 年创立,早期通过为职业体育赛事和赛车赛事提供高精度计时设备赢得了良好的声誉。之后,他们对极高精度的追求扩展到了太空领域,并发明了用于大型地球望远镜的电机控制系统。
通过地球上最大的望远镜探索深空
Microgate 与政府间地面天文学研究组织欧洲南方天文台(ESO)合作,打造了用于最新一代极大望远镜(ELT)的自适应镜片。这些望远镜是探索新星系、恒星和行星的重要工具。它们的主要挑战在于捕捉来自遥远距离之外的光,以帮助我们更好地了解宇宙的起源。
图1 :Microgate为ESO的极大望远镜生产出了高度复杂的自适应光学镜片。该光学器件由高密度 DC-DC 转换器模块供电,能够校正大气干扰,提取更多光线,从而实现更高分辨率的成像。
新的 ESO-ELT 望远镜配备了直径达 39 米的主镜,可以收集来自遥远恒星和星系的微弱光子。与哈勃或詹姆斯·韦伯太空望远镜不同的是,这种利用地面望远镜探索宇宙起源的方法有两个主要优点:
ESO 望远镜已经取得了多项突破性发现。例如,天文学家利用 ESO 的设施追踪了银河系中心极端引力场中恒星的运动,提供了令人信服的证据,证明那里存在超大质量的黑洞。这一发现荣获了 2020 年诺贝尔物理学奖。
利用自适应光学技术克服大气波前干扰
当光线穿过大气层时,会受到波前像差的干扰,导致能见度下降。Microgate 的自适应光学技术能够纠正这种干扰现象。捕获的光线首先由主镜反射到自适应副镜,该副镜会进行物理形变,以重建“平面”波前。在 ESO-ELT 项目中,Microgate 提供了所有实时控制硬件和软件,使用复杂的非接触式线性电机对镜面进行机械变形,从而从物理上操控入射波前,以校正这些大气干扰、。
图2 辅镜是由厚度约 1.9 毫米的特种玻璃制成的自适应镜面。铜色线圈代表线性电机。
ESO-ELT M4 镜面直径为 2.4 米,由厚度约为 1.9 毫米的特种玻璃制成。镜面采用由精密电流驱动器和一系列共置永磁体驱动的音圈电机,提供用于镜面变形的驱动力。这个过程使用了 5316 个电机,均匀分布在镜子的整个表面上,每个电机的轴间距(即轴距)约为 30 毫米。
自适应镜面悬浮在电机线圈产生的磁场上。通过专用控制电流使镜面局部变形,并使用相同数量的高灵敏度电容式传感器或位置传感器来校正形状,精度达纳米级(百万分之一毫米)。Microgate 工程师使用以约 100kHz 的频率运行的电子系统,能够在一毫秒内完全重新定义镜面的形状。这样,无需将望远镜发射到太空,便可获得极其清晰和干净的成像效果。
Vicor 的高密度模块驱动自适应光学系统
自适应光学系统的精确操作和热管理至关重要,所有外露表面的温度必须接近环境温度,以避免形成局部湍流。由于空间有限,电源系统的挑战变得更加艰巨。
图3 :Microgate 使用 Vicor DCM3623 系列 DC-DC 电源模块对镜面进行机械变形,以校正大气干扰。该过程对于提升图像质量至关重要。
Microgate 选择使用 Vicor DCM3623 系列 DC-DC 转换器电源模块为这一过程供电。电源系统板安装在气冷冷板的底部,每个模块最多可为 36 个电机通道供电,从而简化了复杂的布线。
Microgate 的硬件工程师 Gerald Angerer 表示:“Vicor 的高效、高功率密度模块既紧凑又可靠,在电路板上占用的空间很小。这些小型化的电源转换器是我们的最佳选择。我们已经使用了 10 多年,目前还没有能与之媲美的替代品。”
合作揭示宇宙奥秘
Microgate 致力于通过深空探索揭示宇宙的奥秘,而 Vicor 的高密度电源模块正在推动下一代 ELT 自适应光学系统的发展。通过与 Vicor 及其他世界级合作伙伴的紧密合作,Microgate 正在帮助欧洲南方天文台等组织探索宇宙的起源,并共同取得改变世界的重大发现。
好文章,需要你的鼓励
多伦多大学研究团队提出Squeeze3D压缩框架,巧妙利用3D生成模型的隐含压缩能力,通过训练映射网络桥接编码器与生成器的潜在空间,实现了极致的3D数据压缩。该技术对纹理网格、点云和辐射场分别达到2187倍、55倍和619倍的压缩比,同时保持高视觉质量,且无需针对特定对象训练网络,为3D内容传输和存储提供了革命性解决方案。
浙江大学与腾讯联合研究团队提出MoA异构适配器混合方法,通过整合不同类型的参数高效微调技术,解决了传统同质化专家混合方法中的表征坍塌和负载不均衡问题。该方法在数学和常识推理任务上显著优于现有方法,同时大幅降低训练参数和计算成本,为大模型高效微调提供了新的技术路径。
耶鲁、哥大等四校联合研发的RKEFino1模型,通过在Fino1基础上注入XBRL、CDM、MOF三大监管框架知识,显著提升了AI在数字监管报告任务中的表现。该模型在知识问答准确率提升超过一倍,数学推理能力从56.87%提升至70.69%,并在新颖的数值实体识别任务中展现良好潜力,为金融AI合规应用开辟新路径。
加州大学圣巴巴拉分校研究团队开发出能够自我进化的AI智能体,通过《卡坦岛拓荒者》桌游测试,这些AI能在游戏过程中自主修改策略和代码。实验显示,具备自我进化能力的AI显著超越静态版本,其中Claude 3.7模型性能提升达95%。研究验证了AI从被动工具向主动伙伴转变的可能性,为复杂决策场景中的AI应用开辟新路径。