水稻倒伏是制约稻虾共作模式可持续发展的瓶颈问题。施氮显著影响水稻产量和抗倒伏性，前人主要研究了氮肥管理对常规水稻单作模式下水稻倒伏的影响。然而，很少有研究探索优化施氮对稻虾共作模式下水稻抗倒伏特性和产量形成的影响。 近期，扬州大学水稻产业工程技术研究院高辉教授稻田综合种养课题组完成的题为“Optimizing nitrogen management can improve stem lodging resistance and stabilize the grain yield of […]

刺激响应型水凝胶是一种由亲水性交联网络构成的软材料，其中光响应性水凝胶尤其受人关注。这类水凝胶能够通过光照实现远程控制，提供了一种非侵入性、成本效益高且响应迅速的控制方式。它们在多个领域展现出广阔的应用潜力，包括可控药物释放、调节表面湿润性以及智能致动器等。目前，大部分光响应性水凝胶聚焦于近红外至UV光范围，相比之下，X射线因其能穿透皮肤的特性，在疾病诊断和治疗等领域有着更为广泛的应用，但关于X射线响应性水凝胶的研究却相对少见。 基于上述背景，苏州大学材料化学与化工学部陈红教授和放射医学与防护学院胡亮副教授合作，制备并报道了一种具有可逆X射线响应性的聚(N-异丙基丙烯酰胺)基微凝胶光子材料。首先，将4-氨基偶氮苯（Azo）连接到聚（N-异丙基丙烯酰胺-co-丙烯酸）（pNIPAm-co-AAc）微凝胶上，合成pNIPAm-co-AAc-g-Azo微凝胶（图1）。随后，采用聚甲基丙烯酸甲酯（PMMA）作为基底，在其一面涂上硫化锌（ZnS）闪烁体，另一面镀上铬/金金属层，从而形成ZnS/PMMA/Cr/Au多层。随后，在金表面涂覆微凝胶单层膜，干燥后在其表面再镀上一层Cr/Au，最终形成ZnS/PMMA/Cr/Au/pNIPAm-co-AAc-g-Azo/Cr/Au（或ZnS/Au-Azo MG-Au）一维光子材料（图1）。 图1pNIPAm-co-AAc-g-Azo微凝胶及Azo MG基光子材料合成示意图。 当可见光照射并穿过金表面时，会在Azo MG单层发生共振，选择性反射特定波长的光，进而使ZnS/Au-Azo MG-Au光子材料呈现鲜艳的色彩。在X射线下，ZnS层被激发而发出紫外线，从而引起Azo的结构从反式转为顺式，微凝胶体积发生膨胀，这导致金层之间的距离增加，进而引起反射光谱的红移（图2）。将该光子材料置于黑暗条件下，微凝胶和干涉仪恢复到初始状态，使之能够重复响应X射线辐照（图3）。 图2(a) ZnS/Au-Azo MG-Au光子材料的X 射线响应机制图，(b) X射线响应动力学，辐照剂量：8 Gy。 图3ZnS/Au-Azo […]

旨在帮助环评人员全面掌握地下水环境影响评价（环评）的核心技术和实际应用，特别是在化工、工业园区、固废堆积、矿山等领域的具体需求。随着环境保护要求的不断提升，地下水作为重要的自然资源，其环境影响评价变得愈发重要。然而，传统环评方法往往难以充分应对地下水流动与污染扩散的复杂性，导致评估结果不够精确。本教程专门为解决环评工作中的技术难题，提升专业人员在地下水数值模拟和环境影响评价方面的能力。 通过具体多案例融合掌握MODFLOW Flex地下水数值模拟软件的操作技巧及如何运用地下水流场绘制软件（Surfer）进行数据处理与可视化。通过这些软件，学员将能够深入分析地下水流动模式、污染扩散过程，并为项目评估提供科学依据。 不仅讲解理论，更注重操作实践，帮助学员应对化工园区、固废堆积、矿山等行业中常见的复杂环境问题，从而解决地下水模拟过程中可能遇到的技术难点，提升实际操作能力。结合真实项目案例进行深入剖析，确保学员能够在实际工作中迅速应用所学知识，提高解决各类地下水环境影响评价中的问题能力。 专题一 地下水基础知识学习 1、地下水的不同赋存类型 ●潜水/承压水；孔隙水/裂隙水/岩溶水 2、地下水相关参数 ●渗透系数；给水度；贮水系数；弥散度 3、地下水运动的基本规律 ●二维/三维水流连续性方程 ●各类边界条件介绍 4、溶质运移的基本规律 专题二 […]

文章重要内容 中国科学院长春应用化学研究所王献红团队针对二氧化碳/环氧丙烷共聚反应聚合活性低、聚合物碳酸酯单元含量低等难题，提出柔性桥联双核卟啉铝催化剂设计策略，活性位点间距的调控有效地促进催化剂的分子内协同作用，实现了高效交替共聚。 文章背景 CO2是主要的温室气体和丰富的碳一资源，利用CO2与环氧丙烷(PO)交替共聚制备生物可降解聚碳酸丙烯酯(PPC)是目前研究的热点。催化剂在CO2/PO共聚中起关键作用，影响合成效率、产物选择性以及对PPC分子量和微结构的控制。CO2/PO共聚反应的催化剂发展历程与烯烃聚合催化剂类似，从非均相催化剂的根据经验优化聚合活性和选择性，到均相催化剂的详细研究催化机理。值得注意的是，催化剂活性位点之间的协同作用被认为是CO2/PO高效共聚的关键之一，由此发展出一系列双官能、双核、和多核催化剂。据文献报道，催化体系中两个活性位点之间的距离对增强协同作用，提升催化活性尤为关键。因此，有必要进一步深入探究活性位点的距离对协同效应及催化性能之间的影响，这对于设计更先进催化剂具有重要意义。 文章概述 最近，中国科学院长春应用化学研究所王献红团队提出柔性桥联双核催化剂(FTBC)的设计策略，通过引入不同长度的柔性链(－(CH2)n－, n=6, 4, 3, 1)调控分子内两个铝卟啉的间距，构建出柔性桥联双核卟啉铝催化剂(C6-Al2,C4-Al2, C3-Al2, C1-Al2)，实现了CO2/PO的高效交替共聚(图1)。FTBC在CO2/PO交替共聚反应中展现出优于单分子催化剂的催化性能(TOF：380 h-1 vs 300 […]

2024年诺贝尔化学奖授予戴维·贝克（David Baker）、德米斯·哈萨比斯（Demis Hassabis）和约翰·江珀（John M.Jumper），以表彰他们在蛋白质结构预测领域的开创性贡献。其中哈萨比斯和江珀开发的AlphaFold2人工智能模型，是一项基于深度学习和神经网络技术的算法，它可以从蛋白质的氨基酸序列预测蛋白质的三维结构。借助它，能够预测人类所知的2亿种蛋白质结构。 在2022年，复旦大学李剑锋教授团队就撰写了一篇综述，评述了近些年来蛋白质折叠预测的代表性进展，其中重点介绍了AlphaFold2的算法。 天然蛋白质通过调节一维氨基酸序列信息，能够精准地制备具有特殊的三维空间结构的蛋白质分子，实现特定的生理功能。而蛋白质结构预测希望代替大自然通过各种方法从一维序列信息推断其三维空间结构。蛋白质结构预测问题提出至今已困扰我们五十多年。近十多年来，新的预测方法手段不断涌现，特别是基于深度学习的AlphaFold算法近几年在世界著名的蛋白质折叠预测大赛中的突出表现赢得了广泛的关注。 在本综述中，复旦大学李剑锋教授研究团队结合团队多年的研究经历，侧重评述了近些年来蛋白质折叠预测的代表性进展。为了提升读者对该方向的整体认识，笔者介绍了蛋白质预测的基础概念，特别地介绍了序列比对、打分矩阵、PDB等概念；并概述了深度学习的原理与常用的神经网络及算法。接着总结了蛋白质预测的传统方法，侧重介绍了基于模板的预测方法和无模板方法。梳理了早期在蛋白质预测领域用到的基于数据驱动和深度学习的各类方法。最后重点介绍了AlphaFold2的算法，此算法目前预测准确率达到了中低分辨率的实验精度，也即它几乎解决了单域蛋白质预测的难题。笔者认为AlphaFold2算法中的许多技巧对高分子材料结构预测研究有极高的借鉴价值。最后，笔者梳理了当前蛋白质折叠预测与普通分子结构预测研究的难题和挑战，对这一快速发展方向和一段时间内可能的突破进行了展望。 上述工作以综述形式在《高分子学报》2022年“材料基因组专题”印刷出版，王天尧硕士是该论文的第一作者，李剑锋教授为通讯作者。 李剑锋，男，1980年生。1999~2010年于复旦大学高分子科学系获得学士、硕士、博士学位；2007~2009年在加拿大McMaster大学公派出国留学生；2012~2013年复旦大学高分子系讲师，2013~2019年复旦大学高分子系副教授。2019年至今，复旦大学高分子系教授。主要从事高分子缠结理论、机器学习在高分子物理中的应用、非平衡热力学方法、大脑理论模型构建等方面研究。 引用本文： 王天尧,李剑锋. 深度学习在蛋白质结构预测中的应用及启示. 高分子学报. 2022,53(6), 581-591. […]

2024年11月29日午报：最弱潮汐组合使厄尔尼诺指数进入快速下降区间 杨学祥，杨冬红 对厄尔尼诺和拉尼娜有影响的因素有南极半岛海冰（周期性因素）、强潮汐南北震荡（周期性因素）、环太平洋地震带强震（突发性因素）、强潮汐组合和太阳风7-9天周期（周期性因素）。综合叠加结果决定厄尔尼诺指数的升降。 图1 2024年11月28日12时厄尔尼诺指数为-0.762，比2024年11月28日06时厄尔尼诺指数为-0.756，减速0.006，减速稳定，进入下降区间和进入拉尼娜区间（-0.5以下为拉尼娜，+0.5以上为厄尔尼诺），与11月23-26日最弱潮汐组合向12月1-2日强潮汐组合转化对应，与强震频发对应，与太阳黑子高值（149）对应。月亮赤纬角最小值对应下降区间（已被证实），月亮赤纬角最大月值对应上升区间。9月末南极海冰达到极大值，10月至2025年2月，南极海冰减少到极小值，不利于拉尼娜发展。2024年12月至2025年1月潮汐组合不利于拉尼娜发展，在此期间拉尼娜没有卷土重来的可能性，除非猛烈强震频发。 图2 2024年11月28日18时厄尔尼诺指数为-0.769，比2024年11月28日12时厄尔尼诺指数为-0.762，减速0.007，减速变快，进入快速下降区间和进入拉尼娜区间（-0.5以下为拉尼娜，+0.5以上为厄尔尼诺），与11月23-26日最弱潮汐组合向12月1-2日强潮汐组合转化对应，与强震频发对应，与太阳黑子高值（149）对应。月亮赤纬角最小值对应下降区间（已被证实），月亮赤纬角最大月值对应上升区间。9月末南极海冰达到极大值，10月至2025年2月，南极海冰减少到极小值，不利于拉尼娜发展。2024年12月至2025年1月潮汐组合不利于拉尼娜发展，在此期间拉尼娜没有卷土重来的可能性，除非猛烈强震频发。 本次大幅降温和厄尔尼诺指数快速下降主要受潮汐组合激发的寒潮影响。 北方小伙伴赶快翻出棉服 寒潮来袭要降温啦 新黄河 2024-11-23 07:04发布于山东新黄河客户端官方账号 +关注 中央气象台预计，受寒潮影响，从23日起至27日，我国将迎来大风降温以及雨雪天气，中东部多地或创下半年来气温新低。那么，此次寒潮强度到底有多强？影响范围又怎样呢？ […]

实际上，智能可以被理解为一种包括逻辑和非逻辑行为的自主行为。更具体地说，智能是指系统在面对复杂环境时，能够感知、理解、推理、学习和决策，从而适应环境并实现目标的能力。这种能力既包括基于严格的逻辑推理和规则的行为，也包括基于经验、直觉和模糊推理的非逻辑行为。 逻辑行为通常指的是基于明确规则和推理的决策过程。这种行为可以通过传统的人工智能方法，如符号推理和规则引擎来实现。逻辑行为具有以下特点： （1）可解释性：基于规则的推理过程通常是透明的，便于人类理解和验证。 （2）确定性：给定相同的输入，系统的输出是可预测的。 （3）基于知识库：智能系统依赖事先定义的规则和知识库来推理和做出决策。如在医学诊断中，一个基于规则的专家系统可以根据输入的症状和病史信息，通过规则推理确定可能的疾病。 非逻辑行为则涉及到不完全依赖于明确规则和推理的智能决策，这通常表现为对模糊、未知或不确定信息的处理。非逻辑行为强调适应性、经验和直觉，并且常常通过学习和经验积累来逐步改进决策。其特点包括： （1）模糊性和不确定性：非逻辑行为通常在信息不完全或模糊的情况下依然能够做出合理的决策。 （2）适应性：系统能够通过学习和环境交互调整自己的行为，以应对变化。 （3）灵活性：非逻辑智能能够处理更广泛的情境，并能够应对复杂多变的现实世界问题。深度学习模型和强化学习算法可以通过大量的训练数据来学习模式和规律，而不需要依赖明确的规则。它们能够根据环境的反馈来调整策略，做出灵活的决策。 现代智能系统通常是逻辑与非逻辑行为的结合体。例如，自动驾驶汽车不仅依赖于精准的逻辑算法（如路径规划、交通规则遵守）来进行决策，还结合了深度学习技术（如对交通环境的识别、预测其他驾驶者行为）来应对复杂的、动态变化的道路情况。平心而论，人类智能本身就是一个典型的逻辑与非逻辑结合体。我们在面对问题时，常常通过理性推理（逻辑行为）来做出决策，但同时我们也依赖于直觉、经验和模糊的判断（非逻辑行为），尤其在面对不确定性和未知情况时。 智能的表现形式是多样的，既包括基于规则和逻辑推理的行为，也包括依赖经验、直觉和模糊推理的非逻辑行为。综合运用这两种方式可以帮助智能系统在复杂、动态的环境中实现更为高效和灵活的决策。这种智能的多维度特性使得它能够应对更广泛的问题，并在实际应用中表现出更强的适应性和自主性。 目前的人工智能（包括大模型）主要是围绕逻辑展开的数学模型或统计概率，还远远没有梳理出非逻辑、超逻辑的“思维链”，以及得“意”忘“形”的洞察力。这也是未来人机环境系统智能的发展方向。 ​

测量就是在测量的物理量和测量指针之间建立一个一对一的关系。在探测微观物体的物理量的时候，这个待测的系统和测量指针都可能是量子的，要满足海森堡的不确定性关系，这导致涨落成了测量中一个很重要的事情。当前所有关于量子测量的研究，普遍忽视了这种关系，这是让人震惊的。 测量的时候，要努力增进两个方面，一个是增大作用强度来增进信号的显著程度，如果作用真的很小，直觉上就只能努力减少这个所测量这个物理量的指针的涨落，一个是增进测量物理量的精度，根据测不准关系，我们需要增进这个物理量的共轭物理量的涨落。 量子压缩技术完美的体现了这个想法，但是在技术上实现完美的压缩却很难。在任何的量子技术中，需要把量子源的制备和控制考虑进来，只有整体都有效的，才是有效的量子技术。 于是考虑很多其它的量子源，各种非经典性，这就是量子计量学。但是实际上，关键是提升所测量物理量的共轭物理量的涨落，所以很多的研究实际上没有真正的价值。如果作用很强，信号明显，那么提升测量精度最实用的方法是给指针加点热，而不是用什么非经典性。非经典性，比如纠缠，的确是可以提升涨落，但是意义不大。 所以量子计量学，从本质上来说，当前的许多研究，依然是伪科学。虽然发表了大量的研究，但是没有落实到关键的地方上。这里边的关键，不是提升非经典性，而是提升涨落。利用非经典性来提升测量精度，从一开始的时候，就没有把这个事情搞清楚。不是不能研究非经典性来提升测量精度，而是提升测量精度不是只有提升非经典性。关键是看其来不合适。 这就和我们设计超级大的机器，来搬一斤苹果一样。如果加点热就可以测量精度，那么研究这么多的非经典性的意义在哪里？ 这么简单的道理，结果出现了这么大范围的研究失误，是让人震惊的。 如果作用很小，指针的变化很小，那么直觉上加点热肯定是更不靠谱了。这个会在后边说，我们会看到，后选择带来了不可思议的结果。 所以，一个研究领域，必需要理论明确，概念清晰，不能一个忽悠一个。这个事情，不存在一开始就原理不清楚的事情，因为量子力学我们已经很明白了，但是还是出现了这样的结果。 但是有一些的确是量子力学中必然要有的。经典的测量中，待测的物体的物理量是确定的，唯一的。这样，测量指针就会给出唯一的结果。这个我们都非常熟悉。但是到了量子系统，由于态叠加原理，这个量子系统的物理量就可以同时存在许多个值，所以量子指针也就可以同时出现许多个测量结果。所以在量子测量中，最后会有一个测量读取读数的宏观装置，量子态的塌缩就存在这个地方。量子塌缩究竟是怎么回事情，我们并不知道。 所以量子系统是量子叠加的，这是量子测量中很重要的事情，对于后选择来说也是非常重要的。如果测量的系统就是固定的，那么就不会存在后选择这个事情。 在增进测量精度的研究中，所有的非经典性所带来的都是增强了共轭物理量的涨落，这个道理其实很好理解。因为所有的量子关联，都意味这这些物理量有关系，意味着更大的不确定性，自然就带来了更多的涨落。 所以量子技术是需要认真对待的，量子关联给人的感觉是带来更好的性能，这让我非常奇怪，一个带来更多涨落的东西怎么就会带来更好的性能呢？

我一直对大学的“历史悠久性”没有情结的。今天查了查百度。 世界最古老的十所大学：意大利博洛尼亚大学、英国牛津大学、西班牙萨拉曼卡大学、法国巴黎大学、英国剑桥大学、意大利帕多瓦大学、意大利那不勒斯费德里科二世大学、意大利锡耶纳大学、葡萄牙锡耶纳大学、埃及爱资哈尔大学。 美国最早的十所大学：哈佛大学（1636），威廉玛丽学院（1693年‌），圣约翰学院（1696），耶鲁大学（1701），宾夕法尼亚大学（1740），摩拉维亚学院（1742），特拉华大学（1743），普林斯顿大学（1746），华盛顿和李（Washington and Lee）大学（1749），哥伦比亚大学（1754）。 世界最好的十所大学：哈佛大学​；​麻省理工学院​；​斯坦福大学（Stanford University）​；​牛津大学​；​加州大学伯克利分校；​剑桥大学；伦敦大学学院；​​哥伦比亚大学；​​耶鲁大学​；​芝加哥大学​。 中国最好的十所大学：北京大学，清华大学，复旦大学，上海交大，浙江大学，中国科学技术大学，南京大学，同济大学，武汉大学，中国人民大学。 … 注1：上述资料的准确度和大学排名的被接受度：应该是说得过去的； 注2：读到此博文的您，可以得出“姜还是老的辣“的结论（统计地讲，可能如此）； 注3：但是呢，很年轻的美国斯坦福大学和很年轻的中国科学技术大学，对“姜还是老的辣“的结论很打脸的。 注4：虽然西方的老大学“由于持续地被关注和持续的办学目标”，很可能会是“统计意义上”的好大学，但是“与时俱进”的新大学往往可以“轻装上阵地”做得很好的。斯坦福大学和中国科学技术大学便是例证。很可能，统计学概念在这里干脆不应该被引入。 注5：我是不想理会“历史悠久的大学”这个标签的，永远也不会理会的。

松鼠站在我影子的边缘，似乎表示羞羞答答 我闪开一点 这松鼠很帅，浓眉大眼 尾巴落下了，好像不高兴