โมเลกุลที่เหมือนใบพัดจะผลักไอออนของโซเดียมผ่านแบตเตอรี่รุ่นต่อไป

โมเลกุลที่เหมือนใบพัดจะผลักไอออนของโซเดียมผ่านแบตเตอรี่รุ่นต่อไป

โมเลกุลที่ทำหน้าที่เหมือนใบพัดสามารถช่วยขับเคลื่อนโซเดียมไอออนผ่านอิเล็กโทรไลต์ในสถานะของแข็ง การค้นพบนี้โดยนักวิจัยจาก ในสหรัฐอเมริกา สามารถช่วยในการพัฒนาแบตเตอรี่รุ่นต่อไปที่มีการใช้งานที่หลากหลาย รวมถึงศูนย์จัดเก็บข้อมูล สมาร์ทโฟนแบบบาง และยานพาหนะไฟฟ้าขนาดเล็ก

แบตเตอรี่ลิเธียมไอออนเป็นแหล่งพลังงานทางเลือกในปัจจุบันสำหรับอุปกรณ์อิเล็กทรอนิกส์พกพา

และยานพาหนะ

ไฟฟ้า อย่างไรก็ตาม อิเล็กโทรไลต์อินทรีย์ที่ไวไฟและเป็นพิษมีอยู่เป็นสาเหตุของความกังวล ลิเธียมยังเป็นของหายากและมีราคาแพงเมื่อเทียบกับโลหะอื่นๆ ที่พบได้ทั่วไป และอุปทานทั่วโลกก็ขึ้นอยู่กับความไม่แน่นอนหลายประการ ความหนาแน่นของพลังงานของโซเดียมต่ำกว่าลิเธียม 

แต่ก็ยังเป็นทางเลือกที่น่าสนใจสำหรับการใช้งานแบตเตอรี่ เนื่องจากมีความอุดมสมบูรณ์และต้นทุนที่ต่ำกว่า ปัญหาคือมีวัสดุเพียงไม่กี่ชนิดเท่านั้นที่นำโซเดียมไอออนได้ดีพอที่จะสร้างอิเล็กโทรไลต์ที่ดี ดังนั้น นักวิจัยจึงกระตือรือร้นที่จะระบุอิเล็กโทรไลต์ที่เป็นของแข็งชนิดใหม่ที่ไอออนจะกระจายตัวอย่างรวดเร็ว 

และการทำความเข้าใจกลไกที่รับผิดชอบต่อการแพร่กระจายนี้เป็นขั้นตอนสำคัญในกระบวนการดังกล่าว

โหมดโฟนอนแบบแอนฮาร์มอนิกอย่างมากใช้การทดลองการกระเจิงของนิวตรอนที่ห้องปฏิบัติการแห่งชาติ เพื่อศึกษาอิเล็กโทรไลต์ที่เป็นไปได้หนึ่งชนิดคือโซเดียมไธโอฟอสเฟต เป็นที่ทราบกันดีว่า

โครงสร้างผลึกของวัสดุนี้สร้างอุโมงค์หนึ่งมิติสำหรับโซเดียมไอออน แต่ผลงานใหม่แสดงให้เห็นว่าหน่วย PS 4ที่มีฟอสฟอรัสและกำมะถันรูปทรงพีระมิดซึ่งวางโครงอุโมงค์นั้นบิดและหมุนเช่นกัน การเคลื่อนไหวนี้ก่อให้เกิดโหมดโฟนอนแบบแอนฮาร์โมนิกที่แข็งแกร่งซึ่งทำหน้าที่เหมือนวงล้อ 

ช่วยให้โซเดียมไอออนเคลื่อนที่ผ่านวัสดุโดยปล่อยให้ “กระโดด” ไปตามเส้นทางพลังงานขั้นต่ำแม้ว่ากระบวนการนี้ได้รับการทำนายโดยทฤษฎี แต่ผลลัพธ์ และเพื่อนร่วมงานแสดงให้เห็นว่ามันซับซ้อนกว่าที่เคยคิดไว้มาก ซึ่งเป็นสิ่งที่พวกเขายืนยันโดยใช้โมเลกุลไดนามิกส์และการคำนวณเพิ่มเติมของโมเลกุล

ไดนามิกส์

ที่ศูนย์คอมพิวเตอร์วิทยาศาสตร์การวิจัยพลังงานแห่งชาติ ในการคำนวณใหม่ ทีม Duke ใช้อัลกอริธึมการเรียนรู้ของเครื่องเพื่อวิเคราะห์พื้นผิวของพลังงานที่อาจเกิดขึ้นซึ่งอะตอมมีการสั่นและเคลื่อนที่นักวิจัยกล่าวว่าผลลัพธ์ของพวกเขาซึ่งอธิบายไว้ ช่วยให้เข้าใจได้ด้วยกล้องจุลทรรศน์ว่าการสั่นสะเทือน

ของอะตอมเอื้อต่อการแพร่กระจาย ของไอออนโซเดียมผ่านวัสดุอย่างไร ตอนนี้พวกเขากำลังศึกษาวัสดุที่แตกต่างกันเล็กน้อยซึ่งมีพลวงแทนฟอสฟอรัสในทางตรงกันข้าม หากโซเดียมไอออนเกตเหนียวเหนอะหนะ เซลล์ประสาทแต่ละเซลล์จะตื่นตัวมากเกินไปเล็กน้อย ซึ่งนำไปสู่การซิงโครไนซ์

แบบทั้งหมดหรือไม่มีเลย ซึ่งเซลล์ประสาทจำนวนมากจะทำงานพร้อมกัน เช่นเดียวกับอาการลมชัก ผลกระทบของการเปลี่ยนแปลงเล็กน้อยจึงลดหลั่นกันไปจนกระทั่งเครือข่ายถูกผลัก “ข้ามหน้าผา” ไปสู่การซิงโครไนซ์ทางพยาธิวิทยามีขั้นตอนเปลี่ยนผ่านขั้นกลางใน ระดับอะตอมการตัดด้วยเลเซอร์ 

การจำลอง

ด้วยคอมพิวเตอร์ช่วยให้เราเข้าใจลักษณะเด่นของสถานะการจับกุม แต่การทำนายว่าอาการชักน่าจะเริ่มขึ้นภายใน 15 นาทีข้างหน้าหรือไม่นั้นเป็นงานที่ใหญ่กว่ามาก มันเป็นความแตกต่างระหว่างการพยายามบอกว่าตอนนี้ฝนตกหรือไม่ (ซึ่งคุณทำได้เพียงแค่ยื่นมือออกไปด้านนอก) 

กับการคาดการณ์ว่าพรุ่งนี้ฝนจะตกหรือไม่ (โทรหาทีมนักอุตุนิยมวิทยาที่ดีที่สุดของคุณจะดีกว่า)สำหรับงานนี้ เราต้องการข้อมูลผู้ป่วยจริง การตรวจติดตามการทำงานของสมองโดยทั่วไปจะทำผ่านการตรวจคลื่นไฟฟ้าสมอง (EEG) ซึ่งจะมีการวางอิเล็กโทรดลงบนหนังศีรษะของผู้ป่วยโดยตรง

เพื่อตรวจจับสัญญาณไฟฟ้าของสมอง อย่างไรก็ตาม ข้อมูล EEG นั้นไม่สมบูรณ์เนื่องจากสัญญาณความถี่สูงไม่สามารถทะลุผ่านกะโหลกศีรษะได้ และอาจมีการกะพริบตาปลอมจากการกะพริบตาและการเคลื่อนไหวของกล้ามเนื้ออื่นๆ วิธีการที่แม่นยำกว่าคือการตรวจคลื่นไฟฟ้าหัวใจ (ECoG) 

ซึ่งใช้ตารางอิเล็กโทรดที่ผ่าตัดฝังเข้าไปในกะโหลกด้านบนสมอง เห็นได้ชัดว่าเทคนิคนี้เกี่ยวข้องกับการผ่าตัดที่รุกล้ำอย่างมาก และไม่ใช่สิ่งที่ผู้ป่วยจะได้รับอย่างเบามือ เฉพาะผู้ที่มีอาการชักรุนแรงซึ่งยังคงเกิดขึ้นแม้ว่าจะพยายามรักษาซ้ำแล้วซ้ำอีกเท่านั้นที่จะเลือกที่จะฝังอิเล็กโทรด

แต่แม้หลังจากการค้นหาข้อมูล ECoG เพื่อค้นหาสัญญาณที่สามารถระบุได้ซึ่งบ่งชี้ว่าเมื่อใดที่อาการชักกำลังจะเริ่มต้นขึ้น ก็ไม่มีอะไรโดดเด่น การสร้างข้อมูลคุณภาพสูงจะมีประโยชน์อะไรหากคุณไม่รู้ด้วยซ้ำว่าควรมองหารูปแบบใด นี่คือสิ่งที่แมชชีนเลิร์นนิงซึ่งเป็นสาขาใหม่ที่กำลังเติบโตของวิทยาการ

คุณอาจไม่ทราบ แต่แมชชีนเลิร์นนิงนั้นทำงานอย่างหนักในชีวิตประจำวันของคุณ การแท็กผู้คนในรูปภาพบน Facebook แนะนำภาพยนตร์เรื่องต่อไปของคุณบน Netflix และแจ้งเตือนธนาคารของคุณถึงการทำธุรกรรมที่น่าสงสัย (ดู “การปฏิวัติการเรียนรู้” )

เพื่อให้เข้าใจถึงพลังของแมชชีนเลิร์นนิง ขั้นแรกคุณต้องคิดว่าการเขียนโปรแกรมแบบเดิมใช้ประโยชน์จากคอมพิวเตอร์ที่เก่งมากอย่างไร นั่นคือ การปฏิบัติตามกฎ คอมพิวเตอร์สามารถเรียกใช้ผังงานได้เร็วกว่ามนุษย์ทุกคน อย่างไรก็ตาม มีงานบางอย่างที่เราเป็นมนุษย์ยังทำได้ดีกว่า เช่น ระบุตัวตน

ของเจนเพื่อนของคุณ ลองคิดดูว่าจะใช้เวลานานแค่ไหนในการระบุ “กฎ” ในการบอกรูปภาพของเจนให้แตกต่างจากคนอื่น โดยเฉพาะอย่างยิ่งหากคุณใส่ภาพถ่ายที่มีสภาพแสงและมุมต่างๆ กันในความเป็นจริง อาจดูสิ้นหวังที่จะลองและฝึกคอมพิวเตอร์โดยใช้กฎตายตัว แต่นี่คือที่มาของแมชชีนเลิร์นนิง

credit: genericcialis-lowest-price.com TheCancerTreatmentsBlog.com artematicaproducciones.com BlogLeonardo.com NexusPheromones-Blog.com playbob.net WorldsLargestLivingLogo.com fathersday2014s.com impec-france.com worldofdekaron.com