环球科学：AI助力核聚变，成功预判点火结果；脑机接口已...

lameihua

　　· 脑机接口 ·

　　脑机接口可实时解码内心独白

　　通过在控制运动的脑区植入传感器，脑机接口（BCI）系统能够解码与运动相关的神经信号，并将其转化为动作，例如操控假肢。脑机接口辅助交流速度主要靠追踪眼球运动来拼字，但对于肌肉控制能力有限的人来说，尝试开口仍然既费力又缓慢。8月14日，在一项发表于《细胞》（Cell）的新研究中，科学家首次锁定与内心独白（人脑中无声的言语）相关的脑电活动，并能以最高74%的准确率按需将其解码。当受试者在脑中默念一个关键词时，脑机接口便可立即开始翻译其内心想法，从而有望让无法开口说话的人群更轻松地交流。

　　研究人员利用植入运动皮层（负责言语产生的脑区）的微电极，记录了4名重度瘫痪患者（分别患有肌萎缩侧索硬化症或脑干中风）的神经活动。受试者被要求尝试发声或想象说出一组特定词汇。结果显示，尝试发声与内心独白激活的大脑区域高度重合，神经活动模式也相似，但内心独白的整体激活强度较弱。基于这些数据，团队训练了人工智能（AI）模型来识别想象中的词语。在一次概念验证实验中，脑机接口从多达12.5万个单词的词库中解码想象中的句子，准确率最高可74%。此外，脑机接口还能捕捉到受试者未被要求“说”出的内心独白——例如当屏幕上出现粉色圆圈时，受试者心里默数，系统也能识别出这些数字。这项技术有望帮助严重言语和运动障碍患者，令他们的交流变得更轻松、更自然。目前的脑机接口系统尚无法在避免大量错误的前提下，解码完全自由形式的内心独白；但研究人员指出，未来配备更多传感器、算法更先进的设备有望实现这一目标。

　　· 化学 ·

　　继富勒烯之后，科学家再次创造出在室温下稳定的超大环碳分子

　　左边是环[48]碳的化学结构，右边是其空间填充模型。图片来源：Harry Ander  son

　　在常规实验室条件下合成和研究一种新型的分子碳同素异形体一直是一种罕见的情况。此前唯一的例子是科学家在1990 年合成的富勒烯。8月14日，在一项发表于《科学》（Science）的研究，牛津大学的科学家制造出了一种新型的分子碳同素异形体——环[48]碳（C48），其由48个碳原子以单键和三键交替排列的方式组成，在20°C溶液中可以保持稳定（半衰期为92小时）。

　　在合成过程中，科学家通过“穿链大环分子”（threaded macrocycles）套在这个分子碳同素异形体，使其结构不被破坏，并通过温和的方式完成了反应的最后一步。另外，由48个碳原子构成了一个大环，可以减少环内压力，使其不容易断裂。他们进一步通过质谱 （MS）、核磁共振（NMR）、紫外-可见光谱（UV-vis）和拉曼光谱，分别确认了分子的质量与结构、原子的化学环境以及电子结构和振动模式等等。在13C NMR测试中，他们发现所有48个sp?杂化的碳原子只显示一个强烈的共振信号。这意味着所有碳原子的化学环境是完全相同的，也就是它们在环中是等价的。这样证实了环[48]碳（C48）具有理想的环碳索烃结构。（牛津大学）

　　· 医学 ·

　　从毛发提取角蛋白，可以用来修复牙釉质

　　龋齿（蛀牙）是全球最常见的疾病之一，对口腔健康的晚期恶化影响最大。据悉，未治疗的恒牙龋齿是最常见的健康状况，患病人数约为 20 亿。此前研究发现，角蛋白具有结构适应性和矿物离子结合亲和力，从而支持矿物成核和分级晶体组装。8月12日，在一项发表于《先进保健材料》（Advanced Healthcare Materials）的研究中，研究人员开发了一种用水基角蛋白膜重建牙釉质层级结构的方法。

　　研究发现，这些水基角蛋白膜可以通过二硫键组装成纤维状的有机网络。在形成牙釉质的矿化过程中，它类似于支架结构，当磷酸根离子和钙离子在该支架中钙化时，它可以结构重排，进而引导磷灰石纳米晶体的有序生长。目前，该方法已经显示出修复早期牙釉质缺损病变的潜力，可恢复其光学外观和机械性能。这项研究提供了一种开发新型蛋白质基基质用于进行硬组织再生的、有前景、简单且临床友好的方法。（《先进保健材料》）

　　· 科学事件 ·

　　证明马约拉纳准粒子存在的论文得到重大修正，却再引争议

　　2020年3月，当时就职于微软的丹麦哥本哈根大学物理学家查理·马库斯（Charlie Marcus）团队在《科学》（Science）上发表论文，描述了用铝壳包裹砷化铟纳米线生成马约拉纳准粒子的新方法。这种粒子被认为可用于构建能抵抗噪声的拓扑量子比特，大大降低对量子纠错的需求，有希望在未来实现拓扑量子计算。该技术也是微软马约拉纳1号量子芯片的前身。但两位物理学家，宾夕法尼亚州匹兹堡大学的谢尔盖·弗罗洛夫（Sergey Frolov）和现就职于德国于利希研究中心的文森特·穆里克（Vincent Mourik）对这项工作中的数据有效性提出了质疑。2021年，《科学》发表编辑关注声明，警告读者该文章可能存在问题。

　　据《自然》新闻（Nature news）消息，最近《科学》已取消该警告，因为论文作者已针对读者疑虑补充发布了一份长达20页的更正。论文作者在勘误中表示，这些补充并不会改变论文的主要结论，只是总结并提供了补充信息。而弗罗洛夫则认为论文中的数据并未全面反映研究团队设备中电子的行为，并要求撤回论文。这场争议与微软今年二月宣布推出拓扑量子计算芯片马约拉纳1号引发的争议相似。据《科学》新闻消息，近年来，由微软资助的马约拉纳粒子相关研究，已有多篇论文遭撤稿，其他几篇论文也收到了质疑或面临可重复性问题。这也让许多人怀疑基于马约拉纳粒子的量子计算发展路径。对此，马库斯在接受媒体The Register采访时表示，我不知道微软的新闻稿是否准确，但他认为马约拉纳粒子是一个非常困难的科学问题，而他对此一直都很感兴趣。（《自然》新闻，《科学》新闻，The Register）

　　· 核聚变 ·

　　AI助力核聚变，成功预判点火结果

　　惯性约束聚变实验利用强大的激光引发核反应并产生聚变能量，这种实验的设计非常复杂，通常需要手动调整计算机模拟进行优化，而这限制了它们的预测能力。据Scienmag消息，在一项最近发表于《科学》（Science）的研究中，科学家构建了一个生成式机器学习模型，能成功预测美国国家点火装置 （NIF） 惯性约束聚变实验的结果。该模型预测点火是该实验最可能的结果，其概率超过 70%，这标志着预测和优化聚变能结果的能力取得了突破性进展。

　　研究团队开发的模型并非黑盒算法，它综合了NIF丰富的实验数据集、先进的辐射流体动力学模拟以及严格的贝叶斯统计框架，从而得出基于物理的预测。这种基于物理的理解与最先进的机器学习技术的融合，使该模型不仅能够预测结果，还能提供概率置信水平。这种整合方法确保模型能够尊重底层物理现象，同时充分利用深度学习架构的模式识别能力。研究人员指出，拥有一个成功的预测模型将为聚变能研究人员修改实验设计并确定未来激光能量和其他变量的升级是否会提高聚变输出和效率提供快速指导。（Scienmag）

　　撰文：不周、clefable