氢是宇宙中最丰富的元素,也是半径最小的元素。
因为丰富,几乎无处不在,所以影响范围广。
因为小,所以能穿过其他原子间的缝隙,渗透进很多密不透风的材料中。
坚固的材料往往是从内部攻破的,氢原子会在材料内部聚集形成氢气泡,并将材料鼓破、挤出裂纹:
在富氢环境下,这种气泡对材料的损害显然是极大的。
例如,在核聚变反应堆当中,上亿摄氏度的氢同位素环境下,大量的氢会被轰击进钨金属材料中。
更要命的是,聚变辐射出的高能中子也会轰击金属,在金属内部形成大量纳米尺寸的孔洞:
万事总是开头难,如果没有这些纳米孔洞,氢想靠自己打拼出一片天地来形成氢泡,还是比较困难的。
但这些纳米孔洞的存在,无疑给氢泡的形成创造了绝佳条件。氢往往会在这些纳米孔洞中完成初始积累,达到临界氢气压后越长越大。
由于这类纳米孔洞实在是太小,很难通过显微镜等方式直接观察它们的结构。然而麻雀虽小,五脏俱全。一个纳米孔洞中往往能容纳许多个氢原子,其结构的排列组合方式可以有上亿种。通过理论计算将这些组合都研究一遍也不现实。
所以,纳米孔洞对氢的吸引有多强?一个孔洞能装多少氢?会带来多大的氢气压?这些对理解氢泡至关重要的问题,基本上都还没有答案。
这里,就轮到我出场了。
通过仔细分析和大量的理论计算(此处省略三万字),我终于摸清了氢占据纳米孔洞的基本规律,总结出一个简单的物理公式:
其中最左边的项是氢的能量(和纳米孔洞结合的强度),它取决于孔洞芯部氢分子的密度(中间项)和附在内壁上氢原子的密度(右边项)。
基于用这个公式,我们可以预测纳米孔洞中氢的能量、位置、压强、能够容纳氢的数量等数据。
想知道啥,代进去算一算就行。公式预测的结果和费时费钱用超级计算机模拟的结果基本上一致:
基于该公式的预测结果,也和文献报导的的氢热脱附实验结果十分吻合:
这项研究断断续续用了差不多五年,是我博士期间倾注心血最多也是最满意的一项工作。具体的论文可以点这里:Predictive Model of Hydrogen Trapping and Bubbling in Nanovoids in BCC Metals
有时候研究卡住了,我就来知乎上摸摸鱼,也顺带写了好些篇相关的科普,也算是给科普做了点贡献吧:
氢原子的扩散:有哪些物理学上的事实,没有一定物理学知识的人不会相信?
金属原子的扩散:构成金属的原子也在不停的运动吗?
氢对金属的损害:怎样使金属变得很脆?
核聚变的本原理:如何看待中国「人造太阳」东方超环 EAST 首次实现 1 亿度运行?
核聚变对材料的严苛要求:有哪些能实现可控核聚变的材料? 可控核聚变的实现难点是什么?
核辐射在金属中产生纳米孔洞:能否在不破坏物体表面的前提下把物体中心掏一个洞?
用超级计算机研究材料:中国的超级计算机被用来干什么了? 有没有可能通过编程语言在计算机上模拟微粒的性质(分子、原子等)?
氢的热脱附:如果炸弹每秒钟爆炸概率提高一点,从数学期望上来看最有可能在哪一秒爆炸?
emmm......看起来我上知乎摸鱼的频率还挺高的
谢谢邀请。此问题有点尴尬,一般外人来评价我们的工作会显得更为客观。如果我们自己写的太过,肯定会有评论者说在吹嘘和夸大自己的工作。写得太少,又无法讲述清楚。我就不管那么多了,去写一下自己这五年的硕博生涯主要的贡献。
很多基本的物理化学过程都发生在流体界面上,比如蒸发、吸附、扩散、反应、不稳定性与声学共振效应等。操控流体界面,对理解和控制这些基本的过程具有重要的意义,从而在微流体、化学反应控制、结构材料制备、溶液加工与组装、生物分析和声学调控等方面具有十分广泛的应用。我的研究就是通过固体表面微米级的结构在微米尺度下精确控制流体界面(气液界面和液液界面),进而实现他们的应用。
第一个工作是:微结构调控二维泡沫的图案化及功能材料的印刷组装中的应用。
(1)泡沫的调控:
自1873年Plateau开创了泡沫物理学以来,人们对于泡沫的演变规律有了比较清晰的认识。具体的规律和认知过程可以见我的一篇被编辑收录的文章。
其中一个显著的规律是泡沫总是在发生粗化现象,整体平均半径不断变大,直至消失。对于夹在两个平板之间的泡沫,自然的演变过程如下:
二维泡沫的自然演变过程 https://www.zhihu.com/video/1093627826128990208我们在其中一个平板上做出微米级的小柱子,可以调控这个演变过程。微柱图形如下:
当微柱为六边形排列时;
微米级结构调控泡沫演变过程 https://www.zhihu.com/video/1093628459733086208上面视频最终会形成六边形网格的气泡阵列:
当是微结构三角排列时,得到演化过程如下:
微柱三角形阵列下的气泡演变过程 https://www.zhihu.com/video/1093630251317460992还有一个更炫的图案,是一种正六边形经过保角变换得到的图案,演变过程如下:
花状气泡阵列的形成过程 https://www.zhihu.com/video/1093630594608656384最终在暗场下形成的泡沫图案如下:
其他演变过程不再一一列出,可以得到可编程的泡沫图案化如下:
(2)泡沫调控的应用:
这种泡沫图案的制备除了用于展示可编程性调控的特点,还有具体的应用背景。这些泡沫图案即使图案化的气液界面,如果在液体中加入功能材料,就可以用来印刷组装功能材料。示意图以及制备的银纳米颗粒的导电网格如下:
如果非要吹牛将来有什么用,就用一个印刷机器来替代吧
发表的论文及其他相关资料可以参看如下链接:
额,要乘坐最后一班地铁回家睡觉,第二个工作明天再写,先溜了。。。。
第二个工作是:任意不相容流体界面的构造及应用。
第一工作主要是构造图案化的气液界面,利用蒸发组装实现其应用。关于气液界面的调控及应用我们课题组已经发了十几篇论文,部分论文如下:
我的第二个工作摆脱气液界面的局限,构造任意任意流体界面,按照流体种类分为四种:气液(气体包着液体,比如图案化的液体块),液气(液体包着气体,图案化的气泡),液液(不相容的液体1和液体2互相包着形成图案化的界面)。如果把流体具体分为水,气和油,这分类又分为八种。
利用微结构的浸润性和几何结构设计,去调控微流体通道里的流体取代过程,就可以实现这八种流体界面的构造。具体示意图如下:
这八种流体取代的实现对浸润性的要求就是:上图中的在流体A中的流体B在固体C上的接触角小于90°。实现的图示如下:
不同微结构的几何结构形成图案化流体块的能力是不同的。通过几何分析与公式推导,得到几何结构的设计标准如下:
即,微结构的几何参数要对应于上图中的绿点,才能实现图案化流体的制备。
通过几何结构与浸润性的综合调控,可以实现多种流体间的多相流体图案化,不同空间分布的区域性流体图案化等可编程性的流体图案化。如下图所示:
比如,上图中有DMSO包着正己烷包着水包着空气的多层结构(数十微米尺度),有空气、水同时在甲苯中的图案化。水和甲苯同时在空气中的图案化等。
这种流体的图案化应用是多方面的,最终我选用了我们最擅长的蒸发组装技术,程序化地制备了多层微米级的立体器件。
补充一个流体图案化过程的视频:
流体图案化过程 https://www.zhihu.com/video/1093814457687445504此工作以封面形式发表到AM上, 具体链接为:
https:// onlinelibrary.wiley.com /doi/full/10.1002/adma.201802172
当然我还有第三个工作,关于流体界面控制的另一种方法以及在气泡声学中的应用。因为还未发表,无法展示,请见谅。
博士毕业好多年了,博士阶段最重要的贡献是,搞了个金刚石放大器作电子源。
这东西是老板提出来的,前面靠这东西已经毕业了俩个博士生。我算是最后临门一脚,对表面做了些改进,使性能提高了7倍,终于实现实用化。然后把之前大家猜测的唯象解释理论化,用了俩个微分方程,完全描述了电子发射和束缚的过程,并和实验符合的很好。效果秒杀几个做蒙特卡洛模拟的组。这一下就把该做的都做完了,剩下的就是应用。可惜一直没提起兴趣,现在这个器件差不多已经被淡忘了。似乎中国还有一两个组还在尝试。
前老板已经退休。退休前还叮嘱我,他的梦想是有一天大家会用上这个金刚石放大器。让我看看有什么申请钱的机会。已经过去了6年,我都快记不得当时做的东西了。最近有公司跑过来说要合作,问国防部要笔钱玩玩,被我严词(Wei Wan)拒绝。在这个中美关系降到冰点的时候,无论如何不去碰和军事相关的项目。
看到好几位做基础科学乃至数学的知友介绍自己的成果,我这个做机器学习的有点儿自惭形秽呢。我做出的成果,不会是流芳百世的那种,而是大概率在一年之内就会被超越。换句话说,我的成果只是进步的阶梯中微小的一级。即使这样,我还是来献一下丑吧。
我做的课题,叫做「声音事件检测」(sound event detection,SED)。所谓「声音事件」,指的是像猫叫狗叫、风声雨声这样的声音,当然人的说话声以及音乐声也算。声音事件检测,就是给出一段录音后,确定其中包含哪些声音事件(tagging),以及每个事件的起止时间(localization)。声音事件检测有很多用途,比如可以辅助识别用户上传的视频的内容,便于检索;也可以作为语音识别的预处理,过滤掉非语音的内容。
既然要检测事件的起止时间,那么理想的训练数据,就应该也标注了每个事件的起止时间。然而进行这样的「强标注」是一件特别麻烦的事情,也正是因为如此,声音事件检测领域长期没有足够的训练数据,一直发展不起来。为了突破这一限制,人们开始研究怎么用「弱标注」的训练数据来做声音事件检测。2017 年 3 月,Google 公布了一个叫做 Audio Set 的数据集,含有 8 个月的弱标注数据,一下子把 SED 这个领域带火了起来。
我的博士课题,就研究了两种「弱标注」数据。第一种标注是最弱的:它只告诉你一段训练数据中有哪些事件,但没有任何关于事件起止时间的信息。比如,它只告诉你一段录音中有狗叫和说话声,但你并不知道谁先谁后,还是二者重叠。这种标注我称为「有无标注」(presence/absence labeling),它也是 Audio Set 提供的标注形式。第二种标注稍微强一点,它告诉你各个事件发生的顺序(因为事件可能重叠,事实上知道的是事件边界——即起止点——的顺序),但不知道边界的具体时间。这种标注我称为「顺序标注」(sequential labeling)。
用「有无标注」来做声音事件检测,一般作为一个多实例学习(multiple instance learning,MIL)的二分类(binary classification)问题来处理。「多实例学习」是指,每个训练样本的正负是未知的,样本被划分成多个「包」(bag),我只知道每个「包」的正负。如果包是负的,则其中的样本都是负的;但如果包是正的,则只说明其中至少有一个样本是正的。在声音事件检测中,对于每一种事件,我们可以把一整条录音看成一个包,其中的每一帧看成一个样本,这就转化成一个 MIL 问题了。MIL 问题的一种通用解法是:用一个模型预测出每个样本为正的概率,然后用一个聚合函数(pooling function)把它们转换成每个包为正的概率,使之与包的标注差别尽可能小。
我在这里的贡献是:我通过理论分析和实验验证,比较了 6 种聚合函数的优劣。其中比较重要的聚合函数有三种:max,attention,linear softmax。max 函数取一个包中各样本为正的概率的最大值作为包为正的概率,算是默认的选择,然而我说明了它在帧级的漏检率较高。attention 函数是拿各样本为正的概率做一个加权平均作为包为正的概率,加权平均的权也是学习出来的。它是最近比较受关注的一种聚合函数,然而我说明了它在帧级的误检率较高,其原因在于权与概率可能不满足单调性。linear softmax 也是加权平均,它就以各样本为正的概率本身为权(所以满足单调性),我说明了它在帧级的漏检率与误检率较平衡。利用 linear softmax 函数,我训练了一个名为 TALNet(tagging and localization network)的网络,它在 Audio Set 上取得了与目前的最前沿相当的性能(0.36 MAP),同时在 2017 年 DCASE challenge 的数据上也取得了不错的结果。
用「顺序标注」来做声音事件检测,可以借鉴语音识别中比较常用的 CTC(connectionist temporal classification)方法。在基于 CTC 的语音识别中,我们知道每句话中各音素的顺序,但不知道各音素的起止时间;类似地,在有顺序标注声音事件检测中,我们知道每句话中各事件边界的顺序,但不知道它们的起止时间。于是,就可以直接把事件边界类比为音素,套用 CTC 方法。但这样做的结果是,模型常常可以识别出正确的事件边界序列,然而识别出的起止时间都距离真实的时间很远,尤其是对于持续时间比较长的事件,识别出的「起」「止」两个边界常常靠在一起。
我在这里的贡献,是把 CTC 改造了一下,得到了一种我称为 CTL(connectionist temporal localization)的方法。具体细节讲起来比较麻烦,就略了。CTL 成功地克服了 CTC 的问题,得到了比「有无标注」更好的结果,说明「顺序标注」比「有无标注」多出来的顺序信息是有用的。同时,CTL 的网络结构与利用「有无标注」的网络,以及利用「强标注」的网络十分相似;如果你有一些数据带有「有无标注」,有一些数据带有「顺序标注」,有一些数据带有「强标注」,则可以毫不费力地进行融合。
上面说了我的贡献。当然,我的研究还是有不少局限的,也有一些「跳一跳就能够得着」的改进。比如,目前并没有大规模的带「顺序标注」的数据,所以我的 CTL 目前还处于「巧妇难为无米之炊」的境地。再如,linear softmax 虽然是目前最优的聚合函数,但它的权重是按固定规则算出来的。而 attention 可以自由地学习权重,我们也想要这种灵活性。所以很容易想到,可以设计一种「带单调性限制的 attention」,也许很容易就能超越目前的最前沿。这就是为什么我说我的成果大概率会在一年之内被超越。
附上我的博士论文链接:
以及从中提炼出来的两篇短论文:
两篇短论文都已经被 ICASSP 2019 会议接收啦!