纤毛也能做芯片!康奈尔华人博士生一作登Nature封面
搞芯片,最重要的环节是什么?
除了用更先进的制造工艺带来更大的晶体管密度,获得更大的算力之外,对芯片内部信号的传输和控制也是必不可少的一部分。
「纤毛芯片」,了解一下?
当然,首先来看看纤毛是干什么的。
纤毛,可以说是生物体中最勤奋的信使和传话人,更直接点说,就是液体的最灵活的「搬运工」。
这些纤细的毛发通过有节奏的跳动来搬运生物体内的液体,包括大脑中的脑脊液,清除肺部的痰和污物,保持其他人体器官和组织的清洁。
多年以来,人们一直希望能够在计算和控制领域吸收,或者说「借鉴」纤毛的神奇能力。
但是在微观层面上。复制这个生物体中的「奇迹」的难度是非常大的。过去几年,光、磁和电驱动的研究已经取得了不少进展,但在工程上具备应用价值的「纤毛驱动」平台仍然难以实现。
现在,这个困难被康奈尔大学的一群研究人员解决了。
他们设计了一个微型的人工纤毛系统,使用基于铂金的部件,可以在微观尺度下利用纤毛控制液体的运动。未来,有可能实现低成本、便携式的诊断设备,用于测试血样、操纵细胞活动或协助微加工过程等。
目前,刊载这一研究的论文已经发表在最新的Nature上,论文一作为华人博士生Wang Wei(上图),二作为华人博士后Liu Qingkun,目前论文被引用数超过2300次,H指数为24。
Wang Wei表示,目前已经有很多方法可以制造由光、磁或静电力驱动的人工纤毛,但我们是第一个使用新纳米致动器来实现可单独控制的人工纤毛的团队。
论文链接:https://www.nature.com/articles/s41586-022-04645-w.pdf
在Nature这篇论文中,研究人员构建了电子驱动人造纤毛的活性超表面,并在表面附近的液体中能够产生任意流动模式。
研究人员首先构建了电压驱动的纤毛,在 1 伏的驱动电压下以每秒数十微米的速度做单向运动,以驱动表面流动。纤毛单位细胞可以在局部产生一系列的元素流动并构成不同几何形状。
基于表面电化学执行器的人工纤毛
通过组合这些单位单元,研究人员创建了一个活跃的纤毛超表面,可以生成任何所需的流动模式,并在这些模式之间灵活切换。
这些结果,最终通过实验和理论计算得到了证实。
研究人员表示,这些结果为未来精细尺度微流体操纵开辟了一条新路,从微流体泵送到微机器人运动都能进行应用。
人工纤毛的显微镜视图
具体来说,一个典型的「纤毛芯片」包含16个方形单元,每个单元有8个纤毛阵列,每个阵列有8个纤毛,每个纤毛约50微米长,从而形成一个由大约1000根人造纤毛组成的「地毯」。
对每根纤毛加以震荡电压,其表面会发生周期性的氧化和还原,使纤毛来回弯曲,以每秒几十微米的速度泵送流体。
不同纤毛阵列可以被独立激活,因此可以产生无穷无尽的流动模式和路线,和纤毛在生物体内的灵活性几乎不相上下。
这项研究由论文通讯作者、康奈尔大学物理学教授Itai Cohen领导,建立在一个铂金基底的电动执行器上,作为纤毛设备的核心组件。
Cohen的团队之前打造了让微型机器人实现行走的类似系统。实际上,让微型机器人「弯腿」力学原理和这个研究很相似,但纤毛系统的具体功能和应用是不同的,而且相当灵活。
纤毛单元产生的多种流动路线
Cohen表示,「一旦你能单独处理这些纤毛,你就能以任何你想要的方式精确操纵和控制这些流体。可以创建多个独立的运动轨迹,实现环形流动,或者分裂成两条路径,然后在两路合一。甚至可以在三维空间内设计路线。总之,一切皆有可能。」
「使用现有的平台来创造小的、在水中工作的、可电处理的、可与有趣的电子装置集成的纤毛,一直是非常困难的。现在这个问题解决了。有了这种平台,我们就有望开发出下一代的微型流控设备。」他说。
另外,研究团队还开发了一个配备CMOS时钟电路的纤毛装置,实际上就是一个「电子大脑」,使纤毛能够不被传统计算机系统束缚下运行,也为开发一系列可在现场进行的低成本诊断测试打开了大门。
Cohen表示,可以想象,在未来,人们拿着这个1厘米见方的小设备,只要滴一滴血在上面,就能进行所有的检测。不用再用什么泵,也不用任何其他设备,只要把它放在阳光下,它就会工作,成本可能只有1到10美元左右。
以上是纤毛也能做芯片!康奈尔华人博士生一作登Nature封面的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

热门话题

StableDiffusion3的论文终于来了!这个模型于两周前发布,采用了与Sora相同的DiT(DiffusionTransformer)架构,一经发布就引起了不小的轰动。与之前版本相比,StableDiffusion3生成的图质量有了显着提升,现在支持多主题提示,并且文字书写效果也得到了改善,不再出现乱码情况。 StabilityAI指出,StableDiffusion3是一个系列模型,其参数量从800M到8B不等。这一参数范围意味着该模型可以在许多便携设备上直接运行,从而显着降低了使用AI

轨迹预测在自动驾驶中承担着重要的角色,自动驾驶轨迹预测是指通过分析车辆行驶过程中的各种数据,预测车辆未来的行驶轨迹。作为自动驾驶的核心模块,轨迹预测的质量对于下游的规划控制至关重要。轨迹预测任务技术栈丰富,需要熟悉自动驾驶动/静态感知、高精地图、车道线、神经网络架构(CNN&GNN&Transformer)技能等,入门难度很大!很多粉丝期望能够尽快上手轨迹预测,少踩坑,今天就为大家盘点下轨迹预测常见的一些问题和入门学习方法!入门相关知识1.预习的论文有没有切入顺序?A:先看survey,p

本站11月28日消息,据长鑫存储官网显示,长鑫存储推出了最新LPDDR5DRAM存储芯片,是国内首家推出自主研发生产的LPDDR5产品的品牌,实现了国内市场零的突破,同时也令长鑫存储在移动终端市场的产品布局更为多元。本站注意到,长鑫存储LPDDR5系列产品包括12Gb的LPDDR5颗粒,POP封装的12GBLPDDR5芯片及DSC封装的6GBLPDDR5芯片。12GBLPDDR5芯片目前已在国内主流手机厂商小米、传音等品牌机型上完成验证。LPDDR5是长鑫存储面向中高端移动设备市场推出的产品,它

这篇论文探讨了在自动驾驶中,从不同视角(如透视图和鸟瞰图)准确检测物体的问题,特别是如何有效地从透视图(PV)到鸟瞰图(BEV)空间转换特征,这一转换是通过视觉转换(VT)模块实施的。现有的方法大致分为两种策略:2D到3D和3D到2D转换。2D到3D的方法通过预测深度概率来提升密集的2D特征,但深度预测的固有不确定性,尤其是在远处区域,可能会引入不准确性。而3D到2D的方法通常使用3D查询来采样2D特征,并通过Transformer学习3D和2D特征之间对应关系的注意力权重,这增加了计算和部署的

本站11月13日消息,据台湾经济日报,台积电CoWoS先进封装需求迎来爆发,除英伟达已经在10月确定扩大订单外,苹果、AMD、博通、Marvell等重量级客户近期同样大幅追单。据报道,台积电正在努力加快扩大CoWoS先进封装产能,以满足上述五大客户的需求。预计明年的月产能将比原先的目标增加约20%,达到3.5万片分析人士表示,台积电的五个主要客户纷纷下大单,这表明人工智能应用已经广泛普及,各大厂商对于人工智能芯片的需求大幅增加本站查询发现,当前CoWoS先进封装技术主要分为三种——CoWos-S

请留意,这个方块人正在紧锁眉头,思考着面前几位“不速之客”的身份。原来她陷入了危险境地,意识到这一点后,她迅速展开脑力搜索,寻找解决问题的策略。最终,她决定先逃离现场,然后尽快寻求帮助,并立即采取行动。与此同时,对面的人也在进行着与她相同的思考……在《我的世界》中出现了这样一个场景,所有的角色都由人工智能控制。他们每个人都有着独特的身份设定,比如之前提到的女孩就是一个年仅17岁但聪明勇敢的快递员。他们拥有记忆和思考能力,在这个以《我的世界》为背景的小镇中像人类一样生活。驱动他们的,是一款全新的、

最新消息显示,据《科创板日报》和蓝鲸财经报道,有产业链人士透露,英伟达已经研发出了适用于中国市场的最新版AI芯片,其中包括HGXH20、L20PCle和L2PCle。截至目前,英伟达方面尚未发表评论知情人士称,这三款芯片均基于英伟达H100改良而来,英伟达预计最快将于11月16号之后公布,国内厂商最快将在这几天拿到样品。经过查询公开资料,得知NVIDIAH100TensorCoreGPU采用全新的Hopper架构,基于台积电N4工艺,集成了800亿个晶体管。相较上一代产品,它能为多专家(MoE)

23年9月国防科大、京东和北理工的论文“DeepModelFusion:ASurvey”。深度模型融合/合并是一种新兴技术,它将多个深度学习模型的参数或预测合并为一个模型。它结合了不同模型的能力来弥补单个模型的偏差和错误,以获得更好的性能。而大规模深度学习模型(例如LLM和基础模型)上的深度模型融合面临着一些挑战,包括高计算成本、高维参数空间、不同异构模型之间的干扰等。本文将现有的深度模型融合方法分为四类:(1)“模式连接”,通过一条损失减少的路径将权重空间中的解连接起来,以获得更好的模型融合初
