科学界震撼发现：“反超氢-4”反物质问世，中国科学家引领前沿探索

近日消息，中国科学院近代物理研究所于RHIC-STAR国际合作实验中取得重大突破，首次观测到全新的反物质超核——反超氢-4，它在相对论重离子金金碰撞的环境下被发现。这一成就刷新了迄今实验中探测到的最重反物质超核的纪录，为反物质与宇宙起源的研究注入了崭新的活力。

项目背景

什么是正物质和反物质呢？当前物理学知识认为在宇宙诞生之初应该存在正物质与反物质，并且两者是等量存在的。

但现在的宇宙却难以找到反物质了，那么很多人好奇，反物质都去了哪里呢？科学家们给出的答案是反物质很容易与周围的正物质发生湮灭，也就是存在即消失。

如果宇宙中的正、反物质一直保持数量相等，它们终将完全湮灭掉，变成一团光。幸运的是，在某种物理机制的作用下，正、反物质却出现了数量的不平衡。

不过，某种神秘的物理机制导致早期宇宙中正反物质数量极小的不对称，在绝大部分正反物质湮灭后，约百亿分之一的正物质得以存活下来，构成了今天的物质世界，并成为人类文明诞生和存在的基础。

反物质非常罕见，而由若干反重子进一步组合形成的反物质原子核和反物质超核（即包含 Lambda 等超子的原子核），则更加难以产生。

自 1928 年狄拉克方程的“负能量解”预示反物质的存在以来近一个世纪，科学家仅发现 6 种反物质（超）核。

研究过程

仇浩介绍说，此次最新发现的反超氢-4 是在相对论重离子碰撞实验中产生的。位于美国布鲁克海文国家实验室的相对论重离子对撞机（RHIC），能将重离子束加速至接近光速并使其对撞，在实验室中模拟宇宙早期大爆炸的状态。

这种对撞能产生几万亿摄氏度的高温火球，包含几乎等量的正物质与反物质。该火球迅速膨胀、冷却，使得一部分反物质有机会逃离与正物质湮灭的命运，被环绕对撞点的 STAR 实验探测器观测到。

反超氢-4 介绍

反超氢-4 由一个反质子、两个反中子和一个反 Lambda 超子组成。由于包含不稳定的反 Lambda 超子，反超氢-4 飞行仅仅几个厘米后就会发生衰变。

研究团队分析了共约 66 亿个重离子碰撞事件的实验数据，通过衰变产生的反氦-4 和 π+ 介子反向重建反超氢-4，最终获得约 16 个反超氢-4 的信号。

青岛能源所科研新飞跃：中国科学院固态锂电池技术取得重大进展

近日消息，全固态锂电池凭借其采用的不可燃无机固态电解质技术，正逐步成为高安全性储能领域的理想解决方案，有效满足了市场对此类需求的快速增长。这项技术的突破，为未来能源存储应用开启了全新可能，特别是在提高安全标准及拓宽应用场景方面展现出巨大潜力。

全固态锂电池通常采用包含了电极活性材料、导电子和导离子助剂的复合电极。不同组分之间在化学、电化学和力学等性能上难以完美匹配从而诱发多种界面问题，严重恶化电池能量密度和使用寿命。

对此，中国科学院青岛生物能源与过程研究所固态能源系统技术中心在崔光磊研究员带领下，由鞠江伟、崔龙飞、张舒博士等开创性设计出了一种新的均质化正极材料 ——Li1.75Ti2(Ge0.25P0.75S3.8Se0.2)3，兼具高离子电导率（0.2 mS cm−1）、高电子电导率（225 mS cm−1）和高放电比容量（250 mA h g−1）。

与传统材料相比，这种材料具有高电导率、高能量密度、长使用寿命等优势，颠覆了全固态锂电池复合正极的范式，从根本上解决了上述难题，制备出兼具高能量密度和长循环寿命的全固态锂电池。

这一突破有望让电子设备小型化、长续航的梦想成为现实，相关研究成果已于 7 月 31 日发表在国际学术期刊《自然 — 能源》上（附 DOI:10.1038/s41560-024-01596-6）。

该材料的离子和电子电导率高于传统层状氧化物正极材料 1000 倍以上，比容量超过目前的高镍正极材料。同时，该材料在充放电过程中仅发生 1.2% 的体积形变，低于传统层状氧化物正极材料的 50%。

高的电导率可确保正极在不添加导电助剂的情况下正常充放电，低的体积形变保证了电池在充放电过程中结构的稳定性。以 100% 活性材料构筑的全固态锂电池在 5000 圈循环后保持初始容量的 80%，其 390 Wh/kg 的高能量密度是目前所报道长循环全固态锂电池的 1.3 倍。

官方指出，这项研究对开发高能量密度、长使用寿命的储能设备，为新能源汽车、储能电网、深海深空装备等提供安全、耐久的动力源提供了技术支撑，对开发新型储能体系等具有重要意义。

中国科学院大连化物所在太阳能领域取得重大突破：百米柔性钙钛矿电池产线投入运行

近日消息，柔性钙钛矿组件由于其卓越的柔韧性、轻质特性和可塑性，正逐渐成为多个领域的关注焦点。这些材料的独特属性使它们非常适合应用于物联网设备、智能家居系统、移动能源解决方案及公共交通工具上，预示着在未来的智能互联与绿色能源趋势中，它们将扮演关键角色，推动技术创新和应用边界拓展。

中国科学院表示，大连化学物理研究所承担的科研项目“柔性大面积高效稳定钙钛矿太阳能电池及产线研发”本周取得了新进展，成功建成卷对卷连续制备柔性钙钛矿组件产线，研发的 350 毫米 ×1050 毫米尺寸的大面积柔性组件效率高达 17.75%，连续制备的长度和效率均处于国际先进水平。

据介绍，该科研项目由中国核能电力股份有限公司委托、大连化物所太阳能研究部薄膜硅太阳电池组（DNL1606 组）刘生忠团队承担完成，旨在推进柔性钙钛矿太阳能电池的产业化进程，致力于实现柔性钙钛矿太阳能电池的高效、稳定与大规模生产。

官方指出，“柔性大面积高效稳定钙钛矿太阳能电池及产线研发”科研项目旨在推进柔性钙钛矿太阳能电池的产业化进程，致力于实现柔性钙钛矿太阳能电池的高效、稳定与大规模生产。

通过官方获悉，该项目于近日举办验收专家审查会，审查专家组成员在听取了项目组的汇报，审阅了相关文件后，经充分质询和认真讨论，同意通过验收。

专家组认为，该科研项目的验收方法符合合同、验收大纲、行业标准的要求；汇报材料、测试报告、测试验收单等数据记录完整齐备，研发过程规范透明；柔性大面积≥350×1000mm2 的组件最高效率达到 17.75%，稳定性通过合同规定的 IEC 61215 测试要求，均超过项目验收指标。

中国科学院紫金山天文台突破性发现：揭秘大质量恒星诞生之谜

近日消息，紫金山天文台近期公布了一项重要发现，利用高级的ALMA观测设施，他们揭示了大质量恒星形成之谜的线索。通过分析M17 MIR这颗独特的大质量原恒星，研究团队观测到了重复性的爆发式吸积事件，以及这类事件触发的间歇性高速分子喷流现象。这些观测结果挑战了现有的大质量恒星形成理论，为解开这类恒星诞生的秘密提供了崭新的视角。

中国科学院表示，该研究进一步深化了科学家对大质量恒星起源问题的认知。相关研究成果已发表在《天体物理学杂志快报》（The Astrophysical Journal Letters）上（DOI:10.3847/2041-8213/ad55c7）。

目前表现出爆发式吸积的大质量原恒星样本较少，包括 S255IR NIRS 3、NGC 6334I MM1、G358.93-0.03 MM1 及 M17 MIR，其中 M17 MIR 是紫金山天文台基于长时间的红外数据首次独立发现的。

1993 到 2019 年的红外测光数据发现 M17 MIR 有明显地中红外光度变化。中红外光变曲线说明存在两个明显的红外光度爆发期以及在其之间的一段宁静期。此外，M17 MIR 表现出与红外光变几乎同步的 22 GHz 水脉泽光变活动。因此，M17 MIR 是首颗有重复爆发式吸积的大质量原恒星。

通过光谱能量分布拟合估算得到爆发期的物质吸积率为每年千分之一太阳质量。通过重复爆发式吸积，M17 MIR 有望成为一颗 20 个太阳质量的 O9 型恒星。

M17 MIR 的水脉泽活动预示外流活动存在的可能性。研究通过分析 ALMA 1.3 毫米波段存档数据发现 12CO （J=2-1）谱线的高速线翼部分有明显的超出，成图后发现间断式的双极分子外流。外流的极高速（EHV）部分展现出对称且准直的喷流状结构，并可以分辨出明显的精细结状结构。假定距离最近的 EHV 结构 N1-1 / S1-1 起源于 2010 年开始的爆发式吸积活动，那么可以推断喷流速度约为 421 km s-1。

研究基于这一喷流速度发现，EHV 结构 N1-2 / S1-2 的动力学年龄恰好对应于 20 世纪 90 年代发生的爆发式吸积活动，这验证了动力学年龄的合理性和准确性。其余间断式高速分子喷流的动力学年龄小于 400 年，暗示着过去 400 年发生过多次爆发式吸积活动，且每次持续时间约为几十年，与气体吸积盘的引力不稳定性以及碎裂模型相符合，这对大质量恒星起源问题的理论研究具有参考价值。

中科院科研突破：新型类脑神经元模型，推动AI与神经科学深度融合

近日，中国科学院自动化所李国齐、徐波研究团队携手清华大学、北京大学等机构，创新性地推出一种运用“内生复杂性”原理的新型类脑神经元模型构建策略，该研究成果已在《自然・计算科学》期刊上公开发表，标志着我国在类脑智能领域的研究又迈出了重要一步。

该研究首先展示了脉冲神经网络中LIF模型与HH模型在动力学特性上的等效性，证明了HH神经元可以通过四个特定连接结构的时变参数与LIF神经元等效。基于这一发现，研究团队通过设计微架构，提升了计算单元的内生复杂性，使得HH网络模型能够模拟更大规模的LIF网络模型特性。

此外，团队还将该模型简化为s-LIF2HH模型，并通过仿真实验验证了其在捕捉复杂动力学行为方面的有效性。实验结果显示，HH网络模型和s-LIF2HH网络模型在表示能力和鲁棒性上表现相似，而HH网络模型在计算资源消耗方面更为高效。

这一研究为将人工智能融入神经科学复杂动力学特性提供了新的方法和理论支持，同时为AI模型的优化与性能提升提供了解决方案。目前，研究团队已经开始对更大规模的HH网络及更复杂神经元进行深入研究，预计将进一步提升大模型的计算效率与任务处理能力，加速其实际应用的落地。