自然世界總是可以成為新技術(shù)的靈感來(lái)源。一種受代爾夫特理工大學(xué)蜘蛛網(wǎng)啟發(fā)的新型傳感器可能對(duì)重力研究、量子互聯(lián)網(wǎng)等產(chǎn)生重大影響。

創(chuàng)新的歷史充滿了人類向自然尋求靈感和應(yīng)對(duì)復(fù)雜技術(shù)挑戰(zhàn)的答案。仿生學(xué)導(dǎo)致了我們文明的許多最偉大的創(chuàng)新，例如萊特兄弟研究鳥(niǎo)類以尋找制造飛機(jī)的靈感，或者日本工程師模仿翠鳥(niǎo)來(lái)制造子彈頭列車。 

仿生學(xué)的幾個(gè)例子。圖片由Mibelle Biochemistry 提供

上周，代爾夫特理工大學(xué)的研究人員延續(xù)了這一仿生學(xué)傳統(tǒng)，這次從蜘蛛網(wǎng)中汲取靈感，開(kāi)發(fā)出可在室溫下運(yùn)行的新型量子傳感器。 

在本文中，我們將研究所呈現(xiàn)的研究以及新傳感器的令人印象深刻的結(jié)果。

量子傳感的挑戰(zhàn) 

今天，人們對(duì)量子世界的興趣與日俱增。在天體物理學(xué)研究和量子計(jì)算機(jī)之間，世界各地的工程師發(fā)現(xiàn)自己需要能夠在量子水平上工作的高精度傳感器。 

然而，量子水平的傳感帶來(lái)了重大挑戰(zhàn)：實(shí)現(xiàn)精度和分辨率是困難的。

對(duì)低溫量子計(jì)算的需求極大地限制了量子硬件。圖片由微軟提供

在量子水平上測(cè)量信號(hào)時(shí)，這些信號(hào)的幅度非常小。事實(shí)上，信號(hào)非常小，以至于環(huán)境噪聲的影響對(duì)信號(hào)的整體幅度有顯著影響。這種影響從根本上限制了創(chuàng)建可靠量子傳感器的能力，因?yàn)閰^(qū)分我們想要的信號(hào)和噪聲變得很復(fù)雜。 

克服這一點(diǎn)的一種方法是，將量子硬件盡可能保持在絕對(duì)零 (0K) 附近。將硬件保持在這些無(wú)能量環(huán)境中可以消除外部噪聲的影響，但也會(huì)使量子硬件變得極其昂貴和受限。 

蜘蛛網(wǎng)激發(fā)量子傳感創(chuàng)新

為了解決這個(gè)問(wèn)題，代爾夫特理工大學(xué)的研究人員從一個(gè)不太可能的來(lái)源中找到了靈感：蜘蛛網(wǎng)。 

蜘蛛網(wǎng)的一個(gè)關(guān)鍵特征是它們本質(zhì)上是非常好的振動(dòng)探測(cè)器，使蜘蛛能夠測(cè)量其網(wǎng)內(nèi)獵物的振動(dòng)，而不受外界振動(dòng)（如風(fēng)）的影響。 

當(dāng)將此與量子傳感問(wèn)題類似地看待時(shí)，事實(shí)證明蜘蛛網(wǎng)可能成為一個(gè)非凡的解決方案。對(duì)研究人員來(lái)說(shuō)不幸的是，他們不是蜘蛛網(wǎng)復(fù)雜性和內(nèi)部機(jī)制的專家。

傳感器提出的蜘蛛網(wǎng)幾何形狀。圖片由Shin 等人提供

正如研究人員在他們的論文中所解釋的那樣，他們使用貝葉斯優(yōu)化解決了這個(gè)問(wèn)題，貝葉斯優(yōu)化是一種用于黑盒函數(shù)全局優(yōu)化的機(jī)器學(xué)習(xí) (ML) 技術(shù)。 

從本質(zhì)上講，研究人員為他們的 ML 算法提供了 150 個(gè)蜘蛛網(wǎng)設(shè)計(jì)，并告訴它返回最能通過(guò)緊湊設(shè)計(jì)誘導(dǎo)軟夾緊的設(shè)計(jì)，并在給定諧振器尺寸的低頻范圍內(nèi)實(shí)現(xiàn)高質(zhì)量因子。 

最終的解決方案出乎意料地簡(jiǎn)單，由一個(gè)簡(jiǎn)單模式的六個(gè)字符串組成。然后研究人員采用這種模式并使用氮化硅納米結(jié)構(gòu)在微芯片上實(shí)現(xiàn)它。 

在測(cè)試他們的新傳感器時(shí)，結(jié)果令人難以置信，在室溫下顯示出極高的品質(zhì)因數(shù)和破紀(jì)錄的隔離振動(dòng)。最重要的是，他們的新解決方案得益于新穎的振動(dòng)模式，而不是更具挑戰(zhàn)性的新制造技術(shù)。 

未來(lái)的工作

研究人員認(rèn)為，他們的新型機(jī)械諧振器可能會(huì)對(duì)許多依賴量子傳感的領(lǐng)域產(chǎn)生重大影響。 

通過(guò)啟用在室溫下工作的高品質(zhì)因數(shù)、高隔離度傳感器，他們希望使天體物理學(xué)研究和量子互聯(lián)網(wǎng)等領(lǐng)域受益。

特色圖片由 Frank Auperlé 和 TU Delft 提供