IT之家 5 月 21 日消息，据“中科院之声”公众号，近日，中国科学院上海技术物理研究所领衔的研究团队，利用嫦娥六号任务从月球背面带回的宝贵样本，为月球化学“拼图”补上了关键“碎片”， 成功绘制出迄今为止最精确的月球全球化学成分图 。 IT之家从官方介绍获悉，这项研究为未来的月球探测，特别是对月球背面最大、最古老的“南极-艾特肯盆地”的探索，提供了全新“导航图”。 一、借 AI 破题 如何让月球背面的样本校准覆盖月球全球的遥感数据？科研人员采用了一套巧妙的策略。 不同的化学成分就像不同的“指纹”，会留下独特的光谱痕迹。研究团队首先获取了月球轨道器拍摄的高分辨率 多光谱图像 ，捕捉了月球表面在不同波长的光谱特征。 但光谱“指纹”与精确的化学成分含量（如铁、钛等主量元素氧化物的含量）之间，存在极其复杂的非线性关系，无法通过简单计算直接推导。 为破解这一难题，研究团队引入了残差卷积神经网络这一人工智能深度学习（AI）模型，将包括嫦娥六号样本在内的所有已知月球采样点数据输入模型，通过交叉验证反复检验优化，让 该模型在月球正面与背面样本的共同约束下 ，深度学习光谱特征与化学成分之间的映射关系。 经过“特训”的 AI 模型，如同掌握了全新解题逻辑的“学霸”，对全月球遥感数据进行解析时，就能更精准地“解码”出月表风化层的化学成分，让遥感数据的解读精度实现质的提升。 基于新模型，研究团队绘制出由月球背面样本校正的首幅高分辨率月球主量元素氧化物含量分布图， 铁、钛、铝、镁、钙、硅等关键元素氧化物的分布清晰可见 ，诸多新发现刷新了人类对月球背面的成分认知。 ▲ 新一代月表主要氧化物含量分布填图 二、月背原来是这样的 修正月球背面“高地”成分认知。 月球背面主要由古老的“高地”构成。新地图显示，这些高地的化学成分与全球平均值相比，呈现出富铝、富钙，低铁、低钛的特征，这与“原始月壳”特征高度契合。同时，研究发现，在月球背面高地上， 镁质斜长岩 、镁质岩套等富镁岩石的出露面积约占月球背面高地面积的 40%，远高于此前认知。这一发现挑战了此前的“高地以铁质斜长岩为主”的观点，为学界理解月球早期岩浆洋演化提供了新证据。 重新勾勒南极-艾特肯盆地边界。 直径超 2500 公里的南极-艾特肯盆地，是月球背面的巨型撞击坑，也被称作太阳系最大的“疤痕”之一，其内部物质或源自月球深部。新地图精确地描绘了该盆地内部不同区域的成分差异：盆地边缘的镁质辉石环带边界，比此前认知的范围更广，意味着当年的巨型撞击，挖掘出了比预想中更多的月球深部甚至月幔物质；而盆地中心富钙、富铁区域的范围则有所缩小，这为科学家准确判断撞击后的火山活动规模提供了精准的成分依据。 ▲ 多尺度月球成分组成与演化解译 三、为继续探月指路 嫦娥六号带回的 1935.3 克月球背面样本，不仅是极具科研价值的月球“土特产”，更是校正全月球遥感数据的“标准色卡”。 这项研究定量揭示了月球背面，尤其是南极-艾特肯盆地这一关键区域的物质组成，为未来寻找月球深部物质、精准选择着陆点、乃至解开月球早期演化之谜，提供了至关重要的科学依据和“导航”指南。 参考 Refined lunar global chemistry mapping using farside ground truth information gathered by Chang’e-6
IT之家 4 月 27 日消息，“中科院之声”公众号今日发文称，近日，中国科学院金属研究所团队开发出暗场电子层析成像新方法 DFET-Nano，实现了对纳米金属晶界的三维“透视”。简单来说，这就像给纳米晶粒作 CT 扫描。 团队利用透射电子显微镜，从不同角度为纳米晶粒拍摄大量暗场像照片，然后通过复杂的重构算法，将二维图像合成为高精度的三维立体模型。目前， 该技术的空间分辨率已经达到 0.3 纳米 。 IT之家从文中获悉，这种方法不仅重建了晶粒的外形，还能同步解析其晶体学取向。也就是说，研究人员不仅能“看见”晶粒长什么样， 还能知道每个晶粒的晶界结构特征 ，从而精确计算出晶界的晶面指数和曲率。这些直观的三维证据，首次在实验中验证了理论物理学家提出的“受限晶体结构”特征。 这项研究就像一把钥匙，打开了纳米材料“黑箱”。借助它， 科学家能在三维空间中直接观察和测量晶界变化 ，从而更透彻地理解纳米金属稳定机制，为未来设计更高性能、更稳定的纳米材料提供了新的表征手段。 参考 论文链接
背景 ： 双非本科，中科院人工智能硕士研0。目前有Golang后端开发基础 + 一段小厂后端实习，AI领域几乎是纯小白。 现在看到网上都在转向Agent开发，确信Agent开发是马上消失的风口； 研究生导师比较佛系，只要在DDL前完成它的任务 鼓励实习；导师羊导 且更偏向工程，组内不会有论文产出；毕业要求简单无压力； 我现在面临两个完全不同的路径，无法抉择： 选项1：快速冲Agent项目 → 冲中大厂Agent实习 计划用1个多月快速学完Agent开发，完成2个像样的Agent项目，然后去投中大厂的Agent相关实习，争取能在GAP期找到一份Agent开发实习，为研一实习做准备（中科院研一管理很松，基本都能出去实习）。 选项2：彻底放弃实习，All in AI Infra转型 直接全面系统地学习AI Infra基础知识，从后端开发向AI Infra方向转型，拥抱AI。 我的核心纠结（这也是我最痛苦的地方）： 选1的话，我最怕： Gap期完全不积累AI硬核知识 → 研一又基本都在实习 → 毕业时AI对口实习几乎没有，最后只能继续做普通开发岗？ 可我 真正想拥抱AI ，还特别想做 软硬件结合 、不可替代性更高的工作。走这条路感觉是在“拖延”真正进入AI 选2的话，我最怕： 我知道研0+研1根本踩不中当前的就业风口。AI Infra现在确实很火，但等到我29年毕业时，风口可能已经过去，或者竞争更卷； 而且AI Infra的门槛明显更高，我All in之后， 研一是否能找到对口的实习都心里没底 ，万一卡住就两头空。 总结我的疑问： 在当前AI快速迭代的背景下，我这种“小白+研0”的情况，是应该 先快速积累可见的项目和实习 （Agent路线），还是 直接All in更长期、更底层的AI Infra ？ 选Agent路线，未来是否真的会因为缺乏AI深度而被卡在天花板上？ 选AI Infra路线，是否风险过高（风口错过 + 研一实习难）？ 恳请有AI Infra或Agent方向经验的前辈、正在转方向的同学、或中科院在读/毕业的师兄师姐指点！非常感谢！ 18 个帖子 - 8 位参与者 阅读完整话题
从 中科院推出 20GB 免费云存储：支持 S3 / WebDAV 协议，附挂载为本地硬盘教程 继续讨论： 其实很早之前就写好了（AI真好用），但是后来忙别的项目就忘记了 [!tip]重发一下之前所说的 数据胶囊限制了ua，WebDav可以用cf搭个worker做中转 s3也尝试了，但是局限性比较大： 需要在服务器端保存用户机密，否则只能以 明文 方式传输 源码（gist）： gist.github.com https://gist.github.com/taozhiyu/309572f9e3213692735dfa672c846337 cloudflare-webdav-proxy.cloudflare.js /**** * cloudflare-webdav-proxy * -------------------------------------------------- * 功能： * 1. 将 /dav 前缀下的请求透明代理到下文正文第一行的 plantform * 2. 自动重写 Host / User-Agent 请求头 * 3. 对 XML 响应内容中的域名进行回写，保证客户端可正常访问 * 4. 根路径返回服务状态信息 * * 路由： 此文件已被截断。 显示原始文件 开箱即用（cloudflare worker）： 地址 https://webdav.taoproxy.dpdns.org/dav 用户名 你的webdav用户名 密码 你的webdav密码 顺便附赠一个 S3 兼容 cloudflare 代理客户端项目 github.com GitHub - backblaze-b2-samples/cloudflare-b2-proxy: Proxy Backblaze S3 compatible API requests,... Proxy Backblaze S3 compatible API requests, optionally sending notifications to a webhook 1 个帖子 - 1 位参与者 阅读完整话题
36氪获悉，5月15日，针对投资者关于“ 近期市场传闻中科院自动化所旗下中自投资拟战略入股公司、受让部分股份，请问公司是否有相关接触或筹划？ ”的提问，中科信息在互动平台回应，公司经向控股股东核实，确认该传闻内容不属实，不存在应披露而未披露的重大信息。