|
搜索
搜 索
高等教育领域数字化综合服务平台
通过增大狄拉克半金属约瑟夫森结的几何尺寸将电子输运维数降到拓扑铰链态
近日，南方科技大学量子科学与工程研究院院长、中国科学院院士俞大鹏团队与北京大学、荷兰特文特大学等合作，在狄拉克半金属-超导体异质结量子调控方面取得研究新进展，相关成果以《通过增大狄拉克半金属约瑟夫森结的几何尺寸将电子输运维数降到拓扑铰链态》（“Reducing Electronic Transport Dimension to Topological Hinge States by Increasing Geometry Size of Dirac Semimetal Josephson Junctions”）为题发表在《物理评论快报》（Physical Review Letters）上。
研究团队利用体态、表面态和棱态具有不同超导相干长度的性质特点，通过增长沟道长度，逐步实现从体态到表面态、再到棱态的超导电流的传导。
南方科技大学
2021-04-11
第十届高等教育智慧教学与课堂教学改革论坛在重庆举办
11月15日，第十届高等教育智慧教学与课堂教学改革论坛顺利召开。
超星泛雅
2024-11-29
长春市委常委、副市长黄宪昱一行到访中国高等教育学会
2025年1月17日下午，长春市委常委、副市长黄宪昱一行到访中国高等教育学会，共商第63届中国高等教育博览会相关事宜。学会副会长姜恩来、副秘书长吴英策出席活动。
中国高等教育博览会
2025-01-20
【展前攻略】第63届高等教育博览会参展企业必看！
本届展会参展单位近千家，展览展示面积10余万平方米，其中特装展位占比近90%，现场将展出1万余件产品，参会院校1000余所，线下参会观众预计5万余人；特设东北振兴专区、科创专区、人才专区等特色专区，同期还将举办多项配套活动，内容丰富。
高等教育博览会
2025-05-14
【吉林广播电视台】【相约高博会】第63届高等教育博览会在长春闭幕
【相约高博会】第63届高等教育博览会在长春闭幕
吉林广播电视台
2025-05-26
【长春日报】第63届高等教育博览会政产学研合作对接活动举行
5月23日，第63届高等教育博览会政产学研合作对接活动在中铁·长春东北亚国际博览中心举行。
长春日报
2025-05-23
【央视新闻】设置东北振兴专区、人才专区等 第63届高等教育博览会在长春举行
第63届高等教育博览会5月23日到25日在吉林长春举行，吸引了全国6000多家高校、科研机构和企业携前沿科技成果参展、参会，为各方搭建人才供需对接和科技成果交易合作平台。
央视新闻
2025-05-25
中国高等教育学会在香港举办内地与港澳大学校长圆桌会
内地与港澳15家大学和科研机构共同发起的生命科学开放联盟正式成立
中国高等教育学会
2025-08-13
基于机器视觉的智能拉力试验机
一、 项目简介通过机器视觉进行电缆护套拉伸长度测量，用于“电线电缆”产品检验设备，通过数字图像处理技术测量电缆护套上两个标志点之间的长度，来分析电线电缆绝缘层材料的抗张强度和断裂伸长率。该检测装置无需人工干预，可自动完成电缆护套试件拉伸长度的测量，检测过程中样品无接触压痕，可实现5个实验样本一次装卡，同时作拉伸长度检测试验，并进行智能数据分析，缩短了试验时间，极大地提高了实验效率和检测精度。二、 项目技术成熟程度已完成样机研制，获专利1项。三、 技术指标（包括鉴定、知识产权专利、获奖等情况）1、最大试验力：500N ； 2、测力示值准确度：≤±1.0%；3、试验速度范围：10-500mm/min； 4、速度示值准确度：≤±1mm；5、移动台最大位移：600mm ； 6、位移示值准确度：≤±1mm。四、 市场前景（应用领域、市场分析等）产品可用于电材生产及相关质检部门，目前国内无类似产品，属国内首创，市场前景看好。五、 规模与投资需求（资金需求、场地规模、人员等需求）机械部分可以自行加工或外协加工，计算机电控部分组装与调试需2~3人。除机械部分外，厂房40平方米左右即可。规模生产需要流动资金100万左右。六、 效益分析 按每年生产200台计算，可获利约1500-2000万，七、 合作方式 技术入股，技术转让等形式。或面谈。八、 项目具体联系人及联系方式（包括电子邮箱）项目负责及联系人：高振斌，电话：022-60436758邮箱：gaozhenbin@hebut.edu.cn九、高清成果图片2-3张
河北工业大学
2021-04-11
在量子物理与机器学习研究的进展
生成模型的研究重点是如何从给定的数据集合中学习到数据的联合概率分布，以及从学习到的概率分布中高效地生成新的样本。研究团队提出将数据的联合分布概率编码成量子多体态的概率幅的模平方。进一步地，他们提出在经典计算机上使用矩阵乘积态(Matrix Product States)来模拟学习的过程。矩阵乘积态的参数，即张量网络的张量元，可以通过类似密度矩阵重整化群(Density Matrix Renormalization Group)的算法进行学习，最终形成一个具有泛化能力的生成模型。这个学习算法结合了量子物理与机器学习各自的优点：它不仅可以利用GPU高效地学习到模型参数，还可以利用张量网络的灵活性动态地调节模型表达能力。此外，与传统的基于统计物理的生成模型（例如玻尔兹曼机）相比，玻恩学习机还具备直接生成无关联样本的强大能力，从而可以高效地生成新的数据。 基于量子态的概率生成模型融合了量子物理与机器学习的思想，是一个崭新的研究领域。玻恩学习机借助量子态内禀的概率解释及其强大的表达能力，意在为机器学习和人工智能提供更为先进的生成模型和学习算法。此外，这类模型在量子信息处理，量子计算以及多体物理中具有应用潜力。展望将来，最令人兴奋的前景应该会是在一台量子计算机上实现玻恩学习机，从而以全新的方法进行概率型的学习和建模。这项工作用使用张量网络模拟量子计算机的运行，向无监督量子机器学习迈近了一步。作用在一幅MNIST图片上的矩阵乘积态以及它的纠缠谱
北京大学
2021-04-11