产品详细介绍

该系统的分辨率可以达到传统显微成像系统的 2 倍以上，可以实现 80 纳米 以下的宽场成像。

该系统主要由教师端显微成像工作站与学生端显微成像工作站，通过互动系统软件及配套的网络环境，组成一套具有数码成像、广播教学、学生监控、分组学习、语音对讲及远程控制等功能的教学实验系统。

产品详细介绍　　显微图像分析系统是将精锐的光学显微镜技术、先进的光电转换技术、尖端的计算机图像处理技术完美地结合在一起而开发研制成功的一项高科技产品。从此，我们对微观领域的研究和探索可以从传统的观察研究、定性分析和粗略测量跨越到精细测量、定量分析、准确评价的科技新境界。 　　微观目标（如细胞、粉尘、芯片等）首先经过显微镜（生物显微镜或体视显微镜）进行光学放大后，再经摄像机进行电子放大并送入计算机，由计算机对图像进行调节、处理、编辑、测量、数据管理、统计分析、打印、存储、再现等一系列的操作。 规格说明：影像感应器 进口彩色CCD放大倍数：5X--550X高分辨率影像解析度：580TV（1024X768--640X480 ）曝光：Automatic压缩：Flxed Data Rate  Hardware interface Compression  Ration of 4:1 6:1 8:1影像资料格式：RGB24电源供给方式：USB Interface Supplies Power电脑界面：USB上下左右旋转速度：Pan 360° Tilt 360°影像传输速度：30fps@CIF，25fps@VGA(640X480)快照按扭：Hardware

产品详细介绍

小型化高稳定度光频原子钟是一项结合小体积和高稳定度优点的时频计量科学仪器设备，性能指标超越传统微波原子钟，基于创新性的研究方案，克服了光晶格钟和离子光钟普遍存在的体积庞大、系统复杂的问题，具有巨大的应用前景和产业化能力。该项目已实现基于钙、铷、铯不同原子体系的小型化高稳定度光频原子钟。在钙原子方面，创新性提出热原子能级转移探测方案被国际著名研究单位广泛引用效仿。在铷、铯原子方面，通过与国内科研机构的项目合作，实现了研究成果处于国际先进水平的小型化高稳定度光频原子钟。

本技术提出了基于多尺度理论模拟结合深度机器学习的一整套解决方案，即利用先进多尺度模拟方法精准解析SEI原子结构，建立新一代SEI模型，阐明SEI结构和形成机制，完整构建SEI与电池性能之间的内在联系，定向设计符合不同商用条件的新型电解液配方，为开发新一代高能量密度电池提供可能。 一、项目分类 显著效益成果转化 二、技术分析 随着智能手机、笔记本电脑等消费电子产品的快速发展，锂离子电池（Lithium Ion Battery, 简写为LIB）已经成为最成功的电化学储能设备之一，并从根本上影响并改变了人们的日常生活方式。随着制造工艺的逐步成熟，LIB的能量密度已经接近其理论极限。另一方面，可移动电子设备的快速普及和汽车电动化的蓬勃发展也不断要求开发具有更高能量密度的充电电池以满足实际使用的需求，而最先进的LIB依然无法完全满足上述需求。因此，寻找更高能量比的锂电池电极材料，加快下一代新型锂电池关键技术的相关研究，已成为制约锂电池技术产业发展进步的关键问题。锂金属电池的能量密度虽足以达到下一代电动车的要求，但其自身的稳定性仍令人担忧，这主要是因为Li金属的反应活性过高，其几乎可与所有的电解液均能自发地发生化学反应。在电池的运行过程中，Li电极和电解液之间通过自发化学反应和电化学反应导致了固体电解质界面（solid electrolyte interphase，SEI）的形成。当所形成的SEI结构不均匀时会诱发电池体积膨胀，此外，充放电过程中锂的不均匀沉积会导致锂枝晶的形成，锂枝晶的不规则生长会刺穿SEI，导致SEI膜发生破裂，并产生死锂，降低锂金属电池库伦效率；更严重的是，锂枝晶的不断生长会刺穿隔膜，造成电池内部的短路，导致火灾和爆炸等安全事故，大大缩短了电池的使用寿命，严重阻碍了其大规模商业化发展。因此，SEI对LMB的性能具有至关重要的影响。良好且稳定的SEI可以阻止（或者大幅度减缓）负极界面上反应的持续发生，起到保护Li电极的作用。针对下一代高稳定性锂金属电池设计中存在的关键问题，结合国际研究进展与本团队前期研究基础，我们提出了基于多尺度理论模拟结合深度机器学习的一整套解决方案，即利用先进多尺度模拟方法精准解析SEI原子结构，建立新一代SEI模型，阐明SEI结构和形成机制，完整构建SEI与电池性能之间的内在联系，定向设计符合不同商用条件的新型电解液配方，为开发新一代高能量密度电池提供可能。本方案已形成完整的工作流，相关自动化软件已开发完成并交付使用，且具有完全的自主知识产权，可用于国内外上游电池生产研发企业积累原始电池性能数据，大范围筛选有效电解液组分，指导下一代高能量密度锂电池研制。 我们的技术优势与创新主要表现在： 1）首次在电池体系中实现了QM与MM的混合模拟与混合加速； 2）在电池体系模拟中实现了开放电子体系对电化学反应的热力学和动力学预测； 3）在保证精度的前提下，实现了在纳米尺度上对真实的实验SEI结构直接模拟； 4）通过耦合深度机器学习，实现了电解液组分大范围筛选与性能优化。