可拉伸的“果冻”电池可以改变可穿戴设备和大脑植入物

币界网Dipublikasikan tanggal 2024-07-18Terakhir diperbarui pada 2024-07-19

币界网报道:

两个研究小组独立开发了柔性电池,可以拉伸和变形而不会失去功能,这可能会彻底改变可穿戴技术和生物医学植入物的电源。

中国南京大学的一个团队创造了一种锂离子电池,其长度可达原始长度的5000%。研究人员表示,这为“可拉伸储能设备的开发开辟了一条新途径”

根据美国化学学会的一份报告,可穿戴或可植入设备需要灵活的电源,而之前的方法依赖于编织织物或“折纸”等折叠组件

报告指出:“对于真正具有延展性的电池,每个部分——收集电荷的电极和电荷平衡的中间电解质层——都必须是弹性的。”并补充说,使用液体也有挑战。因此,该团队开发了一种特殊的聚合物。

图片来源:南京大学

在他们的实验的简要总结中,该团队解释说,它使用乙二醇、甲基醚丙烯酸酯和银纳米线等材料来制造可以转移到柔性基板上的电极。他们还合成了一种优异的可拉伸聚合物电解质来制造电池,该电池表现出优异的机械性能和电化学性能。

研究人员观察到:“由于高电导率,电极可以在初始和100%应变状态下点亮LED。”。该团队分享了一张电池供电的LED在拉伸前后都保持点亮的图像。

虽然前景光明,但南京大学的原型目前可以在大约70次完全充电循环中保持健康,远低于标准锂基电池在性能退化开始前的300-500次循环。

报告总结道:“仍有改进空间,但这种制造完全可拉伸的固体电池的新方法可能是可穿戴或可植入设备向前迈出的有希望的一步,这些设备可以随着身体弯曲和移动。”。

灵感来自鳗鱼

与此同时,在英国,剑桥大学的研究人员发表了他们自己的柔性电源的研究结果,将其描述为“果冻电池”。这种方法的灵感来自电鳗鱼,模仿电鳗鱼的层状结构——能够导电的有机柔性组织。

主要作者Stephen O'Neill在一份新闻稿中说:“很难设计出一种既具有高拉伸性又具有高导电性的材料,因为这两种特性通常是相互矛盾的。”。

剑桥团队的电池利用水凝胶,这是一种含水量超过60%的聚合物三维网络。这些结构也可以拉伸并恢复原状,而不会失去功能。

该项目的研究论文写道:“在这里,我们合成了超分子聚离子网络,它具有高拉伸性(>1500%)、压缩性(>90%)和快速自恢复性。”。

由于化合物分子形成的可逆键,果冻电池的层粘附力很强。

图片来源:剑桥大学

该论文解释说:“超分子交联使分层试样在界面断裂之前能够伸长其初始长度的10倍以上。”。

团队负责人Oren Scherman是梅尔维尔聚合物合成实验室的教授兼主任,他与该大学工程系的O'Neill和George Malliaras教授合作。

Scherman在新闻稿中说:“我们可以定制水凝胶的机械性能,使其与人体组织相匹配。”。“由于它们不含金属等刚性成分,水凝胶植入物被身体排斥或导致瘢痕组织积聚的可能性要小得多。”

剑桥大学的研究小组建议,他们的果冻电池也可以植入大脑,用于输送药物或治疗癫痫等疾病。除了灵活性之外,水凝胶还表现出非凡的韧性,能够承受压缩而不会发生永久变形,并且在损坏时能够自我修复。

开发这些技术是全球优先事项。世界经济论坛将柔性电池列为2023年“十大新兴技术”之一。这些进步有望扩大可穿戴设备、物联网应用、柔性智能手机和脑机接口(BCI)等领域的可能性。

由Ryan Ozawa编辑。

Bacaan Terkait

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

Meskipun harga Ethereum (ETH) turun 20-45% sejak awal tahun, minat institusional terhadap aset kriptu terkemuka ini tetap kuat. SharpLink, setelah jeda delapan bulan, kembali membeli 5.000 ETH senilai sekitar $7,88 juta, diikuti penambahan 26.324 LSETH senilai $45,54 juta. Total kepemilikannya kini mencapai 876.285 ETH, menunjukkan keyakinan pada utilitas jangka panjang dan pendapatan staking Ethereum, meski menghadapi kerugian belum terealisasi hampir $1,71 miliar. Tren akumulasi ini juga tercermin pada aktivitas "paus" (whale), dengan satu dompet baru mengakumulasi 18.361 ETH senilai $28,9 juta dalam sembilan hari terakhir, menandakan persiapan untuk pergerakan harga di masa depan. Namun, kepercayaan yang kembali bangun ini belum sepenuhnya tercermin dalam permintaan institusional yang lebih luas. ETF Spot Ethereum justru mencatat arus keluar bersih, dengan penarikan $12,85 juta pada 26 Juni. Meski demikian, total aset yang dipegang penerbit ETF masih signifikan, senilai lebih dari $8,38 miliar, yang mengindikasikan penyesuaian posisi berkelanjutan daripada pelepasan total. Pada intinya, akumulasi oleh treasury perusahaan dan paus mendukung prospek jangka panjang Ethereum, tetapi pemulihan berkelanjutan masih bergantung pada membaiknya sentimen pasar dan arus masuk ETF yang lebih kuat untuk mengimbangi tekanan penjualan institusional yang masih ada.

ambcrypto4j yang lalu

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

ambcrypto4j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

Baru-baru ini, DeepSeek V4 diperbarui dengan framework *Speculative Decoding* baru bernama **DSpark**, yang diklaim meningkatkan kecepatan inferensi hingga 80%. Pembaruan ini, yang juga disertai open-sourcing framework **DeepSpec**, berfokus pada optimasi teknikal dan peningkatan performa, bukan perubahan arsitektur model inti. DSpark mengimplementasikan **Semi-Autoregressive Generation** untuk menjaga throughput tinggi dan meningkatkan akurasi token yang dihasilkan oleh model draf (*draft model*). Inovasi utamanya adalah **Confidence-Scheduled Verification**, yaitu sistem penjadwalan yang cerdas dan adaptif. Sistem ini menggunakan *Confidence Head* untuk memperkirakan probabilitas penerimaan setiap token kandidat dan secara dinamis menyesuaikan panjang verifikasi berdasarkan beban kerja sistem (*hardware-aware*), sehingga mengalokasikan daya komputasi hanya ke token yang paling potensial. Dalam pengujian di berbagai domain (penalaran matematika, generasi kode, percakapan), DSpark menunjukkan peningkatan signifikan dibandingkan model *state-of-the-art* seperti Eagle3 dan DFlash. Pada kondisi *throughput* yang setara, DSpark meningkatkan kecepatan respons pengguna sebesar 57%-85% untuk model DeepSeek-V4 Flash dan Pro. DeepSpec, yang dirilis bersamaan, adalah *codebase* lengkap untuk melatih dan mengevaluasi model draf *speculative decoding*. Framework ini menyediakan pipeline standar (persiapan data, pelatihan, evaluasi) dan mendukung beberapa algoritma (DSpark, DFlash, Eagle3) serta model target (Qwen3, Gemma), memudahkan peneliti dan insinyur untuk mengembangkan dan menerapkan teknik percepatan inferensi pada model bahasa besar mereka sendiri.

marsbit5j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

marsbit5j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

Sejak bergabung dengan Anthropic, aktivitas Andrej Karpathy di komunitas terbuka berkurang drastis. Baru-baru ini, sebuah dokumen bernama CLAUDE.md yang diklaim sebagai panduan penggunaan Claude milik Karpathy beredar di komunitas. Isinya berisi sejumlah prinsip ketat untuk memandu AI dalam menulis kode, yang bertujuan mengurangi kesalahan umum model bahasa besar (LLM). Prinsip-prinsip utama mencakup: 1) **Baca dahulu sebelum menulis** – pahami struktur dan gaya kode proyek yang ada. 2) **Berpikir sebelum menulis kode** – klarifikasi asumsi, pertimbangkan trade-off, dan uraikan rencana. 3) **Tetap sederhana** – hindari desain berlebihan, abstraksi prematur, dan fleksibilitas yang tidak diperlukan. 4) **Modifikasi terarah** – lakukan perubahan minimal yang sesuai dengan gaya kode asli, jangan melakukan reformatting atau pembersihan yang tidak relevan. 5) **Verifikasi dan uji** – pastikan kode berfungsi seperti yang diharapkan dengan pengujian yang tepat. 6) **Debug secara sistematis** – jangan menebak, selidiki akar masalahnya. 7) **Hati-hati dengan dependensi** – hindari menambah dependensi yang tidak perlu. 8) **Komunikasi yang jelas** – jelaskan apa yang dilakukan dan alasannya. Dokumen ini juga menyoroti pola kegagalan umum seperti abstraksi yang salah, "optimistic path", dan "halusinasi pengetahuan". Meskipun keaslian dokumen ini diragukan, isinya sangat selaras dengan pemikiran Karpathy yang telah banyak mengkritik kelemahan LLM dalam pemrograman. Prinsip-prinsip ini, yang juga telah dijadikan template populer di GitHub, dianggap dapat meningkatkan efektivitas dan mengurangi kesalahan saat menggunakan asisten AI seperti Claude untuk pengembangan perangkat lunak.

marsbit7j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

marsbit7j yang lalu

Trading

Spot
活动图片