
在制造高效燃料电池方面,寻找好的催化剂已经成为一大核心议题。
强大的催化剂,能够带来更快、更高效的化学反应,从而增加能量输出。目前的燃料电池,通常依赖于铂基催化剂,但美国大学的科学家们认为,菠菜(由于富含营养素而被认为是一种「超级食品」)能够成为一种理想的可再生富碳催化剂,相关原理验证实验已经通过论文发表[注1]。对于这一结论,大力水手绝对会拍手叫好。
菠菜在科学领域有着悠久的贡献历史。早在约40年前,就有人希望利用菠菜强大的光合能力与电化学特性。菠菜营养丰富、成本低廉、易于生长,而且富含铁与氮。多年前,作为一位刚刚入行的科学家,我还听过物理学家Elias Greenbaum在菠菜研究会议上的主题演讲,他对菠菜叶中基于蛋白质的“反应中心”很感兴趣,希望探索光合作用的基本机制(即植物将二氧化碳转化为氧气与碳水化合物的过程)。
菠菜中有两类反应中心。其一为光系统1(PS1),负责将二氧化碳转化为糖;其二为光系统2(PS2),负责将水分解为氧气。PS1引起了科学家们的高度关注,它就像是一个微型光敏电池,能够吸收阳光中的能量,并以近100%的效率发射出电子。PS1的效率之高,足以在几分之一秒内产生光感应电流。
当然,其功率并不算大,但只是让小分子细胞器维持一整天的运转。物理学家Greenbaum的工作,是希望打造人造视网膜,使用光敏PS1代替受损的视网膜细胞,借此治疗患有退化性眼疾的病人。由于PS1可以调整,其功能类似于二极管,只能在一个方向上传递电流(而无法反向传递电流)。因此,如果能够通过碳纳米管制分子大小的导线将PS1连接起来,即可构建基础性的计算机处理器逻辑门。
Greenbaum只是众多对菠菜抱有兴趣的研究者之一。2012年,范德比尔特大学科学家就将PS1与硅结合使用,通过将蛋白质中心沉积到金属基底上,将电流水平提高至近1000倍,电压也同时有所提升。他们的目标,是最终打造出“生物混合型”太阳能电池,使其在电压与电流水平等方面足以与标准硅太阳能电池相抗衡。
除了强大的反应中心之外,菠菜还拥有其他有趣的特性。例如,中国研究人员在2014年发表的一篇论文[注2]提到,他们从菠菜中收集活性炭作为电容器电极的实验。去年12月,另一组中国科学家则探讨了将基于菠菜的纳米复合材料作为光催化剂的潜力[注3]。
菠菜还展现出成为燃料电池催化剂的潜质。Greenbaum早期曾申请了使用菠菜作为催化剂的专利,即将金属铂撒到PS1上,以产生纯氢气,并为燃料电池供电。最新论文作者认为,叶绿素有望成为燃料电函中氧化还原反应的一种低毒性、低成本催化剂。这篇中国研究人员的论文采取了不同于Greenbaum的方法,使用菠菜制成了富含碳的纳米片。
美国大学的科学家们则从常见的厨房搅拌器起步,将新鲜洗净的菠菜叶装在其中并打成泥。将得到的菜汁进行冷冻干燥之后,他们使用研钵及研杵将其研磨成细粉。接下来,我们向其中添加多种盐(氯化钠、氯化钾)及少量三聚氰胺,以提高氮含量。美国大学化学教授ShouZhong Zou在采访中表示,“我们的实验方法需要向原料中添加更多的氮。尽管菠菜本身就拥有丰富的氮,但在制备过程中,一部分氮会发生流失。”
盐,则是在最终纳米片中生成孔状结构的关键,这些孔状结构则有利于优化化学反应的表面积。Zou解释道,“虽然我们将其称为纳米片,但这些片状产物相互堆叠时,会形成一种非常坚固的结构。我们需要保证其中包含足够多的孔,保证所有活性部位都能参与反应。”
最后,美国大学的团队在900摄氏度温度下进行两轮热分解,借此产出富含碳的纳米片。
他们发现,菠菜衍生出的催化剂在效率上超过了铂基催化剂。Zou解释道,“这项工作表明,自然界的氧化还原反应,足以制造可持续的催化剂。我们的测试方法能够从菠菜中产出高活性碳基催化剂。除了菠菜本身的可再生属性之外,其在活性与稳定性方面也都优于商用铂基催化剂。”
很明显,这一切仅仅是原理层面的证明,在理想实验室环境下能够良好起效的方法,并不一定可以轻松被转化为实际应用。下一步,需要建立一套完整的原型,在实际氢燃料电池中使用基于菠菜的催化剂。Zou表示,他们需要与其他实验室合作,探索菠菜能否在电动汽车的金属空气电池中充当良好催化剂。
[注1]论文《Spinach-Derived Porous Carbon Nanosheets as High-Performance Catalysts for Oxygen Reduction Reaction(菠菜衍生的多孔碳纳米片作为氧还原反应的高性能催化剂)》获取方式:https://pubs.acs.org/doi/10.1021/acsomega.0c02673
[注2]论文《Hierarchical porous activated carbon produced from spinach leaves as an electrode material for an electric double layer capacitor(以菠菜叶为原料制备的分级多孔活性炭,作为双电层电容器的电极材料)》获取方式:https://www.sciencedirect.com/science/article/abs/pii/S1872580514601359
[注3]论文《Bio-inspired Spinach-leaf-based Au/ZnO Nanocomposites as Photocatalyst(以菠菜叶为基础的纳米复合材料作为光催化剂的潜力)》获取方式:https://link.springer.com/article/10.1007/s42235-019-0120-6
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。