具有原子尺度约束的自组装光子腔

尽管自组装纳米技术的研究取得了巨大的进展，如大分子、纳米线和二维材料，但从纳米尺度到宏观尺度的合成自组装方法仍然不可扩展。

相比之下，平面半导体技术由于其固有的可扩展性而产生了巨大的技术影响，但它似乎无法达到自组装的原子尺寸。研究人员使用表面力，包括卡西米尔-范德华相互作用，来确定自组装和自对准悬浮硅纳米结构。

该方法具有显著的鲁棒性，自组装阈值单调依赖于数千个被测器件的所有控制参数。研究人员通过制造任何其他已知方法都无法制造的纳米结构来说明这些概念的潜力：波导耦合高Q硅光子腔，将电信光子限制在2纳米的气隙中，宽高比为100：1，对应于低至衍射极限1%的模式体积。

研究人员表示，该技术将自组装的原子尺寸与平面半导体的可扩展性相结合，是迈向新一代制造技术的第一步。

相关论文信息：

https://doi.org/10.1038/s41586-023-06736-8

一个加速合成新材料的自主实验室

为了缩小新材料的计算筛选和实验实现之间的差距，研究者引入了自主实验室A-Lab，用于无机粉末的固态合成。该平台使用计算获得、文献中的历史数据、机器学习和主动学习来解释机器人实验结果。

在17天的连续运行中，A-Lab实现了41种新化合物的合成，包括各种氧化物和磷酸盐。合成配方由基于文献的自然语言模型提出，并使用基于热力学的主动学习方法进行优化。对失败合成的分析为改进现有的材料筛选和合成设计技术提供了直接和可行的建议。

此合成的高成功率证明了人工智能驱动平台在自主材料发现方面的有效性，并推进了计算、历史知识和机器人技术的进一步整合。

相关论文信息：

https://doi.org/10.1038/s41586-023-06734-w

将深度学习用于材料发现

从微芯片到电池和光伏，无机晶体的发现一直受到昂贵的试错方法的阻碍。随着数据和计算量的增加，深度学习模型显示出一定的预测能力。

研究人员展示了大规模训练的图网络可以达到前所未有的泛化水平，将材料发现的效率提高了一个数量级。在持续研究中发现的4.8万个稳定晶体的基础上，效率的提高使人们能够发现220万个结构，其中许多结构超出了人类以前的化学直觉。

这项研究实现了人类已知稳定物质的一个数量级的扩展。最终凸包上的稳定发现将用于筛选技术应用，正如作者对分层材料和固体电解质候选物的演示一样。

相关论文信息：

https://doi.org/10.1038/s41586-023-06735-9

天然林碳潜力的全球综合评估

森林是一个重要的陆地碳汇，但土地利用和气候变化大大缩小了这一系统的规模。用于量化全球森林碳损失的遥感估算具有相当大的不确定性，缺乏全面的地面评估来对这些估算进行基准测试。

研究人员结合了几种地面来源和卫星来源的方法来评估农业和城市土地以外的全球森林碳潜力的规模。尽管存在区域差异，但这些预测在全球范围内显示出显著的一致性，地面来源和卫星估算值之间的差异仅为12%。

目前，全球森林碳储量明显低于自然潜力。虽然森林不能替代减排，但研究结果支持这样一种观点，即保护、恢复和可持续管理多样化的森林为实现全球气候和生物多样性目标作出了宝贵的贡献。

相关论文信息：

https://doi.org/10.1038/s41586-023-06723-z

（冯维维编译）