黑洞、光子计算和化学 AI 今天都在校准看不见的结构

其他 · 发布 2026-07-29T08:35:00+08:00 · 更新 2026-07-29T08:57:09+08:00

今天的三条科研进展都在处理“看不见但必须测准”的对象：M87 黑洞的等离子体状态、组合优化硬件里的能量景观，以及分子的计算表征。它们分别来自上海天文台、上海光机所和成都生物所，证据基础是机构发布与期刊或 DOI 页面。共同边界也很清楚：这些结果是观测约束、专用硬件验证和预测模型改进，还不能直接等同于黑洞机制定论、通用计算替代或新药发现。更适合读成方法口径变细，而不是成熟应用突然到来。

今天几条科研线索分属天文学、光子计算和分析化学，但它们解决的是相似问题：有些对象太远、太快或太复杂，不能只靠直观看见。研究者要做的，是把这些对象变成可分区、可校准、可复验的证据。

第一条来自 M87 黑洞。过去，事件视界望远镜给公众留下的印象是“看见黑洞的环”。但单一频率图像主要回答的是外观问题，很难进一步区分视界附近不同位置的辐射状态。中国科学院上海天文台等团队在中科院科研进展和上海天文台英文稿中介绍，他们把 2018 年事件视界望远镜的 1.3 毫米数据，与全球毫米波 VLBI 阵列的 3.5 毫米数据合起来分析，对 M87 开展双频联合光谱研究。论文 DOI对应的研究对象是黑洞事件视界尺度上的空间分辨谱指数，也就是用不同频率下亮度如何变化，反推等离子体辐射更接近自吸收较强还是更透明。

这项工作的关键发现，不是又得到一张更漂亮的黑洞照片，而是第一次在事件视界尺度上给出空间分辨的谱指数分布。研究显示，靠近黑洞中心的区域谱指数为正，并随半径略升高，说明同步辐射自吸收影响较强；再往外，谱指数逐渐下降并转为负值，指向更光学薄的辐射状态。这个转折大约发生在距中心 30 微角秒处，与 3.5 毫米图像中的环状结构尺度相近。它给吸积流、喷流和视界尺度辐射模型提供了新的约束，但边界同样明确：这是一组 2018 年观测数据的光谱分析，能帮助区分模型，不能单独证明喷流如何被发射。

第二条看似离日常更近，因为它讨论的是背包问题。0-1 背包问题是组合优化里的典型难题，可用于检验硬件求解器面对大规模离散选择时能否保持信息。上海光机所团队在中科院页面中说，空间光子 Ising 机有并行和低功耗潜力，但此前在背包问题上的成功演示主要停在小规模。难点在于，把背包问题映射成 Ising 哈密顿量时，少数极大的耦合值会压缩其他小值，空间光调制器量化后大量信息变成零，光学信号也容易埋进噪声。

研究团队的处理方式，是把校准拆到光学域和电子学域两边：在光学域先把异常大值置零，让衍射信号重新变得可测；再通过解析校正公式，在电子学域重建原始哈密顿量。对应的Optics Letters 论文页显示，文章题为 Multi-channel spatial photonic Ising machine for 102400-spin 0-1 knapsack problem solving，DOI 为 10.1364/OL.600327。实验使用三通道空分复用 SPIM，在 102400 个自旋的背包问题上验证。100 次重复实验中，SPIM 可行解平均精度为 99.34%，接近电子模拟的 99.51%；单次迭代 0.572 秒，电子计算机为 10.798 秒。这说明专用光电硬件在特定映射上向可扩展性迈了一步，但它仍是基准问题和特定架构验证，不是通用计算机被替代，也不是量子优势已经落地。

第三条来自化学 AI。分子表示学习要让模型读懂分子结构，常见的 SMILES 字符串便于计算，却可能压扁复杂结构信息。成都生物所团队在中科院科研进展中介绍了 ClipMol：它把同一分子的 SMILES 和 InChI 当作两种互补语言，通过动态 SMILES 随机化构建拓扑保持的多视图，再用双编码器和双向对比学习对齐。模型还结合长短期记忆网络、多尺度卷积和门控融合机制，用来同时提取全局拓扑和局部化学结构特征。

对应的Analytical Chemistry DOI 页面指向 ClipMol 论文。研究者先在 MoleculeNet 十项分类和回归任务上测试，又把模型用于离子迁移质谱里的碰撞截面预测，在 METLIN-CCS 和 ALLCCS 两个独立数据集上看稳定性。一个值得保留的数字是，在冻结预训练编码器、只训练下游回归模型时，R2 仍达到 0.876，说明预训练表征已经捕捉到与碰撞截面相关的结构信息。它的价值是让不依赖显式三维构象的分子表示更稳，但证据边界不能跳过：这是性质预测和表征学习进展，不等于模型已经能独立完成药物发现，也不替代后续实验测量。

把三条线索放在一起，今天的主线不是某个领域突然出现成熟应用，而是测量和建模的口径在变细。黑洞研究从“看见环”走向分区读辐射，光子优化机从演示概念走向更难的硬件校准，化学 AI 从单一字符串走向双视图结构对齐。对普通读者来说，最重要的读法是看清每个结果的证据层级：观测约束、硬件基准和预测模型都能推进科学问题，但它们各自离工程应用和机制定论还有距离。

信息来源

• 中国科学院科研进展：M87 双频光谱研究
• Shanghai Astronomical Observatory English news
• The Astrophysical Journal Letters DOI
• 中国科学院科研进展：大自旋规模组合优化
• Optics Letters article page
• 中国科学院科研进展：ClipMol 分子表示学习
• Analytical Chemistry DOI

可信度说明

本文以中国科学院机构页面、上海天文台英文稿、Optics Letters 论文页、Analytical Chemistry DOI 页面和 APJ Letters DOI 为主要证据。三条入选主题均有窗口内机构发布时间和一手论文或 DOI 入口；正文分别说明了观测数据、硬件基准和模型预测的边界。