“飞针送药”——研究发明无人机靶向急救给药系统；大规模语言预训练模型前沿领域取得新进展……
有机太阳能电池稳定性研究取得进展
近日，中国科学院国家纳米科学中心周惠琼课题组在有机太阳能电池稳定性研究方面取得重要进展，相关研究成果在线发表于Nature Communications。近年来，有机太阳能电池的器件效率不断提高，但稳定性问题仍制约其产业化进程。提高有机太阳能电池稳定性的策略之一是制备反置结构器件，但在这种结构器件中最常用的电子传输材料——氧化锌具有光催化特性，在长期光照下会加速活性材料的分解，导致器件性能的衰减。
研究团队采用溶胶凝胶法制备的Ir/IrOx纳米颗粒作为替代氧化锌的电子传输材料。Ir/IrOx薄膜与氧化锌器件相比，实现了更为优异的器件性能，且基于Ir/IrOx纳米材料的器件大部分条件下，均表现出延长的器件寿命。此外，Ir/IrOx器件在热循环和紫外光照射下也展现出优异的稳定性，有望应用于极端的工作环境。
内容来源：
https://www.cas.cn/syky/202303/t20230315_4880210.shtml
光合领域取得里程碑研究成果
藻胆体是蓝藻和红藻主要的捕光天线，位于类囊体膜基质侧，是迄今为止最大的捕光蛋白复合物。虽然大多数光合蛋白复合物的结构已通过体外纯化的方式得到了解析，但在细胞内的天然状态下它们之间相互作用的方式以及能量传递的途径尚不清楚。清华大学生命科学学院隋森芳院士课题组一直致力于藻胆体结构的研究工作。2017年，该团队在Nature上首次报导揭示了藻胆体的精密组装机制。2020年，该团队在Nature上报道揭示了藻胆体中的能量传递机制，是该领域的一项重大研究成果。
3月15日，清华大学生命科学学院、北京市结构生物学高精尖创新中心、北京生物结构前沿研究中心隋森芳院士和王宏伟教授，以及中科院生物物理研究所章新政研究员，合作在Nature上联合发表研究成果，证明红藻通过间接的“PBS→PSII→PSI”模式向PSI进行能量传递，从而进行PSII和PSI的能量再分配。该成果为人工模拟光合作用研究提供了新的理论依据，是光合领域里的一个里程碑成果。
内容来源：
https://www.tsinghua.edu.cn/info/1175/102116.htm
研究揭秘冰期前后欧洲狩猎采集人群的遗传历史
现代人大约4.5万年前开始在欧亚大陆扩张，然而受限于早期人类遗骸稀少且难以保存，人们对于早期狩猎采集人群的遗传历史还所知甚少。近日，北京大学遇赫研究员课题组与德国图宾根大学、德国马克思普朗克进化人类学研究所合作，在冰期前后欧洲狩猎采集人群的遗传历史方面取得进展，并在Nature在线发表研究论文。研究获取了116个生活于3.5万至5千年前的欧洲狩猎采集者的基因组数据，系统探究了冰期前后欧洲狩猎采集人群的遗传历史。研究发现中欧和南欧的格拉维特人群所携带的遗传成分在末次冰期后就被一个新的遗传成分所取代，推测很有可能是早期农民向欧洲的迁徙，迫使狩猎采集人群只能退往欧洲北部的边缘地带，由此东西欧的人群开始了持续约3千年的交流融合。此外，研究还确认了西南欧是末次冰期时的人类避难所。
这项研究深入描绘了欧亚大陆西部狩猎采集人群的迁徙和基因交流，重写了史前欧洲人群的遗传历史。未来更多的跨学科研究，将进一步厘清这整个冰期人群的遗传替换发生的具体过程。
内容来源：
https://news.pku.edu.cn/jxky/ad0c825fee69494b94ef0a28afd830b7.htm
“飞针送药”——研究发明无人机靶向急救给药系统
对患有心肌梗塞、严重低血糖、严重外伤等突发疾病的患者来说，如果不及时治疗，将面临极大的死亡风险，及时给药是非常重要的。
为了有效解决患者身边缺乏急救设备，或因无法呼救、交通拥挤、地理位置不便等原因导致的急救不及时，浙江大学药学院、金华研究院教授顾臻、百人计划研究员俞计成团队联合浙江大学控制科学与工程学院百人计划研究员陆豪健团队交叉创新，发明了一种基于无人机的靶向递药急救系统，并研究证实了该系统能够有效减轻严重低血糖的风险，丰富了无人机在急救领域的应用，具有广阔的临床应用场景。
顾臻表示，未来可在应急救援等领域使用这一系统，飞行器是智能的，可确保靶向；给药系统也是智能的，可实现精准用药。另外，一些可穿戴的生理监测设备、先进的检测或分析系统、新型的给药方式及给药设备都可以与无人机靶向急救给药系统整合，以进一步扩展无人机介导的药物急救的应用场景与前景。
内容来源：
http://www.news.zju.edu.cn/2022/1226/c23225a2704602/page.htm
大规模语言预训练模型前沿领域取得新进展
2018年以来，预训练语言模型（PLM）及其“预训练-微调”方法已成为自然语言处理（NLP）任务的主流范式，该范式先利用大规模无标注数据通过自监督学习预训练语言大模型，得到基础模型，再利用下游任务的有标注数据进行有监督学习微调模型参数，实现下游任务的适配。越来越多实验表明：规模越大的模型不仅在已知任务上有着更好的表现，同时展现出完成更复杂的未知任务的强大泛化能力，近年出现的GPT-3、ChatGPT等均为大规模预训练模型的代表。然而，现有对大规模预训练模型的全部参数进行微调实现任务适配的做法，会消耗大量的GPU计算资源和存储资源，严重限制大模型的应用场景。为了应对该挑战，参数高效微调方法逐渐受到关注。
清华大学研究团队提出“增量微调”，基于统一的分析框架对增量微调现有方法进行梳理总结，并进一步从参数优化和最优控制两个角度，提出了增量微调的理论框架。相关成果发表于《自然·机器智能》。研究团队基于该论文成果研制发布了开源工具包OpenDelta，是OpenBMB开源社区的重要组成部分，可支持研究者和开发者灵活高效地在各类预训练模型上实现和应用增量微调方法。研究团队认为，增量微调技术将是基础模型适配特定任务、场景和用户的重要范式，可更有效地激发以ChatGPT为代表的大规模预训练模型的性能。
内容来源：
https://www.tsinghua.edu.cn/info/1175/102317.htm
