《美国加州大学伯克利分校和劳伦斯伯克利国家实验室的研究人员推出了一种将量子传感与微流体相结合的新型化学检测系统》

  • 来源专题:计量基标准与精密测量
  • 编译者: 张宇
  • 发布时间:2024-12-20
  • 近日,美国加州大学伯克利分校和劳伦斯伯克利国家实验室的研究人员将量子传感和液滴微流体相结合,开发了一种高灵敏度的化学检测系统,该系统可以应用到从生物工程到环境监测的多种场景。

    这项研究介绍了一个平台,该平台使用由纳米金刚石制成的量子传感器以极高的精度检测化学物质。这些含有氮空位(NV)中心的纳米金刚石被封装在微观液滴中,使研究人员能够克服传统化学传感中的关键挑战。这种新颖的方法减少了噪声,实现了长时间的稳定性,并且仅需要极少的样品量。

    研究人员在研究中指出:“这项工作取得了重要进展,包括便携式化学测试设备、无需放大的化学分析方法,以及用于探测微环境中反应的化学成像工具。

    据该团队称,该系统的主要创新在于它仅需要使用极少量的分析物或测试材料即可进行高精度的化学检测。这项技术未来可能用于开发便携式化学传感器、改进细胞分析工具,并在诊断、生物反应器和环境感测在内的多个领域实现无需放大的化学测试。

    该平台还有望用于实时细胞内监测、单细胞分析和化学成像。通过利用量子传感器的高精确性和液滴微流体的多功能性,这项研究为在受限环境中探测化学物质开辟了新的可能性。

    例如,研究人员提出,将这项技术与流式细胞术(一种在流体中分析细胞的技术)相结合,可能会彻底改变单细胞代谢组学。通过检测单个细胞内的活性氧种类(ROS),该系统可能以前所未有的细节监测细胞代谢。

    量子传感依赖于钻石中的氮空位(NV)中心。这些中心是缺陷,其中两个碳原子被一个氮原子和一个空位所取代。NV中心有特别的用处,因为它们的自旋态(与其磁特性有关)对环境变化高度敏感。这种灵敏度是通过测量NV中心在暴露于微波和激光时发出的光的变化来体现的。

    据研究人员称,到目前为止,使用NV中心进行化学传感主要依赖于单晶金刚石,这种金刚石价格昂贵,需要精确对齐,并且与目标分子表面的相互作用有限。相比之下,在这项研究中,该团队采用了纳米金刚石——几纳米大小的微小金刚石颗粒——可以与液体环境中的化学物质产生明显的反应。纳米金刚石因其具有生物惰性,故不会与活体组织或生物发生化学相互作用。它们还具有成本效益,并且可以针对特定应用进行定制。

    为了提高性能,研究人员使用了液滴微流体技术,该技术采用一种方法,可以在比人类头发宽度还小的通道中操纵微小的液滴。这些液滴会充当微观反应室,将纳米金刚石和分析物限制在受控条件下。通过控制液滴流经检测系统,研究人员在数千个液滴上实现了稳定、抗噪声的测量。

    该系统使用装载纳米金刚石的皮升(picoliter)大小的液滴——约为标准水滴大小的十亿分之一。这些液滴流经微流体装置,在那里它们被绿色激光照射,并受到微波场的影响。

    纳米金刚石中的NV中心会发出红色荧光,这种荧光会随着顺磁性离子等化学物质的存在而发生变化。这种光信号可以通过一种称为光学检测磁共振(ODMR)的技术进行检测和分析。

    液滴的均匀移动可以消除由于纳米金刚石尺寸、方向差异或其他不一致因素而引起的波动,从而提高了测量精度。研究人员还采用了一种双重调制技术——使用微波和液滴流——将量子信号与背景噪声隔离开来,进一步提高了灵敏度。

    该团队写道,在他们的实验中,该团队展示了该系统检测钆离子的能力,钆离子是一种顺磁性分析物,检测限低至100纳摩尔,这一水平以前在如此小的样品量中很难达到。他们还测量了常见活性物质,如TEMPOL(一种常见的ROS化学探针),并达到了低于2微摩尔的检测极限。

    科学家们写道,他们的创新为便携式、精确且低成本的下一代化学传感设备铺平了道路。该技术潜在的应用包括:

    • 诊断:针对血液和其他体液中微量化学物质或生物标志物的痕量物质检测。
    • 生物工程:实时监测细胞代谢或生物反应器中的化学反应。
    • 环境监测:可现场部署用于检测水和空气中的污染物或杂质的设备。
    • 单细胞分析:用于研究单个细胞化学成份的工具,并提供对代谢、疾病和药物反应的分析。

    将这一平台与流式细胞术等现有技术的集成可以显著扩展其使用方式。研究人员设想了一种“量子增强”版本的流式细胞术,它可以将细胞分析与精确的化学传感相结合。

    该平台的当前功能仅限于检测特定分析物,如钆和TEMPOL。未来的研究需要探索更广泛的化学检测范围,并验证该系统在实际应用中的有效性。

    研究人员还致力于开发追踪液滴中纳米金刚石的方法,该方法让实时化学成像成为可能。他们还建议提高流体通量 — 这样可以每小时分析数百万个液滴 — 并将该系统集成到紧凑的便携式设备中以供现场使用。

    另一个潜在的用途是将纳米金刚石集成到块体磁力计或加速度计等高级应用中。研究人员强调,该平台在持续数小时测量中的稳定性使其成为此类高精度任务的理想选择。

    该研究展示了量子技术如何与现有工具相结合以提供实用的解决方案。通过解决传统化学传感的局限性,这种方法为高精度、经济高效且可扩展的检测系统奠定了基础。

    该研究由加州大学伯克利分校的Ashok Ajoy和劳伦斯伯克利国家实验室领导,Adrisha Sarkar、Zachary R. Jones、Madhur Parashar、Emanuel Druga、Amala Akkiraju、Sophie Conti、Pranav Krishnamoorthi、Srisai Nachuri、Parker Aman 和 Mohammad Hashemi 等人都参与了研究,他们都隶属于加州大学伯克利分校。Zachary Jones 和 Deepti Tanjore 还与劳伦斯伯克利国家实验室的先进生物燃料和生物制品工艺开发部门有联系。Adamas Nanotechnologies Inc. 的 Nicholas Nunn、Marco D. Torelli 和 Olga A. Shenderova 提供了资源和支持。来自劳伦斯伯克利国家实验室的 Benjamin Gilbert 和 Kevin R. Wilson 也为这项研究做出了贡献。

    请阅读《Science Advances》上发表的研究论文(DOI:10.1126/sciadv.adp4033),以便更深入、更全面地从专业技术性的视角了解这项创新性的工作。

  • 原文来源:https://thequantuminsider.com/2024/12/17/researchers-drop-new-chemical-detection-system-that-unites-quantum-sensing-with-microfluidics/
相关报告
  • 《 劳伦斯伯克利国家实验室有助于构建量子计算机的新技术》

    • 来源专题:新一代信息技术
    • 编译者:isticzz2022
    • 发布时间:2024-06-12
    •        量子计算机的速度是世界上一些最快的超级计算机的数百万倍,有潜力解决人类健康、药物发现和人工智能方面的复杂问题,量子计算机网络可以更快地推进这些发现。但在这之前,计算机行业将需要一种可靠的方法,以原子精度将数十亿量子位(或量子位)串在一起。然而,连接量子位对研究界来说一直是一项挑战。一些方法通过将整个硅片放置在非常高的温度下的快速退火炉中来形成量子位。通过这些方法,量子位从硅晶格中的缺陷(也称为色心或量子发射器)随机形成。如果不知道量子位在材料中的确切位置,连接量子位的量子计算机将很难实现。        但现在,让量子位连接起来可能很快就会成为可能。劳伦斯伯克利国家实验室(伯克利实验室)领导的一个研究小组表示,他们是第一个使用飞秒激光通过在硅中掺杂氢,按需精确地创建和“湮灭”量子位的人。这一进展可以使用可编程光学量子位或“自旋光子量子位”的量子计算机能够通过远程网络连接量子节点。它还可以推进量子互联网,该互联网不仅更安全,而且可以传输比当前光纤信息技术更多的数据。        伯克利实验室加速器技术与应用物理(ATAP)部门的博士后学者Kaushalya Jhuria说:“为了制造一个可扩展的量子架构或网络,我们需要能够在所需位置可靠地按需形成量子位,这样我们就知道量子位在材料中的位置。这就是为什么我们的方法至关重要。她是《自然通讯》杂志上描述这项技术的一项新研究的第一作者。因为一旦我们知道一个特定的量子位在哪里,我们就可以确定如何将这个量子位与系统中的其他组件连接起来,并形成量子网络。”        伯克利实验室ATAP部门聚变科学与离子束技术项目负责人、首席研究员Thomas Schenkel表示:“这可能为工业界开辟一条潜在的新途径,以克服量子位制造和质量控制方面的挑战。他的团队将于6月接待夏威夷大学的第一批学生,这是美国能源部聚变能源科学资助的RENEW劳动力发展项目的一部分,学生们将沉浸在色彩中心/量子位科学技术中。        用可编程控制在硅中形成量子位这种新方法利用气体环境在硅中形成称为“色心”的可编程缺陷。这些色心是特殊电信量子位或“自旋光子量子位”的候选者。该方法还使用超快飞秒激光对硅进行精确退火,精确到这些量子位应该精确形成的位置。飞秒激光在万亿分之一秒内向一个尘埃大小的聚焦目标提供非常短的能量脉冲。        自旋光子量子位发射的光子可以远距离携带电子自旋编码的信息,这是支持安全量子网络的理想特性。量子位是量子信息系统中最小的组件,可以编码三种不同状态的数据:1、0或1到0之间的叠加。在伯克利实验室材料科学部的科学家、加州大学伯克利分校电气工程和计算机科学(EECS)教授Boubacar Kanté的帮助下,该团队使用近红外探测器通过探测其光学(光致发光)信号来表征产生的色心。他们发现的东西让他们大吃一惊:一个叫做Ci中心的量子发射器。由于其简单的结构、室温下的稳定性和有希望的自旋特性,Ci中心是一个有趣的自旋光子量子位候选者,可以在电信波段发射光子。Jhuria说:“我们从文献中知道Ci可以在硅中形成,但我们没想到用我们的方法真正制造出这种新的自旋光子量子位候选者。”。        研究人员了解到,在氢气存在的情况下,用低飞秒激光强度处理硅有助于产生Ci色心。申克尔解释说,进一步的实验表明,增加激光强度可以增加氢的迁移率,从而在不损坏硅晶格的情况下钝化不希望的色心。伯克利实验室分子铸造厂的科学家梁谭进行的一项理论分析表明,在氢的存在下,Ci色心的亮度提高了几个数量级,这证实了他们在实验室实验中的观察结果。Jhuria说:“飞秒激光脉冲可以将氢原子踢出或带回,从而在精确的位置可编程地形成所需的光学量子位。”该团队计划使用该技术将光学量子位集成到反射腔和波导等量子器件中,并发现新的自旋光子量子位候选者,其特性针对选定的应用进行了优化。Jhuria说:“现在我们可以可靠地制造色心了,我们想让不同的量子位相互交谈——这是量子纠缠的一个体现——看看哪些量子位表现最好。这只是一个开始。”ATAP部门主任Cameron Geddes表示:“在硅等材料的可编程位置形成量子位的能力是朝着实用量子网络和计算迈出的令人兴奋的一步。”。       该研究的理论分析是在伯克利实验室能源部国家能源研究科学计算中心的支持下进行的QIS@Perlmutter程序分子铸造厂和NERSC是美国能源部伯克利实验室的科学办公室用户设施。这项工作得到了美国能源部聚变能源科学办公室的支持。
  • 《伯克利实验室的研究人员使用机器学习来搜索科学数据》

    • 来源专题:可再生能源
    • 编译者:pengh
    • 发布时间:2019-11-18
    • 随着科学数据集的规模和复杂性的增加,如果没有自动化工具的帮助,标记、过滤和搜索这些海量信息的能力已经成为一项费力、耗时、有时甚至不可能完成的任务。 考虑到这一点,来自美国能源部劳伦斯·伯克利国家实验室(伯克利实验室)和加州大学伯克利分校的一组研究人员正在开发创新的机器学习工具,从科学数据集中提取上下文信息,并为每个文件自动生成元数据标签。然后,科学家们可以通过一个基于网络的搜索引擎来搜索这些文件,这个搜索引擎叫做“科学搜索”(Science search)。 作为概念验证,该团队正与伯克利实验室的分子铸造厂的工作人员合作,在该设施的仪器捕获的图像上演示科学搜索的概念。该平台的测试版已经提供给铸造研究人员。 国家电子显微镜中心(NCEM)的分子铸造研究科学家Colin Ophus说:“像科学搜索这样的工具有可能彻底改变我们的研究。”Colin Ophus是科学搜索的合作者。“我们是一个由纳税人资助的国家用户机构,我们希望让所有的数据都能被广泛获取,而不是只公布少量的图片。然而,今天,这里收集的大部分数据实际上只被少数几个人看到——数据制造者,包括PI(首席研究员),他们的博士后或研究生——因为目前没有简单的方法来筛选和共享数据。通过使这些原始数据易于搜索和共享,通过互联网,科学搜索可以向所有科学家开放这个‘黑暗数据’库,并最大化我们的设施的科学影响。” 搜索科学数据的挑战 今天,搜索引擎被广泛地用于在互联网上寻找信息,但是搜索科学数据带来了一系列不同的挑战。例如,谷歌的算法依赖于200多条线索来实现有效的搜索。这些线索可以是网页上的关键词、图片中的元数据,也可以是上亿人点击他们所寻找信息时的观众反馈。相比之下,科学数据有许多不同于一般web页面的形式,需要特定于科学的上下文,而且常常缺少元数据来提供有效搜索所需的上下文。 在像分子铸造厂这样的国家用户设施中,来自世界各地的研究人员申请时间,然后免费前往伯克利使用极其专业的仪器。奥弗斯指出,目前在铸造厂显微镜上的摄像头可以在10分钟内收集多达1tb的数据。然后,用户需要手动筛选这些数据,以找到具有“良好分辨率”的高质量图像,并将这些信息保存在一个安全的共享文件系统上,比如Dropbox,或者保存在一个外部硬盘上,最终可以带回家进行分析。 通常,来分子铸造厂的研究人员只有几天时间来收集他们的数据。因为手动向tb级的科学数据添加注释是非常繁琐和耗时的,而且没有这样做的标准,所以大多数研究人员只是在文件名中键入简短的描述。这对保存文件的人来说可能有意义,但对其他人来说通常没有多大意义。 加州大学伯克利分校实验室计算研究部(CRD)的科学家、科学搜索项目的联合首席研究员Lavanya Ramakrishnan说:“缺乏真正的元数据标签最终会导致科学家稍后试图寻找数据或试图与他人共享数据时出现问题。”“但有了机器学习技术,我们可以让电脑帮助用户完成那些费力的工作,包括为数据添加标签。”然后我们可以使用这些标签来有效地搜索数据。” 为了解决元数据问题,伯克利实验室团队使用机器学习技术来挖掘“科学生态系统”——包括仪器时间戳、设备用户日志、科学建议、出版物和文件系统结构——以获取上下文信息。来自这些来源的集合信息,包括实验的时间戳、使用的分辨率和过滤器的说明以及用户对时间的请求,都提供了关键的上下文信息。伯克利实验室团队已经建立了一个创新的软件栈,使用机器学习技术,包括自然语言处理,提取与科学实验相关的关键字,并自动为数据创建元数据标签。 为了证明概念,Ophus与科学搜索组共享了来自NCEM的分子铸造团队1电子显微镜的数据,这些数据最近由该设施的工作人员收集。他还自愿给几千张图像贴上标签,以便给机器学习工具贴上一些标签,从这些标签开始学习。虽然这是一个良好的开端,但Science Search的联合首席研究员Gunther Weber指出,大多数成功的机器学习应用程序通常需要大量的数据和反馈来提供更好的结果。例如,在像谷歌这样的搜索引擎的情况下,韦伯指出,训练数据集创建和机器学习技术进行验证,当全世界数十亿人验证他们的身份通过点击所有的图像与路牌或店面输入密码后,或在Facebook上标记他们的朋友在一个图像。 ”在科学数据的情况下只有少数领域专家可以创建的训练集和验证机器学习技术,所以我们面对不断出现的一大问题是一个极其少量的训练集,“韦伯说,他也是一个科学家在伯克利实验室的CRD。 为了克服这一挑战,伯克利实验室的研究人员使用转移学习来限制卷积神经网络(CNNs)的自由度或参数计数。转移学习是机器学习方法的模型为任务重用是一个模型在第二个任务的起点,它允许用户从一个较小的训练集得到更准确的结果。在团队中我显微镜,产生的数据包含哪些信息,仪器操作模式集合的时候。有了这些信息,韦伯就可以训练神经网络进行分类这样它就可以自动生成操作模式标签。然后他冻结了网络的卷积层,这意味着他只需要重新训练紧密连接的层。这种方法有效地减少了CNN上的参数数量,允许团队从有限的训练数据中获得一些有意义的结果。 机器学习来挖掘科学生态系统 除了通过训练数据集生成元数据标记外,伯克利实验室团队还开发了使用机器学习技术挖掘科学生态系统中的数据上下文的工具。例如,数据摄取模块可以查看来自科学生态系统的大量信息源——包括仪器时间戳、用户日志、建议和发布——并确定共性。在伯克利实验室开发的工具使用自然语言处理方法,然后可以识别和排序单词,为数据提供上下文,并在以后为用户提供有意义的结果。用户将看到类似于Internet搜索结果页面的内容,其中与用户搜索词匹配最多的文本内容将出现在页面的较高位置。系统也从用户的查询和他们点击的搜索结果中学习。 由于科学仪器正在生成一个不断增长的数据体,伯克利团队的科学搜索引擎的各个方面都需要可扩展,以跟上产生的数据量的速度和规模。该团队通过在国家能源研究科学计算中心(NERSC)的Spin中建立他们的系统实现了这一点。Spin是NERSC开发的一种基于码头的边缘服务技术,可以访问工厂的高性能计算系统和后端存储。 “我们有可能建立一个像科学搜索这样的工具的原因之一是我们可以访问NERSC的资源,”伯克利实验室博士后研究员Gonzalo Rodrigo说,他正在研究科学搜索中的自然语言处理和基础设施挑战。“我们必须存储、分析和检索非常大的数据集,使用超级计算设施来完成这些繁重的任务是很有用的。NERSC的Spin是运行我们的搜索引擎的一个很好的平台,它是一个面向用户的应用程序,需要访问大型数据集和分析数据,而这些数据只能存储在大型超级计算存储系统中。” 用于验证和搜索数据的接口 当伯克利实验室团队开发了用户与他们的系统交互的界面时,他们知道它必须完成两个目标,包括有效的搜索和允许人工输入到机器学习模型。由于系统依赖于领域专家来帮助生成训练数据并验证机器学习模型的输出,因此需要接口来促进这一点。 “我们开发的标记接口显示原始数据和可用的元数据,以及迄今为止我们拥有的任何机器生成的标记。然后专家用户可以浏览数据,创建新的标签,并检查任何机器生成的标签的准确性。 为了方便基于可用信息对用户进行有效搜索,团队的搜索界面为可用文件、建议和论文提供了查询机制,berkelei开发的机器学习工具已经解析并提取了其中的标记。每个列出的搜索结果项表示该数据的摘要,并提供更详细的辅助视图,包括与该项匹配的标记的信息。该团队目前正在探索如何最好地结合用户反馈来改进模型和标签。 Ramakrishnan说:“拥有探索数据集的能力对于科学突破是很重要的,这是第一次尝试像科学搜索这样的东西。”“我们的最终愿景是建立一个基础,最终支持科学数据的‘谷歌’,在那里,研究人员甚至可以搜索分布式数据集。”我们目前的工作为实现这一宏伟目标提供了必要的基础。” “伯克利实验室确实是一个理想的地方建立一个搜索工具像科幻,因为我们有很多用户设施,如分子铸造,具有几十年的数据将提供更多价值的科学界如果数据可以搜索和共享,”凯蒂Antypas补充道,他是科学的首席研究员搜索和·数据部门负责人。“此外,我们拥有伯克利实验室计算科学领域的机器学习专业知识,以及NERSC的高性能计算资源,以构建这些能力。” 除了安蒂帕斯、拉马克里希南和韦伯外,加州大学伯克利分校的计算机科学教授约瑟夫·赫勒斯坦(Joseph Hellerstein)也是一名首席研究员。 这项工作得到了美国能源部高级科学计算研究办公室(ASCR)的支持。分子铸造和NERSC都是位于伯克利实验室的能源部科学用户设施办公室。