自然世界总是可以成为新技术的灵感来源。一种受代尔夫特理工大学蜘蛛网启发的新型传感器可能对重力研究、量子互联网等产生重大影响。

创新的历史充满了人类向自然寻求灵感和应对复杂技术挑战的答案。仿生学导致了我们文明的许多最伟大的创新，例如莱特兄弟研究鸟类以寻找制造飞机的灵感，或者日本工程师模仿翠鸟来制造子弹头列车。 

仿生学的几个例子。图片由Mibelle Biochemistry 提供

上周，代尔夫特理工大学的研究人员延续了这一仿生学传统，这次从蜘蛛网中汲取灵感，开发出可在室温下运行的新型量子传感器。 

在本文中，我们将研究所呈现的研究以及新传感器的令人印象深刻的结果。

量子传感的挑战 

今天，人们对量子世界的兴趣与日俱增。在天体物理学研究和量子计算机之间，世界各地的工程师发现自己需要能够在量子水平上工作的高精度传感器。 

然而，量子水平的传感带来了重大挑战：实现精度和分辨率是困难的。

对低温量子计算的需求极大地限制了量子硬件。图片由微软提供

在量子水平上测量信号时，这些信号的幅度非常小。事实上，信号非常小，以至于环境噪声的影响对信号的整体幅度有显着影响。这种影响从根本上限制了创建可靠量子传感器的能力，因为区分我们想要的信号和噪声变得很复杂。 

克服这一点的一种方法是，将量子硬件尽可能保持在绝对零 (0K) 附近。将硬件保持在这些无能量环境中可以消除外部噪声的影响，但也会使量子硬件变得极其昂贵和受限。 

蜘蛛网激发量子传感创新

为了解决这个问题，代尔夫特理工大学的研究人员从一个不太可能的来源中找到了灵感：蜘蛛网。 

蜘蛛网的一个关键特征是它们本质上是非常好的振动探测器，使蜘蛛能够测量其网内猎物的振动，而不受外界振动（如风）的影响。 

当将此与量子传感问题类似地看待时，事实证明蜘蛛网可能成为一个非凡的解决方案。对研究人员来说不幸的是，他们不是蜘蛛网复杂性和内部机制的专家。

传感器提出的蜘蛛网几何形状。图片由Shin 等人提供

正如研究人员在他们的论文中所解释的那样，他们使用贝叶斯优化解决了这个问题，贝叶斯优化是一种用于黑盒函数全局优化的机器学习 (ML) 技术。 

从本质上讲，研究人员为他们的 ML 算法提供了 150 个蜘蛛网设计，并告诉它返回最能通过紧凑设计诱导软夹紧的设计，并在给定谐振器尺寸的低频范围内实现高质量因子。 

最终的解决方案出乎意料地简单，由一个简单模式的六个字符串组成。然后研究人员采用这种模式并使用氮化硅纳米结构在微芯片上实现它。 

在测试他们的新传感器时，结果令人难以置信，在室温下显示出极高的品质因数和破纪录的隔离振动。最重要的是，他们的新解决方案得益于新颖的振动模式，而不是更具挑战性的新制造技术。 

未来的工作

研究人员认为，他们的新型机械谐振器可能会对许多依赖量子传感的领域产生重大影响。 

通过启用在室温下工作的高品质因数、高隔离度传感器，他们希望使天体物理学研究和量子互联网等领域受益。

特色图片由 Frank Auperlé 和 TU Delft 提供