1.北大陈景标团队在小型光钟领域取得重要进展；
2.上海交大洪亮团队研发Venus模型，AI设计功能蛋白质助力产业应用；
3.安徽大学集成电路学院基于忆阻器基存算一体技术实现贝尔曼方程高效求解
1.北大陈景标团队在小型光钟领域取得重要进展
北京大学电子学院陈景标研究团队近期在小型化光钟领域取得重要突破，首次提出并实现了基于原子选频技术的佛克脱光学频率标准，实现了小型化光频标的全自动化高性能运行。相关研究成果以"Turn-key Voigt optical frequency standard"为题发表于Photonics Research 2025年第4期，并被遴选为封面文章。
该研究突破了原子滤光器在光通信领域的低光强应用限制，提出了基于原子选频技术的佛克脱激光（Voigt laser）。研究团队利用佛克脱激光自动对准原子谱线的特性，结合全自动化调制转移谱（MTS）频率锁定方案，构建了一种在恶劣环境下具有高鲁棒性、可自动运行的高性能光钟。这一成果展示了原子选频激光器在小型化、无人化开发中的巨大潜能，为便携式原子钟设备在科研领域的应用提供了新途径。
研究团队聚焦佛克脱原子滤光器（VADOF）在大光强、强磁场条件下的透射谱研究，揭示了其独特物理机制，赋予佛克脱激光器频率"自对准"能力——自动锁定在铷-85原子D2线跃迁谱线。通过结合MTS稳频技术，团队成功研制出小型佛克脱光频标，不仅实现了国际领先的长期频率稳定度（万秒稳定度达中系数10^-13量级），且将VADOF"自对准"特性转化为光频标"即开即用"功能。
这一突破解决了现有光钟的痛点：高度依赖高性能本地振荡器，在长时间连续运行或剧烈环境冲击下频率稳定性显著下降，必须依赖人工干预进行重新锁定和维护。佛克脱光频标从根本上克服了这一限制，实现了真正意义上的全自动化、无人值守运行。
该研究在北京大学电子学院陈景标教授和党安红教授、集成电路学院史田田助理研究员的指导下完成，论文第一作者为电子学院博士生刘子捷。研究工作得到了科技创新2030-"量子通信与量子计算机"重大项目、国家自然科学基金、中国博士后科学基金、温州重大科技创新重点项目的资助与支持。
这项成果充分展现了基于原子选频技术的激光器在小型化、高集成度、无人化光频标开发中的巨大潜力与优势，为开发新一代高性能便携式原子钟开辟了切实可行的新路径。它极大地拓展了光钟技术在前沿科学研究、航空航天、地质勘探、通信导航等领域的广泛应用前景，标志着光钟技术向实用化、普及化迈出了关键一步。
2.上海交大洪亮团队研发Venus模型，AI设计功能蛋白质助力产业应用
上海交通大学洪亮教授团队日前在央视新闻频道主题策划节目《科技推动力》中展示了其自主研发的蛋白质功能设计Venus系列模型。该团队构建了全球最大的蛋白质数据集Venus-Pod，包含近九十亿条序列和数亿个功能标签，几乎囊括了自然界所有的蛋白语料。
据洪亮教授介绍，Venus系列模型通过学习大量蛋白质的氨基酸序列组成规律及其对应的功能标签，能够识别不同功能蛋白质的特征，如耐强碱、耐高温等特性。当普通蛋白质缺乏特定功能时，模型可以为其添加相应特征，实现对蛋白质功能的精准设计。
Venus系列模型具备两种核心能力：一是"AI挖酶"，可在庞大的蛋白质序列数据集中搜索符合特定功能要求的潜力蛋白，如具有耐胃酸、耐高温特性的超能力蛋白；二是"AI定向进化"，能针对已有蛋白质进行性能提升与优化，如提高稳定性、增强活性等，这些优化后的蛋白质在生物制造、医药研发、工业生产领域具有广阔应用前景。
目前，Venus已为国内外近30家生物/医药企业提供服务，成功改造优化30余款蛋白，其中8款已实现产业化落地。例如，一款原本在生产过程中容易因强碱环境失活的抗体，经AI改造后稳定性提高了4倍，每年为企业节省上千万元成本；另有一款用于急性胰腺炎检测的酶，优化后成本仅为国际同类产品的10%，且已实现1000公斤规模化生产。
Venus-Pod数据集的独特之处在于，它不仅包含常规生物的蛋白质序列，还收录了从马里亚纳海沟、火山口等极端环境中采集的耐高温、耐强压、耐强酸/强碱的蛋白质。这一全面的数据集为Venus模型提供了丰富的"工具箱"，使其能够快速高效地优化改造蛋白质，满足各种产业需求，为生物技术领域带来革命性的变革。
3.安徽大学集成电路学院基于忆阻器基存算一体技术实现贝尔曼方程高效求解
近日，集成电路学院代月花教授课题组与复旦大学芯片与系统前沿研究院刘琦教授团队开展合作，在忆阻器基存算一体技术领域取得重要进展。
相关成果以“Memristive Bellman Solver for Decision-making”为题发表于《自然通讯》(Nature Communications)上(DOI:10.1038/s41467-025-60085-w)。安徽大学集成电路学院为第一单位，我校集成电路学院22级博士生冯哲、吴祖恒副教授和23级博士生邹建勋为共同第一作者，集成电路学院吴祖恒副教授、代月花教授和复旦大学刘琦教授为共同通讯作者。
Bellman方程是动态规划和决策领域的核心工具，广泛应用于强化学习、自动驾驶、路径规划等场景。然而，传统求解方法通常需要大量迭代计算，计算复杂度高，尤其在实时性要求高的应用中，往往难以满足应用需求。这种低效性限制了动态决策系统在实际场景中的表现，亟需新的技术突破。
基于忆阻器的Bellman求解器（Memristive Bellman Solver，MBS）为这一难题提供了全新的解决方案。MBS充分利用忆阻器的高效存算一体特性，通过引入时间维度，将Bellman方程的双期望迭代求解转化为循环点积操作，大幅降低了计算复杂度。更独特的是，研究团队将忆阻器的固有噪声转化为计算优势，通过随机扰动加速了求解过程的收敛速度，实现了高效的近似解。这种软硬件协同优化的设计，不仅提升了系统计算效率，还显著降低了系统能耗（~1000×）。实验结果表明，MBS能够实现高效的决策制定，为开发高效决策制定系统提供了新思路。（文章来源：安徽大学集成电路学院）
