中国科研人员利用LAMOST望远镜发现两颗新的共生星
7月25日消息 天文学界最近有一项挺有意思的发现。根据中国科学院发布的信息，由南京天文光学技术研究所研究员王靓团队，联合国家天文台研究员罗阿理等人，利用LAMOST望远镜第十次公开的海量光谱数据，再结合多种测光数据，成功揪出了两颗全新的共生星，同时还锁定了12颗“仅吸积共生星”的候选体。这成果可不只
7月25日消息
天文学界最近有一项挺有意思的发现。根据中国科学院发布的信息，由南京天文光学技术研究所研究员王靓团队，联合国家天文台研究员罗阿理等人，利用LAMOST望远镜第十次公开的海量光谱数据，再结合多种测光数据，成功揪出了两颗全新的共生星，同时还锁定了12颗“仅吸积共生星”的候选体。这成果可不只是多了几个观测目标那么简单，它为理解双星系统如何演化提供了新线索，也为后续探讨共生新星的形成机制、Ia型超新星的前身星，以及那些高能X射线源的起源，垫了块扎实的“敲门砖”。
这项工作的详细论文，已经发表在了权威的《天体物理学杂志》上。
何为共生星？
先简单说说共生星到底是个啥。它其实是一对儿挺“亲密”的双星系统，成员包括一颗致密星（比如白矮星）和一颗处于暮年的红巨星。在这个系统里，红巨星会通过星风或者物质溢出，不断把自己的外层物质甩给伴星；伴星呢，则像个贪吃的小孩，把这些物质吸积过来，形成一个高温的吸积盘，并发出强烈辐射。正因为这种特殊的互动，它的光谱看起来就很有个性：既能看到红巨星带来的分子吸收带，又能看到来自白矮星区域的强烈发射线，辨识度相当高。
不过，研究共生星有个让人头疼的现状：理论模型预估，银河系里这类天体可能有几十万颗之多，但实际被我们观测证实的，满打满算也就三四百颗。这理论和观测之间的巨大落差，一直是领域内一个待解的谜题。
如何从数据海洋中“捞针”？
那这次研究是怎么突破的呢？关键就在于把大样本数据的优势用到了极致。研究团队充分发挥了LAMOST海量光谱在认证特殊天体方面的威力。他们先是仔细筛查了第十次数据发布（DR10）中上万条光谱的发射线信息，再结合已知共生星在赫罗图上的分布规律，加上传统但可靠的目视检查方法，最终从那片数据的海洋里，精准地捞出了9颗共生星。这9颗里头，有7颗是已经被学界确认的“老面孔”，而另外两颗，则是此次全新发现的成员。
破解“仅吸积”难题
问题来了：为什么实际找到的共生星比理论预期少这么多？一个主流看法是，理论模型往往基于比较理想的条件，而现实中，很多共生星系统的物质吸积率其实很低。吸积率一低，光谱里那些标志性的强烈发射线特征就不明显了，导致常规的光谱识别方法直接“抓瞎”。这类难以被光谱直接确认的，就被称为“仅吸积共生星”。
那么，光谱不够，其他方法来凑。为了找到这些隐藏的“选手”，研究人员把目光投向了多波段测光数据。他们综合调用了GALEX的紫外数据、2MASS的近红外数据、WISE的中红外数据，还交叉比对了多个X射线巡天星表，最终筛选出了12个非常可疑的目标，也就是那12个“仅吸积共生星候选体”。目前虽然还没有直接的光谱证据能一锤定音，证明它们就是共生星，但从它们的物质吸积率分布来看，与那些已经被确认的典型共生星高度吻合，这大大增加了这批候选样本的可靠性。
更广阔的研究图景
总的来说，这项工作不仅扩充了已知共生星的样本库，更重要的是，它生动展示了将多波段、多巡天数据交叉融合起来，在天体识别与分类研究中的巨大潜力。它为天文学家更深入地理解恒星，特别是双星系统的演化命运，又打下了一根坚实的桩子。话说回来，随着天文观测全面迈入“大数据时代”，可以预见，未来还会有更多这类奇特而隐秘的宇宙居民，被我们从数据的深海中一一打捞上来。
7月8日，光谱制造企业奥谱天成动作不小，一口气推出了两款重量级软件产品——奥谱智水智慧水质光谱监测软件，以及奥谱惠农智慧农业光谱管理软件。这两款产品的核心逻辑，是通过185到1100纳米的宽波段光谱采集能力，加上自研的光谱AI大模型，精准捕捉水体里的污染物、农作物上的“光谱指纹”。简单说，就是把“光
在开始之前，先确认硬件已经就位：关机，把新硬盘装上，再重新开机。开机后第一件事，就是检查系统是否识别到了新设备。用 dmesg | grep ad2 看一眼，如果输出类似 ad2: 9765MB [19841/16/63] at ata1-master UDMA33 这样的信息，说明新硬盘已经被成功
我国空间引力波探测的“太极计划”，最近迎来一个关键节点的突破。根据中国科学院力学研究所5月9日发布的消息，该计划核心测量系统的首款全功能干涉仪光学平台已成功研制，并顺利通过地面性能测试。这意味着，这项雄心勃勃的太空探测计划，其最精密的“尺子”已经从纸上蓝图，迈入了实实在在的工程制造阶段。相关研究成果
距地球约700光年的气态巨行星WASP-94Ab因潮汐锁定，永远以同一面朝向恒星。研究发现其晨侧多云而昏侧晴朗，温差导致云滴在夜半球凝结后被赤道风吹向晨侧，进入高温区后蒸发，抵达昏侧时已消散。这一天气模式可能普遍存在于其他类似系外行星中。
在千兆宽带、5G通信与云服务深度普及的2026年，大众普遍以为超大文件传输已步入“秒级时代”，但现实远未达到这般畅快。当面对数TB乃至数十TB级别的庞大数据集时，当下最可靠、最迅捷且兼顾安全性的传输方案，依然是“物理位移”——依靠人工携带存储介质完成跨地域交付。一位来自河南信阳的用户讲述了真实经历：他曾需将4TB资料从信阳送往郑州，首次尝试纯网络传输，系统预估总耗时近72小时；最终改用专人驱车运送，单程仅需约2.5小时，当天即完成取件与送达，整体效率显著超越线上方式。该实例迅速引发热议，多位资深IT博主随
大语言模型面对加密数据，即便最新的Qwen3也会感到压力！尽管当下各类推理模型在多种基准测试中表现优异，但在密码学这样对逻辑严谨性和细节准确性要求极高的专业领域，模型的推理能力还有待深入挖掘。密码学不仅要求模型具备高级数学运算能力和严密的逻辑推理链，还需要其能够精准辨识复杂加密模式中的潜在规律；成功解密要求模型拥有极强的综合推理能力。上海AILab等联合推出的CipherBank测评，使用大量真实隐私场景数据和多种密码算法，严苛挑战当前最先进的大模型。CipherBank的测评结果显示，目前的大语言模型
美国警察最新公布一则案件：波士顿动力机器狗首次被枪杀阵亡。官方图显示，机器狗身上有多处枪伤，金属外壳凹陷，油漆脱落，已经无法继续使用。对于机器狗此番牺牲，警方也给予了高度评价：这是在为人类执法伙伴挡住了子弹。波士顿动力机器狗首次被枪杀马萨诸塞州警方详细地披露了案件细节。那是一个平常的周三下午，一名嫌疑人持枪藏在一处住宅内。警察随后派出一只名为Roscoe的机器狗和两台PacBot510履带式机器人，以协助搜捕。在人类士兵遥控操作下，Roscoe对房屋进行了地毯式搜索。结果就在机器狗清查完地下室一个壁橱，然
哭死啊，全球狂炼大模型，一互联网的数据不够用，根本不够用。训练模型搞得跟《饥饿游戏》似的，全球AI研究者，都在苦恼怎么才能喂饱这群数据大胃王。尤其在多模态任务中，这一问题尤为突出。一筹莫展之际，来自人大系的初创团队，用自家的新模型，率先在国内把“模型生成数据自己喂自己”变成了现实。而且还是理解侧和生成侧双管齐下，两侧都能生成高质量、多模态的新数据，对模型本身进行数据反哺。模型是啥？中关村论坛上刚刚露面的多模态大模型Awaker1.0。团队是谁？智子引擎。由人大高瓴人工智能学院博士生高一钊创立，高瓴人工智能
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
