氟化氢泛频20P4,20P5激光谱线大气传输性能实验

采用氟化氢泛频化学激光器作光源 ,在室外实际大气中测量了氟化氢泛频激光 2 0P4、2 0P5谱线的大气透过率 ,分析计算了其大气消光系数和大气吸收系数。实验表明氟化氢泛频激光处于大气传输窗口边缘 ,其谱线的大气传输性能差异很大 ,证实了 2 0P4是氟化氢泛频选频的首选谱线     

基于SOS和LTD技术的高重复频率脉冲发生器

提出了磁饱和直线变压器驱动源(LTD)泵浦半导体断路开关(SOS)产生高重复频率短脉冲的技术路线。利用LTD初次级线圈为单匝同轴结构和磁芯可饱和的特点,实现快速反向泵浦SOS,通过多级LTD模块叠加获得高电压输出。采用射频金属氧化物场效应晶体管(RF MOSFET)作为LTD初级电路的主开关,将SOS正向泵浦电流脉冲时间降至数十ns,泵浦电流脉冲重复频率最高可达MHz。最终研制出一台基于SOS的10级磁饱和LTD型脉冲发生器,输出电压约11kV,电流220A,脉冲宽度约2ns,重复频率为20kHz。实验验证了磁饱和直线脉冲变压器泵浦SOS产生高重复频率短脉冲的技术路线可行。     

氮化镓纳米粒子的制备及光致发光研究

采用直接氮化法制备出尺寸不同的GaN纳米粒子,分别利用X射线衍射仪（XRD）、扫描电子显微镜（SEM）和光致发光（PL）谱测试手段对所制样品进行表征和发光特性的研究。结果表明：所制备的两种GaN纳米粒子直径分别为100 nm和300 nm左右。在GaN纳米粒子的PL谱中,中心在357 nm的发射源于本征发光,中心在385 nm的发射带源于浅施主能级到价带的辐射复合,中心在560 nm左右的发射带源于浅施主能级到深受主能级间的施主-受主对辐射发光。     

Encoding entanglement-assisted quantum stabilizer codes

We address the problem of encoding entanglement-assisted (EA) quantum error-correcting codes (QECCs) and of the corresponding complexity. We present an iterative algorithm from which a quantum circuit composed of CNOT, H, and S gates can be derived directly with complexity O(n²) to encode the qubits being sent. Moreover, we derive the number of each gate consumed in our algorithm according to which we can design EA QECCs with low encoding complexity. Another advantage brought by our algorithm is the easiness and efficiency of programming on classical computers.     

ITER过渡馈线直线段管的优化设计与屈曲分析

根据强度原则,用有限元静力分析方法优化了馈线系统直线段管中的圆管和波纹管相关结构的设计参数;根据能量准则,通过特征值屈曲分析和非线性屈曲分析方法,用有限元法稳定性的判据计算出长跨度的薄壳直线段管发生失稳时的临界载荷为1.21MPa,验证了该结构在正常工况(安全系数为12.1)和故障状态工况(安全系数为6.05)下不会发生失稳现象,为ITER馈线系统的下一步研制提供了基础。     

EAST八对电流引线罐支撑结构的优化设计与分析

随着EAST高温超导电流引线的技术升级，针对电流引线罐内支撑结构重新进行了优化设计，开展了罐内支撑结构的稳定性分析，最后根据分析结果确定了最优设计方案。针对优化设计后的电流引线罐进行测试，表明其支撑结构可以更好地保证电流引线的安全与稳定。     

衍射深度神经网络下轨道角动量态的校正

衍射深度神经网络(D2NN)通过无源衍射层的深度学习，可实现快速高效的深度学习功能。利用多组不同湍流强度干扰下的轨道角动量(OAM)态和目标OAM态组成的训练数据集对设计的D2NN网络组件进行训练，更新和优化组件中各参数，直到由D2NN输出的OAM态与目标OAM态的平方误差损失函数达到预定的阈值，便可获得实现高速、高精度的OAM波前校正的D2NN组件。测试结果表明：D2NN迭代次数、衍射层数、训练参数的选择会对组件的校正速度和准确度产生影响，通过D2NN可以实现受大气湍流干扰的OAM态的高精度校正；当大气湍流强度为10^-14 m^-2/3、D2NN网络层层数为8时，组件性能最佳，其损失函数相比5层网络层的D2NN降低超过45.45%；而对于更强大气湍流的干扰，可以通过增加网络训练时的迭代次数来提高校正的准确度，迭代20次后损失函数的值降低率达到98.03%；对于湍流强度较弱的干扰，训练时采用纯相位参数，组件的性能更优；而对于强湍流的干扰，训练时采用相位参数与振幅参数两者相结合的方法，组件的性能更优；除此之外，OAM态的拓扑荷值越小，校正后的失真...