| 术语 | 英文 | 一句话解释 |
|---|
| 硬件-软件协同设计 | Hardware-Software Co-Design | 硬件和软件联合优化,实现亚毫瓦推理。 |
| 安全框架 | Security Frameworks | 保护语义通信免受威胁的架构,如加密和认证。 |
| 对抗鲁棒性 | Adversarial Robustness | 模型抵抗恶意攻击的能力,关键在语义通信安全。 |
| 数字孪生同步 | Digital Twin Synchronization | 利用TinyLM实现物理实体的数字副本同步。 |
| 多用户语义通信 | Multi-User Semantic Communication | 多用户间的语义通信,需处理干扰。 |
| 动态信道 | Dynamic Channels | 时变特性的无线信道,需自适应编码。 |
| 自适应压缩 | Adaptive Compression | 根据动态信道条件调整压缩策略,提高鲁棒性。 |
| 部署层级 | Deployment Tiers | 6G边缘设备的分层,如NB-IoT、IoT网关、6G UE等。 |
| 资源预算 | Resource Budget | 设备可用的资源上限,如NB-IoT <100mW, <0.5MB内存。 |
| 硬件约束 | Hardware Constraints | 边缘设备的资源限制,如内存、功耗。 |
| Shannon容量 | Shannon Capacity | 经典通信理论中的最大传输速率,受带宽和SNR限制。 |
| 推理能力 | Reasoning Capacity | 接收方从符号中提取额外任务相关信息的能力,可替代带宽。 |
| 语义噪声 | Semantic Noise | 语义编码/解码错误导致的上下文误解,不同于物理噪声。 |
| 信息瓶颈 | Information Bottleneck | 优化语义表示的框架,最大化任务相关信息同时压缩表示。 |
| 任务相关意义 | Task-Relevant Meaning | 通信中需要传达的核心信息,而非原始数据。 |
| 语义表示 | Semantic Representation | 编码器生成的紧凑表示,保留任务相关意义。 |
| 模型大小 | Model Size | 模型存储占用,如BERT-Base 440MB,TinyLM目标<0.5MB。 |
| 参数数量 | Parameter Count | 模型参数个数,TinyLM需$ \leq 15 \text{M} $参数。 |
| 能耗 | Energy Consumption | 设备运行功耗,边缘设备需毫瓦级。 |
| 推理延迟 | Inference Latency | 模型推理所需时间,6G要求亚毫秒级。 |
| 压缩比 | Compression Ratio | TinyLM大小与原始LLM大小之比,$ \rho \ll 1 $,如NB-IoT需$ \rho \lesssim 0.0011 $。 |
| NB-IoT | Narrowband IoT | 低功耗广域网技术,用于大规模物联网部署,资源预算极低。 |
| IoT设备 | IoT Devices | 物联网设备,数量庞大,需高效语义编码。 |
| 边缘设备 | Edge Devices | 6G网络中的终端设备,如NB-IoT传感器、IoT网关等,资源受限。 |
| 信噪比 | Signal-to-Noise Ratio (SNR) | 信号功率与噪声功率之比,影响通信质量。 |
| PSNR | Peak Signal-to-Noise Ratio | 衡量图像重建质量的指标,值越高表示噪声越小。 |
| BLEU分数 | BLEU Score | 评估文本生成质量的指标,范围0-1,越高表示语义保真度越好。 |
| 语义保真度 | Semantic Fidelity | 语义表示重建任务相关意义的精确度,常用BLEU、PSNR等指标衡量。 |
| 多模态通信 | Multi-Modal Communication | 处理文本、图像、语音等多种模态的语义通信架构。 |
| 知识图谱 | Knowledge Graphs | 利用实体关系结构辅助语义编码,减少传输开销并提高可解释性。 |
| 分裂学习 | Split Learning | 将模型分割在发送方和接收方,平衡隐私、计算和通信资源。 |
| 联邦学习 | Federated Learning | 在非独立同分布数据下训练模型,减少通信开销,但标准FedAvg不适用于语义通信。 |
| 神经架构搜索 | Neural Architecture Search (NAS) | 自动发现高效架构的设计方法,但尚未广泛用于语义编码器。 |
| 低秩适应 | Low-Rank Adaptation (LoRA) | 通过低秩矩阵更新微调模型,而非直接修改权重,适配已部署模型。 |
| 剪枝 | Pruning | 移除冗余参数(如权重、注意力头),利用大模型过度参数化的特性。 |
| 量化 | Quantization | 减少模型参数数值精度(如FP32到INT8),直接缩小内存占用。 |
| 知识蒸馏 | Knowledge Distillation | 将大模型(教师)的知识转移到小模型(学生)的过程,常与剪枝和量化结合。 |
| 联合信源信道编码 | Joint Source-Channel Coding (JSCC) | 将信源编码和信道编码结合的端到端学习方法,在低信噪比下优于分离编码。 |
| 6G无线网络 | 6G Wireless Networks | 第六代无线网络,预计2030-2035年商用,原生集成AI智能,支持沉浸式通信和集成传感通信。 |
| 微型语言模型 | Tiny Language Models (TinyLMs) | 通过TinyML技术压缩到千字节至兆字节内存和毫瓦功耗预算的语言模型,适配6G边缘设备。 |
| 语义通信 | Semantic Communication | 传输任务相关意义而非原始比特的通信方式,超越Shannon的经典比特管道模型。 |
| ------ | ------ | ------------ |
| 优化 | Optimization | 改进系统参数以提升性能,如光互连降低延迟和功耗。 |
| 模拟 | Simulation | 通过计算模型预测系统行为,如评估不同上下文窗口下的性能。 |
| 批处理模式 | Batch regimes | 同时处理多个请求的运行模式,高负载下系统性能的测试场景。 |
| 推理填充 | Prefill | AI处理初始输入序列的步骤,为后续实时响应做准备。 |
| 高基数 | High-radix | 一种互连设计,支持更多并行连接,提升数据传输效率。 |
| 扩展限制 | Scale-up-pod limits | 系统在规模扩大时遇到的性能或物理瓶颈,如散热或布线限制。 |
| 电气系统 | Electrical systems | 传统基于电信号的硬件架构,如铜缆互连的GPU集群。 |
| 首次响应时间 | Time-to-first-token | AI系统生成第一个输出令牌所需的时间,影响用户体验。 |
| GPU足迹 | GPU footprint | GPU集群占用的物理空间或资源规模,影响部署成本和扩展性。 |
| 三维光子学 | 3D photonics | 在三维空间中集成光子器件的技术,提升芯片密度和能效。 |
| 通信受限配置 | Communication-limited configurations | 系统性能瓶颈在于数据传输而非计算能力的场景,常见于大规模GPU集群。 |
| 延迟改进 | Latency improvements | 减少响应时间的技术优化,如光互连将首次响应时间缩短2.2-4.5倍。 |
| 高并发吞吐量 | High-concurrency throughput | 单位时间内处理大量请求的能力,关键衡量系统性能的指标。 |
| 上下文窗口 | Context windows | AI模型能处理的输入序列长度,影响推理能力和记忆范围。 |
| 大型语言模型 | Large Language Model (LLM) | 基于深度学习的AI模型,用于生成文本、回答问题等,如GPT系列。 |
| 专家混合模型 | Mixture-of-Experts (MoE) | 一种神经网络架构,通过多个“专家”子模型并行处理输入,提升效率。 |
| 光互连 | Photonic interconnects | 使用光信号而非电信号连接硬件组件的技术,实现高速数据传输。 |
| 推理 | Inference | AI模型处理输入并生成输出的过程,如聊天机器人回复用户问题。 |
| ------ | ------ | ------------ |
| Distillation | Distillation | 将大模型知识迁移到小模型的技术,本文用于速度场蒸馏 |
| Mode-seeking sampling | Mode-seeking sampling | 通过调整初始噪声温度($σ = 0.85$)提高流匹配采样质量 |
| L1 regression | L1 regression | 直接回归动作块的一步预测方法,比流匹配快3.8倍 |
| FiLM conditioning | FiLM conditioning | 通过特征调制将任务嵌入注入视觉编码器的技术 |
| Depthwise-separable convolutions | Depthwise-separable convolutions | 参数高效的卷积操作,分离空间和通道计算 |
| Spatial-softmax keypoints | Spatial-softmax keypoints | 从视觉特征中提取空间位置信息的关键点提取方法 |
| Proprioceptive state | Proprioceptive state | 机器人自身的关节角度、速度等内部状态(8维向量) |
| LIBERO-Plus | LIBERO-Plus | LIBERO的扰动版本,包含7类环境扰动测试鲁棒性 |
| LIBERO-90 | LIBERO-90 | LIBERO的扩展版本,包含90个任务的基准测试 |
| Permutation probe | Permutation probe | 通过重排任务ID映射验证任务条件化因果作用的实验方法 |
| Temporal ensembling | Temporal ensembling | 对重叠的动作块预测进行指数加权平均的执行策略 |
| Action chunk | Action chunk | 将连续动作分割成16步的块进行预测的核心单元 |
| Flow matching | Flow matching | 通过回归速度场生成动作序列的生成方法,需10步欧拉积分 |
| Task-ID embedding | Task-ID embedding | 将40个任务映射为嵌入向量,替代语言编码器的轻量方案 |
| Empirical capacity floor | Empirical capacity floor | 在固定任务集下能够解决问题的最小参数量(本文测得0.54M) |
| Vision-Language-Action (VLA) | Vision-Language-Action models | 结合视觉输入、语言指令和动作输出的机器人控制模型 |
| LIBERO | Benchmarking knowledge transfer for lifelong robot learning | 机器人操作基准测试,包含40个任务,分为Spatial/Object/Goal/Long四个套件 |
| MINERVA | MINimal Efficient Robotic Vision-Action policy | 一种极小化的机器人视觉-动作策略模型,探索任务所需的最小参数量 |
| ------ | ------ | ------------ |
| 保真度指标 | Fidelity metric | 量化系统输出与目标一致性的参数,如运动误差、响应延迟。 |
| 行为数据 | Behavioral data | 人类在特定任务中的动作序列和生理响应,用于训练AI模型。 |
| 机器人硬件 | Robot hardware | 机器人的物理组成部分,包括执行器(电机)、传感器、结构框架等。 |
| 动力学 | Dynamics | 分析物体运动与力(如重力、摩擦力)相互作用的学科(读者未学,需类比牛顿力学)。 |
| 运动学 | Kinematics | 研究物体运动位置和速度的学科,忽略力和质量影响(读者已学振动和波可关联)。 |
| 运动数据捕获 | Motion data capture | 通过传感器(如IMU、摄像头)记录人类运动数据并转换为数字信号的过程。 |
| 控制策略 | Control policy | 指导机器人行为的算法集合,包括运动规划、姿态调整等模块。 |
| 基准人形机器人 | Baseline humanoids | 用于性能对比的标准机器人模型,如Bumi、K1和Toddlerbot。 |
| 最先进性能 | State-of-the-art (SOTA) | 当前领域内最优的技术指标,本文指在运动保真度和动态性能上超越基准模型。 |
| 形态保真度 | Morphological fidelity | 机器人机械结构与人类生理特征(如关节比例)的匹配程度。 |
| 物理人工智能 | Physical AI | 将人工智能算法嵌入物理实体,实现与环境实时交互的智能系统。 |
| 开源平台 | Open-source platform | 公开发布硬件设计、代码和数据的机器人系统,允许社区协作改进。 |
| 动态动作 | Dynamic maneuvers | 快速、高强度的非周期动作,如翻滚、急停,考验机器人的响应速度和鲁棒性。 |
| 平衡控制 | Balance | 机器人在扰动或动态动作中维持稳定姿态的算法和传感器反馈机制。 |
| 步行能力 | Locomotion | 机器人实现移动的基础功能,包括行走、跑步等周期性运动。 |
| 动态跟踪性能 | Dynamic tracking performance | 机器人执行高动态动作(如跳跃)时对目标轨迹的跟随精度和稳定性。 |
| 运动重保真度 | Kinematic retargeting fidelity | 将人类运动数据精确映射到机器人关节角度的量化指标,衡量动作相似度。 |
| 数据驱动 | Data-driven | 基于人类行为数据(如步态视频)进行模型训练和参数调优的设计方法。 |
| 形态-控制协同设计 | Morphology-control co-design | 同时优化机器人硬件形态(如结构尺寸)和控制策略(如运动算法)的框架,实现人机行为融合。 |
| 人形机器人 | Humanoid robot | 模仿人类形态和行为的机器人系统,具备类人肢体和交互能力。 |
| ------ | ------ | ------------ |
| 碳中和 | Carbon neutrality | 通过减排或碳补偿平衡碳排放,实现净零排放状态。 |
| 可持续性 | Sustainability | 满足当前需求而不损害后代满足其需求能力的发展模式。 |
| 化石燃料替代 | Fossil fuel replacement | 用清洁技术(如氢能)取代煤炭、石油等传统燃料。 |
| 可再生能源 | Renewable energy | 来自自然且可持续的资源,如太阳能或风能,减少化石燃料依赖。 |
| 化学工程 | Chemical engineering | 应用化学原理设计、优化和操作工业生产流程的学科。 |
| 工业过程 | Industrial process | 大规模生产商品或材料的连续操作,如化工或制造。 |
| 绿氢 | Green hydrogen | 使用可再生能源生产的氢气,碳排放接近零。 |
| 碳捕获 | Carbon capture | 从排放中捕获二氧化碳或固体碳,减少环境影响。 |
| 能源效率 | Energy efficiency | 输入能源与有用输出能源的比率,越高表示浪费越少。 |
| 热回收 | Heat recovery | 从高温废气或废水中捕获并再利用热能,减少能源浪费。 |
| 吸热反应 | Endothermic reaction | 吸收热量的化学反应,如甲烷分解为氢气和碳,需要热能输入。 |
| 放热反应 | Exothermic reaction | 释放热量的化学反应,如甲烷燃烧,为系统提供自热动力。 |
| 热解 | Pyrolysis | 在无氧条件下加热有机物,分解为更小分子的化学过程。 |
| 甲烷 | Methane | 主要成分是CH₄的天然气,是热解反应的原料。 |
| 可扩展性 | Scalability | 技术能够从实验室规模放大到工业规模而不显著增加成本或降低效率。 |
| 石墨生产 | Graphite production | 甲烷热解产生的固体碳副产品,可用于电池或工业材料。 |
| 氢气生产 | Hydrogen production | 从甲烷中分离出氢气的化学过程,作为清洁能源载体。 |
| 热集成 | Heat integration | 通过热交换网络回收和再利用工业过程中的废热,提高整体能源效率。 |
| 自热甲烷热解 | Autothermal methane pyrolysis | 一种结合放热和吸热反应的甲烷分解技术,同时生产氢气和石墨,无需外部能源输入。 |
| ------ | ------ | ------------ |
| Spectral analysis | Spectral analysis | 通过分解光波来识别元素的技术,如彩虹颜色分析。 |
| Hubble Space Telescope | Hubble Space Telescope | 哈勃太空望远镜,用于观测系外行星的轨道设备。 |
| Lyman-alpha | Lyman-alpha | 氢原子在紫外波段的发射线,用于探测大气氦气。 |
| Photoevaporation | Photoevaporation | 光辐射导致大气加热和逃逸的过程,如阳光加热气球。 |
| Jeans escape | Jeans escape | 热能导致大气粒子逃逸的机制,像热水壶蒸汽蒸发。 |
| Exosphere | Exosphere | 大气层最外层,粒子稀疏且易逃逸,类似“太空边界”。 |
| Radial velocity | Radial velocity | 天体沿视线方向的运动速度,通过光谱线偏移测量。 |
| Transit method | Transit method | 通过行星遮挡恒星光来检测行星的方法,类似日食观测。 |
| Atmospheric loss | Atmospheric loss | 大气层物质流失的现象,如气体分子逃逸到太空。 |
| Magnetic field | Magnetic field | 磁力作用的空间区域,像地球磁场一样保护大气层。 |
| Stellar wind | Stellar wind | 恒星释放的带电粒子流,像太阳风一样吹向行星。 |
| Spectroscopy | Spectroscopy | 通过分析光波波长和强度来研究物质成分的技术,如棱镜分光。 |
| Rocky planet | Rocky planet | 类似地球的固态行星,主要由岩石和金属构成。 |
| Habitable zone | Habitable zone | 恒星周围区域,行星表面温度适中,可能存在液态水。 |
| Helium escape | Helium escape | 氦原子从行星大气层流失到太空的过程,类似气球漏气。 |
| Atmosphere | Atmosphere | 行星周围的气体层,包含多种元素如氮、氧和氦。 |
| Exoplanet | Exoplanet | 太阳系外围绕其他恒星运行的行星,如地球的“兄弟星球”。 |
| ------ | ------ | ------------ |
| 时空结构光场调制 | Spatiotemporal structured light field modulation | 通过控制光场的时间和空间结构,调控等离子体动力学。 |
| 等离子体物理 | Plasma physics | 研究电离气体行为的学科,涉及激光与等离子体相互作用。 |
| 激光设施 | Laser facilities | 产生高强度激光的设备,如超短脉冲激光系统。 |
| 固体箔片 | Solid foils | 实验中使用的靶材,如金属箔,用于产生等离子体。 |
| 持续时间 | Duration | 脉冲的长度,这里约500阿秒,用于超快过程研究。 |
| 平均线性偏振 | Average linear polarization | 伽马射线束的偏振程度平均值,>60%表示高度偏振。 |
| 亮度 | Brilliance | 光束的品质因子,结合亮度和准直度,衡量光束质量。 |
| 峰值强度 | Peak intensity | 激光脉冲的最大功率密度,决定粒子加速效率。 |
| 非线性康普顿散射 | Nonlinear Compton scattering | 高能电子与光子作用,通过多光子过程产生更高能光子。 |
| 迎头碰撞 | Head-on collision | 电子束与反射激光脉冲正面相撞,用于产生高能光子。 |
| 电子束 | Electron bunch | 一群紧密聚集的电子,具有高密度和短持续时间。 |
| 时空奇点 | Spatiotemporal singularity | STOV脉冲中能量高度集中的点,电子被加速的关键区域。 |
| 相对论强度 | Relativistic-intensity | 激光强度极高(>10^{21} W/cm²),使电子速度接近光速。 |
| 粒子-在-细胞模拟 | Particle-in-cell | 数值模拟方法,跟踪带电粒子在电磁场中的运动轨迹。 |
| 线性偏振 | Linearly polarized | 电场方向固定的偏振状态,如水平或垂直方向。 |
| 时空光学涡旋 | STOV | 具有螺旋相位结构的激光脉冲,在时间和空间上形成涡旋。 |
| 束捕获 | Beam trapping | 在等离子体中通过电磁场约束电子束的过程,防止其逃逸。 |
| 伽马射线 | $γ$-ray | 高能光子,波长极短(<0.01 nm),能量超过100 keV。 |
| 偏振 | Polarized | 电磁波的电场方向特性,这里指线性偏振状态。 |
| 准直 | Collimated | 光束或粒子束保持平行传播的状态,减少发散角。 |
| 阿秒 | Attosecond | 时间单位,$10$秒,用于描述极短脉冲的持续时间。 |
| ------ | ------ | ------------ |
| 梯度缩放 | Gradient Scaling | 平衡不同损失函数梯度的训练技巧 |
| 令牌序列化 | Token Serialization | 将多模态数据转换为模型可处理的文本格式 |
| 零认知状态 | Null Cognition State | 无可用历史信息时的默认认知表示 |
| 预训练上下文引擎 | Pretrained Context Engine | 利用预训练模型原生上下文窗口作为记忆的方案 |
| 载体状态 | Carrier State | 存储认知信息的可训练向量表示 |
| 示例条件控制 | Demonstration-Conditioned Control | 通过观察人类示范视频学习任务的方法 |
| 记忆依赖控制 | Memory-Dependent Control | 需要调用历史信息才能完成的复杂任务控制 |
| 异步调度 | Asynchronous Schedule | 双系统独立运行并按需同步的时序管理机制 |
| 接地监督 | Grounding Supervision | 将语言模型输出与物理世界坐标/动作关联的训练技术 |
| 流匹配 | Flow Matching | 通过预测动作轨迹而非离散动作实现的连续控制方法 |
| 本体感觉 | Proprioception | 机器人感知自身关节位置、速度等内部状态的能力 |
| 认知令牌 | Cognition Token | 压缩历史信息的向量表示,携带时间戳和状态摘要 |
| 因果上下文 | Causal Context | 按时间顺序累积的不可篡改历史信息流 |
| 双系统架构 | Dual-System Architecture | 分离"慢思考"(System 2)和"快动作"(System 1)的分层控制结构 |
| 情境引擎 | Episode Context Engine | 存储并处理机器人历史事件和示范的动态记忆系统 |
| 视觉-语言-动作模型 | Vision-Language-Action (VLA) | 整合视觉感知、语言理解和动作生成的机器人控制模型 |
| 多模态大语言模型 | Multimodal Large Language Model (MLLM) | 能同时处理视觉、语言、动作等跨模态信息的预训练大模型 |
| ------ | ------ | ------------ |
| Token efficiency | Token efficiency | 代币使用效率,衡量智能体框架在推理时的计算资源消耗。 |
| Evolution | Evolution | 框架在线改进机制,通过比较候选框架与存档前沿推动性能提升。 |
| Repair | Repair | 修复无效框架的过程,通过结构化修订恢复协议合规性。 |
| Protocol | Protocol | 框架模块的接口和执行语义,确保生成的框架可执行且兼容。 |
| HarnessFactory | HarnessFactory | 统一框架代码库,实现13种代表性智能体架构的模块化设计。 |
| Static inference | Static inference | 静态推理模式,不保留经验,并行生成多个候选框架。 |
| Streaming inference | Streaming inference | 流式推理模式,保留经验用于后续任务,支持框架在线更新。 |
| Benchmark | Benchmark | 评估智能体性能的任务集,如DeepSearchQA或OdysseyBench。 |
| Backbone model | Backbone model | 基础语言模型(如GLM-5.2),被智能体框架包装执行推理。 |
| Evo-GDPO | Evolutionary Group-Decoupled Policy Optimization | 进化组解耦策略优化算法,分离奖励、延迟和成本的优化目标。 |
| Stage III | Evolution stage | 通过Evo-GDPO在线进化框架,持续优化奖励、延迟和成本。 |
| Stage II | Repair stage | 从执行失败中学习修复,将编译错误或运行时异常转化为监督信号。 |
| Stage I | Customization stage | 学习任务条件化定制框架,从教师生成的示例中学习适配性。 |
| Capability orchestration | Capability orchestration | 协调外部工具、API或技能,根据任务需求激活相关能力。 |
| Action module | Action | 执行动作并更新控制器状态,包括工具调用或终端输出。 |
| Planning module | Planning | 形成和修订子目标,指导智能体的决策方向。 |
| Memory module | Memory | 管理历史上下文和会话经验,形成对过去交互的压缩视图。 |
| Agent intelligence | Harness intelligence | 构建和优化智能体操作框架的能力,包括适应性、可靠性和进化性。 |
| JIT (Just-in-Time) | Just-in-time harness evolution | 即时生成任务特定的智能体框架,而非预编译通用框架。 |
| Harness | Agent harness | 智能体的操作框架,决定历史保留、规划策略、行动协议和工具编排。 |
| ------ | ------ | ------------ |
| 电子迁移率 | Electron mobility | 电子在材料中移动的难易程度,影响器件响应速度。 |
| 原子层沉积 | Atomic layer deposition | 精确控制原子层厚度的薄膜生长技术,用于界面优化。 |
| 可扩展性 | Scalability | 技术应用于大规模生产的能力,如集成电路制造。 |
| 器件性能 | Device performance | 器件如晶体管的效率、速度、稳定性等综合指标。 |
| 掺杂 | Doping | 加入杂质原子(如硼、磷)改变半导体导电类型和浓度。 |
| 功函数 | Work function | 从材料表面移出电子所需的最小能量,影响界面能带对齐。 |
| 费米能级 | Fermi level | 电子占据的最高能级,决定材料导电类型(n型/p型)。 |
| 肖特基势垒 | Schottky barrier | 金属-半导体界面形成的势垒,控制电流单向流动。 |
| 外延生长 | Epitaxial growth | 在基底上生长晶体,原子排列与基底匹配,形成高质量界面。 |
| 热蒸发 | Thermal evaporation | 加热材料使其蒸发,并在基底上沉积薄膜的技术。 |
| 电学性质 | Electrical properties | 材料导电、电阻等特性,如载流子迁移率。 |
| 晶体质量 | Crystal quality | 材料的完美度,高晶体质量减少电子散射,提升性能。 |
| 界面 | Interface | 两种材料接触的边界,其性质决定器件整体性能。 |
| 接触电阻 | Contact resistance | 金属-半导体界面处的电阻,影响器件效率和速度。 |
| 过渡金属二硫属化物 | TMDs | 如MoS₂、WSe₂,具有半导体特性,用于晶体管和光电器件。 |
| 范德华材料 | van der Waals materials | 原子间通过弱范德华力结合的材料(如石墨烯、TMDs),层间可滑动。 |
| 直接蒸发 | Direct evaporation | 通过加热金属源,使其蒸气直接在二维材料表面沉积形成单晶的方法。 |
| 金属接触 | Metal contacts | 金属与半导体形成的界面,用于电学连接和信号传输。 |
| 单晶 | Single-crystal | 原子排列高度有序、无缺陷的晶体结构,确保材料性能稳定。 |
| 二维半导体 | 2D semiconductors | 厚度仅几个原子层(如单层)的半导体材料,如MoS₂,具有独特电学性质。 |
| ------ | ------ | ------------ |
| 光子能量 | Photon energy | 单个光子携带的能量($E = h\nu$) |
| 靶材 | Target material | 被激光电离产生等离子体的固体或气体介质 |
| 等离子体密度梯度 | Plasma density gradient | 等离子体密度随空间位置的变化率 |
| 能量转换效率 | Energy conversion efficiency | 输出光子能量与输入激光能量的比值 |
| 自生磁场 | Self-generated magnetic field | 激光驱动电流在等离子体中感应出的环形磁场 |
| 等离子体透镜 | Plasma lens | 利用等离子体密度梯度聚焦带电粒子的装置 |
| 相对论效应 | Relativistic effects | 当电子速度接近光速时出现的经典力学失效现象 |
| 阿秒脉冲 | Attosecond pulse | 持续时间达阿秒量级(10⁻¹⁸秒)的超短光脉冲,用于观测电子运动 |
| 相位匹配 | Phase matching | 在非线性过程中保持不同频率光波相位一致,以提高转换效率 |
| 高次谐波产生 | High-order harmonic generation (HHG) | 强激光使原子/离子电子经历多次跃迁,产生远超激光频率的光子 |
| 激光等离子体相互作用 | Laser-plasma interaction | 超强激光与电离气体之间的能量与动量交换过程 |
| 等离子体频率 | Plasma frequency | 等离子体集体振荡的特征频率($\omega_p = \sqrt{\frac{n_e e^2}{\epsilon_0 m_e}}$) |
| 临界密度 | Critical density | 等离子体中能完全反射入射光的电子密度阈值($n_c = \frac{\epsilon_0 m_e \omega^2}{e^2}$) |
| 伽马射线 | Gamma-ray | 波长极短(<0.01nm)的高能光子,由电子在强场中加速产生 |
| 自聚焦 | Self-focusing | 强激光在等离子体中自发形成的会聚效应,类似光通过凸透镜 |
| 等离子体镜 | Plasma mirror | 高强度激光照射固体靶时形成的超薄等离子体层,能反射后续激光脉冲 |
| ------ | ------ | ------------ |
| 激子 | Exciton | 由电子和空穴通过库仑力束缚形成的准粒子,是发光的基本单元 |
| 掺杂 | Doping | 在纯半导体中掺入少量杂质原子以改变其电学性质的过程 |
| 载流子 | Charge carrier | 半导体中可自由移动的电子和空穴,是电荷载流子 |
| 能带隙 | Bandgap | 半导体中价带顶到导带底的能量差,决定LED发光波长 |
| 色纯度 | Color purity | 发光波长接近单色光的程度,数值越高颜色越纯 |
| 亮度 | Luminance | 单位面积上发出的光通量,单位通常为cd/m² |
| 老化测试 | Aging test | 在加速条件下测试器件性能随时间衰减的实验方法 |
| 封装 | Encapsulation | 保护LED免受环境因素(如氧气、水分)影响的保护层 |
| 晶界 | Grain boundary | 多晶材料中不同晶粒之间的界面,是缺陷和杂质的主要聚集区域 |
| 缺陷密度 | Defect density | 材料中缺陷的数量,缺陷越多非辐射复合概率越高 |
| 非辐射复合 | Non-radiative recombination | 电子与空穴结合时以热能等其他形式释放能量的过程,降低发光效率 |
| 辐射复合 | Radiative recombination | 电子与空穴结合时释放光子的过程,是LED发光的理想机制 |
| 工作寿命 | Operational lifetime | LED在特定亮度下能持续工作的时间,通常以小时为单位 |
| 外量子效率 | External quantum efficiency (EQE) | LED输出的光子数与输入的电子数之比,衡量电能转化为光能的效率 |
| 无铅 | Lead-free | 不含铅元素的环保型材料,避免传统含铅钙钛矿的环境毒性问题 |
| 发光二极管 | Light-emitting diode (LED) | 将电能直接转换为光能的半导体器件,通过电子-空穴复合发光 |
| 钙钛矿 | Perovskite | 具有特定晶体结构的材料家族,因其优异的光电性能在LED中备受关注 |
| ------ | ------ | ------------ |
| 多模态成像 | Multimodal Imaging | 同时获取多种信息(如光谱+空间+偏振),类似“用不同滤镜拍同一物体”,更全面描述物体特性 |
| 光谱重建算法 | Spectral Reconstruction Algorithm | 从原始数据恢复光谱分布的数学方法,类似“用模糊照片还原高清色彩”,核心是优化数据与物理模型的匹配 |
| 硅基光电子学 | Silicon Photonics | 用硅材料(半导体工业基础)制造光学元件,像“给芯片装上‘光路’”,降低成本并兼容现有电子工艺 |
| 信噪比 | Signal-to-Noise Ratio (SNR) | 有用信号与噪声的比值,SNR=10时信号是噪声的10倍,数值越高成像质量越好 |
| 积分时间 | Integration Time | 探测器收集光信号的时间,时间越长越能捕捉暗处细节,但会降低帧率(像拍照“快门速度”) |
| 动态范围 | Dynamic Range | 能同时记录最亮和最暗部分的能力,类似手机摄像头“逆光拍摄不糊脸”的性能指标 |
| 探测器噪声 | Detector Noise | 电路或材料产生的随机电信号干扰,类似拍照时的“雪花点”,噪声越低图像越干净 |
| 空间分辨率 | Spatial Resolution | 区分物体细节的能力,比如能否看清0.1mm的线条,分辨率越高图像越清晰 |
| 光谱分辨率 | Spectral Resolution | 区分相邻两个波长的能力,比如能否分开波长差1nm的红光和橙光,分辨率越高越能识别“颜色细节” |
| 光场成像 | Light Field Imaging | 记录光线的方向和强度,类似“同时看清物体和它周围的光线分布”,帮助重建3D光谱信息 |
| 压缩感知 | Compressive Sensing | 用远少于传统方式的数据重建图像,像拼图只给30%碎片也能猜出全图,依赖算法挖掘数据“冗余性” |
| 衍射光学超表面 | Diffractive Optical Metasurface | 用纳米结构“雕刻”光波路径,类似用特殊形状的棱片让光按预定路线“拐弯”,实现光谱分离 |
| 视频速率 | Video-Rate | 每秒至少30帧的实时成像,像普通摄像头一样流畅拍摄,而非传统光谱仪的“秒级慢拍” |
| 计算成像 | Computational Imaging | 用算法替代部分光学元件,类似“用数学拼图补全缺失图像”,减少对复杂透镜的依赖 |
| 片上系统 | System-on-Chip (SoC) | 将光谱探测、信号处理、控制电路等集成在单一芯片上,像把相机“大脑”和“感光元件”压缩到指甲盖大小 |
| 高光谱成像 | Hyperspectral Imaging | 捕捉物体在不同波长下的“颜色指纹”,比普通RGB多上百种光谱通道,类似用棱镜把阳光分成彩虹再对每个色拍照 |
| ------ | ------ | ------------ |