Naukowcy potwierdzili rekordowe wibracje. Te nanostruny deklasują konkurencję

Połączone siły naukowców z Holandii i Stanów Zjednoczonych doprowadziły do powstania tzw. rezonatorów strunowych wykazujących niesamowitą zdolność do wibracji. Zmierzone wyniki są tak świetne, że zostawiają dotychczasowe rozwiązania daleko w tyle.
Naukowcy potwierdzili rekordowe wibracje. Te nanostruny deklasują konkurencję

W skład zespołu badawczego weszli przedstawiciele Uniwersytetu Technicznego w Delft oraz Uniwersytetu Browna. Ich celem było osiągnięcie stopnia wibracji wykazywanego przez półprzewodniki w temperaturach bliskich zera absolutnego. Różnica polegała na tym, że zamierzali tego dokonać w temperaturze pokojowej. O tym, jak poradzili sobie z tym wyzwaniem piszą teraz na łamach Nature Communications

Czytaj też: W tym materiale elektrony płyną jak ciecz. Teraz fizycy dostrzegli w nim wiry elektronowe

W przyszłości ich dokonania powinny zaowocować projektowaniem bardzo wydajnych czujników mechanicznych. Zanim jednak przejdziemy do potencjalnych zastosowań, warto wyjaśnić, jak dokładnie przebiegały prowadzone eksperymenty. Ich autorzy porównują swoje nanostruny do huśtawki, która zostaje raz wprawiona w ruch i może kołysać się przez niemal sto lat. 

Nanostruny zaprojektowane przez naukowców z Holandii i Stanów Zjednoczonych mogą wibrować z częstotliwością nawet 100 000 razy na sekundę

W przypadku wspomnianych nanostrun wibracje zachodzą w tempie aż 100 000 razy na sekundę. Taka właściwość powinna odegrać istotną rolę w badaniach poświęconych makroskopowym zjawiskom kwantowym w temperaturze pokojowej. Do tej pory było to bardzo trudne ze względu na wpływ zewnętrznych zakłóceń. Co więcej, zdolność nanostrun do izolowania się od ciepła oparta na szumie wibracyjnym pozwala wykrywać ich własne sygnatury kwantowe.

Czytaj też: Nowa cząstka elementarna odkryta przez fizyków. Jest piękna, powabna i nie tylko

W obecnej formie te elementy mają 3 centymetry długości i 70 nanometrów grubości. W czasie ich projektowania naukowcy wykorzystali algorytmy uczenia maszynowego tak, aby wyciągały one wnioski z prostszych eksperymentów z udziałem krótszych strun. Dzięki temu tworzenie dłuższych odpowiedników przebiegało szybciej i w wydajniejszy sposób, nie wspominając o ograniczeniu kosztów.