英国阿斯顿大学土木工程学院与电子元件开发商脉冲电力测量公司(Pulse Power & Measurement)正在合作探索光纤技术在射频通信领域的新应用,旨在开发商业化原型产品,助力英国在先进通信技术领域保持领导地位。
这项为期三年的知识转移合作项目(KTP)致力于进一步开发射频-光纤(radio-over-fibre)技术。该技术的核心原理是将模拟射频信号转换为光信号,通过光纤传输,然后在接收端重新转换为射频信号。相比传统同轴电缆通过电脉冲传输射频信号的方式,这种技术能够显著提升通信服务的传输距离,并克服传统电缆的信号损耗问题。
传统同轴电缆在长距离传输中容易出现音频和视频质量下降,甚至完全信号中断的问题。而射频-光纤技术可以应用于任何射频信号,目前已在卫星通信、数据中心和媒体广播等领域得到应用。在一级方程式等现场体育赛事中,广播公司和赛队使用射频-光纤技术在赛道各处的广播和无线电设备之间建立超快速、超稳定的连接。
这是阿斯顿大学首次将其射频-光纤研究成果转化为商业应用。该项目将开发一种全新且更具成本效益的原型产品,通过光纤放大和扩展射频信号。合作双方表示,这将使更多行业受益于"超快速、可靠的通信"技术,同时有助于巩固英国在先进通信技术领域的领导地位。
该项目由英国创新局资助。英国创新局是英国科学、创新和技术部赞助的非部门公共机构,负责资助和支持各类组织开发新产品和服务。知识转移合作项目是企业、大学和高素质研究员之间的三方合作形式。
这个全英国范围的计划旨在通过更好地利用知识、技术和技能,帮助企业提高竞争力和生产力。阿斯顿大学是该领域的领先提供者,在项目质量方面排名第一,在活跃项目数量方面并列第一。
这项射频-光纤项目是位于斯温顿的脉冲电力测量公司与阿斯顿大学的第二个知识转移合作项目。该项目将公司工程师与阿斯顿光子技术研究所的专家团队联合起来。阿斯顿光子技术研究所是英国最大的光子学研究中心之一,其研究人员致力于开发新型医用激光器和支撑互联网及数字经济的高速通信技术。2024年,该研究所参与的一项合作据称打破了商用光纤数据传输速度记录。
阿斯顿光子技术研究所研究员谭明明表示:"我们正在将光子通信领域的研究优势应用于实践,为新行业采用射频-光纤技术打开大门。我们将把最新研究成果转化为可实际应用的商业原型,提供通过光纤放大和远距离传输射频通信的新方法。"
脉冲电力测量公司技术总监丹·布罗姆利补充道:"我们与阿斯顿大学建立了宝贵的合作关系,他们拥有完善的流程,使这样的合作对我们这样的公司来说运行顺畅。这个最新项目为我们提供了一个专门的空间,专注于射频通信的长期创新,让我们的团队能够基于阿斯顿大学的学术专业知识开发光纤的新应用。"
Q&A
Q1:射频-光纤技术是什么?有什么优势?
A:射频-光纤技术是将模拟射频信号转换为光信号,通过光纤传输后再转换回射频信号的技术。相比传统同轴电缆,它能显著提升传输距离,克服信号损耗问题,避免长距离传输中的音频视频质量下降和信号中断。
Q2:射频-光纤技术目前在哪些领域有应用?
A:该技术目前已在卫星通信、数据中心和媒体广播等领域得到应用。在现场体育赛事如一级方程式比赛中,广播公司和赛队使用这项技术在赛道各处建立超快速、超稳定的连接。
Q3:这次英国合作项目的目标是什么?
A:这是为期三年的知识转移合作项目,旨在开发更具成本效益的射频-光纤商业化原型产品,让更多行业受益于超快速可靠通信技术,并帮助英国在先进通信技术领域保持领导地位。
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。