大发平台返点 - 大发平台攻略

星系：黑洞你不讲武德！******

　　近日，一个天文学家团队

　　发现了一个独特的黑洞

　　这个黑洞正向另一个星系

　　喷出44万光年长的“口水”

　　这一消息登上热搜

　　不少网友表示疑惑

　　黑洞不是可以吞噬一切吗？

　　怎么还能“吐口水”？

　　椭圆星系中形成恒星稀少之谜

　　如果说恒星是宇宙中的居民，那么星系就是宇宙中的村落或城市。根据不同的形态，星系主要被分成三类：椭圆星系、螺旋星系和不规则星系，螺旋体有大量的冷气体和尘埃，并有光学上看起来像蓝色的旋臂。在螺旋星系中，平均每年有一颗类似太阳的恒星形成。另一方面，椭圆星系的颜色是黄色的，缺乏像旋臂那样的独特特征。

　　图源：百度百科 椭圆星系

　　图源：百度百科 螺旋星系

　　就像人口并非均匀地分布于地球表面一样，这些宇宙城市和村落也是不均匀分布的。在螺旋星系中，平均每年都会产生一颗类似太阳的恒星。但在今天看到的椭圆星系中，数十亿年来没有产生任何恒星。为何在椭圆星系中恒星的产生会如此罕见？这对科学家来说一直是一个谜。

　　“吐口水”的黑洞是“凶手”？

　　一个天文学家小组在公民科学家的帮助下发现了这个独特的黑洞，它正在向另一个星系喷射火热的喷流，看起来像是在“吐口水”，这些喷流在星系中以极高的速度进行，耗尽了未来恒星形成所需要的冷气体和尘埃。

　　图像来源：Ananda Hota博士，GMRT，CFHT，MeerKAT

　　这表明，椭圆星系中形成恒星非常稀少的罪魁祸首或许就是这些大吐口水的黑洞。

　　这个黑洞位于RAD12星系中，该星系距离地球约10亿光年。RAD12中的黑洞似乎只向一个邻近的星系喷出了射流，这个星系被命名为RAD12-B。在所有情况下，喷流都是成对喷出的，以相对论的速度向相反的方向运动。为什么只看到一个喷流来自RAD12，这对天文学家来说仍然是一个谜。

　　黑洞还能喷东西？！

　　编号Sh2-101的郁金香星云

　　图片来源及版权：Peter Kohlmann

　　这片发出微红色光芒的星云

　　俗名为郁金香星云

　　星际气体和尘埃组成了

　　红色的花瓣

　　它们受到附近年轻恒星的

　　紫外光照耀而发光

　　花朵右侧那片弯曲的小叶子

　　就是黑洞喷流冲击形成的杰作

　　事件视界望远镜解析的半人马座A星系中央黑洞的中心喷流

　　图片来源：Radboud University; CSIRO/ATNF/I.Feain et al., R.Morganti et al., N.Junkes et al.; ESO/WFI; MPIfR/ESO/APEX/A. Weiss et al.; NASA/CXC/CfA/R. Kraft et al.; TANAMI/C. Mueller et al.; EHT/M. Janssen et al.

　　黑洞因贪吃而闻名，但它们却不会将落向它们的东西全都吃掉。一小部分物质会以强烈热气体喷流的形式射出，并对周围环境造成破坏，这些热气体被称作等离子体。一路上，这种等离子体以某种方式获取足够的能量来强烈地发光，并沿着黑洞的旋转轴形成两个亮柱。科学家们一直在争论，喷流中的这一过程究竟是在哪里发生和如何发生的。

　　黑洞的喷流是与黑洞周围的气体紧密相关的。要想产生喷流，首先黑洞周围要有足够的气体，这些气体形成一个气体盘，最后如果条件合适的话，那么部分的气体会在掉入黑洞的过程中，掉入到黑洞之前，沿着黑洞的转轴方向喷射出去，形成喷流。所以说喷流只是在特定情况下产生的，在宇宙当中，只有10%左右的超大质量黑洞才会产生黑洞喷流。

　　END

　　资料来源：中国国家天文、北京天文馆、国家空间科学中心、CNBeta、新疆科技馆

　　整理：董小娴

提速近10倍！基于深度学习的全基因组选择新方法来了******

　　近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。

　　全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。

　　统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。

　　相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。

　　该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。

　　与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。

　　该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。

学术支持

中国农业科学院作物科学研究所

记者

宋雅娟

　　（文图：赵筱尘 巫邓炎）