2026年10月2日版

两颗中子星合并时，会在一次名为千新星的闪光中锻造出重元素。我们的银河系中应该只存在少数几个这类爆发的遗迹，但迄今从未发现过一个。

来自北京和圣母大学的一个团队研究了HESS J1507−622。这个伽马射线源离银河系盘面远得出奇。无论是脉冲星、壳层结构还是X射线辉光，都无法解释它。

他们的模型把它拟合为一个年龄在200至3000年之间的千新星遗迹，更倾向于不到1000年，距离为3.8至14.3千秒差距。当年的爆发亮度可能堪比最亮的行星。

那么，为什么没有任何历史记载？它在几天内就暗了下去，而且位置非常偏南。未来的MeV望远镜或一次暗弱的光回波，可能会让真相水落石出。

来源：HESS J1507-622: A Plausible Young Galactic Kilonova Remnant, https://arxiv.org/abs/2609.38341

有些星系可能拥有大量气体，却几乎没有恒星。普通光学望远镜几乎看不见它们，只有其中氢气发出的射电波才可能暴露它们的存在。

一个澳大利亚团队交叉比对了两项大型射电巡天：阿雷西博的巡天和中国FAST的巡天。有一个源——AGC 322753——同时出现在两者之中。速度相同，谱线形状相同：这不是干扰造成的假象。

它的信号呈现双峰，这是旋转盘的标志。它含有约20亿个太阳质量的氢。然而，深度光学图像在那里什么也没有拍到。

它的恒星质量最多相当于5000万个太阳，因此气体与恒星的质量比至少为40比1。对于一个完全没有恒星的星系来说，这些气体太多了。更深的成像应能揭示它到底有多“暗”。

来源：AGC 322753: a Dark Galaxy Candidate detected by ALFALFA and FASHI, https://arxiv.org/abs/2609.39152

超固体像晶体一样有序，却又能像超流体那样无摩擦地流动。原子版本的超固体只出现在比绝对零度高十亿分之几度的温度下。

香港大学的一个团队使用了极化激元——一半是光，一半是物质。他们把一层钙钛矿薄膜放在带有纳米图案的氮化硅芯片上，然后用激光脉冲照射。

在室温下，越过第一个阈值后形成了凝聚体；越过第二个阈值后，凝聚体分裂成规则的图案，周期为3.33微米。而芯片底层图案的周期只有290纳米。

来自两侧的光保持同步：关联值为1.0121，非常接近1。晶体有序加上量子相干：作者称，这就是超固体。它还可能在芯片上产生压缩光。

来源：Room-temperature polariton supersolids, https://arxiv.org/abs/2609.40009

自史前时代起，画家就开始使用类似画笔的工具。如今的画笔大小不一，用于艺术创作、美甲或粉刷墙壁。它们的形状仅仅是出于习惯吗？

一个来自奥赛、雷恩、巴黎、波尔多和帕莱索的团队测量了约200支画笔。笔毛长度与宽度呈幂律关系，而这一关系只由笔尖形状决定。锥形、圆形或平头：对应三个指数。

把画笔压在纸上时，尺寸相差悬殊的画笔表现出几乎相同的刚度。但如果把一支画笔剪短，它的刚度就会大幅变化。商业画笔的比例恰好让刚度保持不变。

对于圆头画笔，笔迹的大小随画笔按压的深度而增大。因此，画家或绘画机器人只需控制力度就能控制笔触。手边任何一支圆头画笔都可以。

来源：The hidden side of paintbrushes: a geometry shaped by power laws, https://arxiv.org/abs/2609.39410

给一个网络的每个点和每条线着色，相邻元素之间不能撞色。数学家曾猜想：为每个元素指定专属的颜色列表，永远不会多用一种颜色。这一想法可追溯到20世纪90年代末。

2026年9月24日，数学家Jonathan Noel请ChatGPT 6 Astra Ultra推翻这一猜想。这个人工智能给出了一个反例。Noel核查了证明并重新撰写。

这个网络有20个点，每个点连着三条线。四种颜色就足以给它着色。但如果为每个元素精心挑选各含四种颜色的列表，着色就变得不可能。

整篇论文只有六页，证明可以手工验证。这个猜想是错误的。一个新问题随之而来：专属列表是否可能多用不止一种颜色？

来源：The List Total Colouring Conjecture is False, https://arxiv.org/abs/2609.38417

能否沿着单向箭头把网络中的每个点恰好访问一次，再回到出发点？这是一个经典的难题。自1962年以来，对于n个点，最好的方法大约需要2ⁿ步。

东京大学和CyberAgent公司的两位东京研究人员突破了这一界限。他们的随机算法大约只需1.9133ⁿ步。这是针对一般单向网络的首次此类改进。

诀窍在于：随机删除和复制箭头，再把副本分成若干组；然后在每个总权重下，对解的数目做模2计数。计数为奇数，就证明存在一条环游路线。

作者表示，主要证明是由ChatGPT 6 Astra生成的，他们对其进行了核查和修改。对于双向网络，纪录仍远低于此，为1.657ⁿ。

来源：Breaking the 2^n barrier for directed hamiltonicity, https://arxiv.org/abs/2609.39062

我们如今已经拥有果蝇神经索的完整连线图谱，精确到每一个突触。基于这些图谱的模拟能产生类似腿部运动的节律。但精确的连线真的重要吗？

一个由香港牵头的团队模拟了两份相互独立的果蝇图谱中的腿部神经回路。他们把每份图谱与30个保留了相同总体统计特征的打乱版本进行比较，评判标准事先就已确定。

结果发现，节律是普遍存在的：许多打乱后的网络振荡得甚至更好。然而，只有真实的连线才能让相互拮抗的肌肉群清晰地轮流工作。它的得分为0.31，而打乱网络最高只有0.14。

秘密在于一条一个多世纪前就已提出的规则：兴奋某块肌肉的神经元，会抑制与之对抗的肌肉。两份图谱都具备这一特征，而没有任何打乱的网络具备。把输入在相互拮抗的肌肉之间调换，协调性便消失了。

来源：How much of fly walking is written in the wiring?, https://arxiv.org/abs/2609.38665

在非洲和太平洋的地下深处，有两个巨大的区域会让地震波减速。它们从地核向上隆起超过1000千米。其成因尚有争议，而一种名为戴维毛矿的矿物可能在其中扮演角色。

但理论预测的戴维毛矿比实验室测量值硬约30%。这一差距已持续了数十年。来自武汉、拜罗伊特和密歇根的一个团队模拟了数百万个原子，以找出原因。

实验室样品中布满了微小的晶粒。它们无序的边缘在常规X射线下无法看见。仅5.8%的无序就使这种矿物的剪切刚度降低了37%，足以弥合这一差距。

应用到地球深部，这给出了一个下限：戴维毛矿晶粒的宽度必须至少约为100纳米。这与表明这些巨大区域晶粒粗大、存在已久的迹象相符。

来源：Elasticity of polycrystalline davemaoite constrains its grain size in the lower mantle, https://arxiv.org/abs/2609.39423

人工耳蜗把电脉冲直接送往听神经。不同人的使用效果差异极大：有人能很好地听懂言语，有人却几乎听不懂。

范德堡大学等机构的一个团队，为每位患者植入人工耳蜗的耳朵构建了数字孪生。它只使用扫描影像和植入体自身完成的测量，用来估算还有多少神经纤维保持健康。

在该研究的患者中，这一神经健康评分与安静和嘈杂环境下的言语理解能力同步变化，相关系数约为0.75至0.78。它解释了患者之间50%至60%的差异。

随后，研究人员为六名患者关闭了神经看起来最弱处的几个电极。他们的单词得分平均提高了10分，并且所有人都保留了新设置。一项正式的临床试验正在筹划中。

来源：Estimates of neural health using cochlear implant digital twins correlate with speech recognition, https://arxiv.org/abs/2609.38634

氨分子是一个微小的金字塔。它的氮原子可以穿过三个氢原子所在的平面，使分子翻转，就像被风吹翻的雨伞。在液体中，这种翻转究竟有多重要？

来自首尔和水原的一个团队，用机器学习力场模拟了512个氨分子。他们在170至250开尔文之间，对比了经典原子与量子原子核两种情形。

量子原子核把翻转的能垒从0.272电子伏特降低到0.213电子伏特。每次翻转都会短暂打断氢键，并松动其周围一层相邻分子。

在温度较高的液体中，这几乎不影响扩散。而在约210开尔文以下，随着每个分子被邻居困住，量子翻转帮助它逃脱。在170开尔文时，扩散速度提高了18%。

来源：Nuclear quantum effects enhance diffusion in supercooled ammonia through accelerated pyramidal inversion, https://arxiv.org/abs/2609.38688

语言模型主要从网络文本中学习。但如今，这些文本中由其他人工智能写成的比例越来越高。2026年6月，经过筛选的网络词元中有27.5%由人工智能写成；到8月，这一比例达到31.1%。

来自马里兰大学和Pangram Labs公司的一个团队训练了800个小型语言模型。他们在固定的人类文本中掺入不同数量的人工智能文本。

人工智能文本只对数据匮乏的模型有帮助。一旦超过每个参数约20个词元的常规预算，加入人工智能文本反而会增加模型在人类文本上的误差。而新的人类文本则始终有帮助。

按2026年8月的水平，不加筛选将多耗费1.6倍的算力。混合测试集在95.5%的有害训练中掩盖了损害。本研究所用的检测器由Pangram出售，这一利益冲突值得留意。

来源：How Much Is an AI Token Worth? Scaling Laws for Wild AI-Generated Web Text, https://arxiv.org/abs/2609.40295