顧律掛斷了西蒙的視頻電話。
關於去波恩大學當訪問學者這件事,顧律因爲時間的緣故只能是推脫掉。
這倒是讓盧卡斯教授的如意算盤有些打空。
不過
顧律向西蒙許諾,等他再次復出數學界的時候,倒是可以去德國那邊待上一段時間。
西蒙聽到顧律這樣說後很高興。
不知道是因爲他可以再次見到顧律,還是因爲顧律肯願意來他們大學。
結束了和西蒙的視頻通話後,顧律便翻閱起放在書桌上的那摞實驗數據。
實驗數據資料總共有十一份。
囊括了郭院士團隊在該課題上總共進行的十一次實驗操作。
十一次實驗,全部以失敗告終。
並且十一次還全部是那種徹徹底底的失敗。
顧律簡單了翻閱了一下手中的實驗數據資料。
從這厚厚一摞的資料中,可以明顯的看出,這十一次的實驗是完全沒有具有方向性的。
實驗參數的變化沒有固定的規律可循。
就像是個無頭蒼蠅一樣,在沒有目的性的亂轉。
完全就像是抽獎性質的實驗一樣。
隨便輸入一串實驗參數進去,然後等待開獎。
中獎的機率低的可憐。
顧律皺着眉頭全程把十一份實驗數據翻完。
怎麼說呢。
顧律可以從中借鑑到的東西很少。
因爲這些實驗不僅全是失敗的,並且每次都和想要的實驗結果相差甚遠。
所以在翻完這些數據資料後,顧律只知道了什麼不該去做,但卻不知道怎麼樣去做纔是正確的。
“唉”
嘆了口氣,顧律將厚厚一摞的數據材料放在一邊。
從這堆數據材料中,顧律完全得不出什麼有用的信息。
與其如此,還不如自己思索方案。
顧律託着下巴,怔怔的望着電腦屏幕,開始思考起來。
石墨烯內部的自旋軌道耦合與淨核自旋現象,會影響石墨烯內部可存在的量子比特數目。
而想要提高石墨烯內部可存在的量子比特數目,就必須要消除這種影響。
可是怎麼消除呢
艾亮的交給他的那十一份失敗的實驗數據材料證明,想要消除石墨烯材料內部的淨核自旋現象是個相當艱難的工作。
原因很簡單。
因爲淨核自旋是石墨烯原子核的的重要性質之一。
原子核由質子和中子組成,質子和中子都有確定的自旋角動量,它們在覈內還有軌道運動,相應地有軌道角動量。
所以這些角動量的總和就是原子核的自旋角動量,反映了原子核的內稟特性。
一旦消除了原子核的淨核自旋現場,顯然就意味着會消除石墨烯原子的特性。
石墨烯作爲半導體材料優良的導電性將不復存在。
這種撿了芝麻丟西瓜的事,顯然不是改良石墨烯半導體材料性能的初衷。
但是
淨核自旋現象的的確確會影響石墨烯半導體可容納的量子比特數目。
這就變成了一個很矛盾的問題。
消除淨核自旋現象吧,石墨烯半導體的優良導電性將不復存在。
但不消除的話,可容納的量子比特數目又被死死的限制住。
那就是不完全消除石墨烯內部原子核的淨核自旋現場,僅消除其中的一部分。
這讓既保證了石墨烯自身的優良導電性,有增加了可容納量子比特的數目。
但理想很豐滿,現實很骨感。
顧律面前的這十一份失敗的實驗記錄便是證據。
這個方案雖然在理論上可行。
但難就難在,需要在這兩者之間找到一個恰到好處的平衡點。
究竟需要消除多少淨核自旋現象,才能保證在不影響導電性的情況下,增加量子比特數目。
這個量很難讓人把握。
所以導致郭院士團隊之前的十一次實驗全部以徹徹底底的失敗告終。
並且,在十一次實驗數據中,其中有七八份實驗數據得到的結果,是石墨烯半導體不僅失去了優良的導電性,並且可容納的量子比特數並沒有增加。
魚和熊掌都沒撈着。
顧律從書房的一側找出幾張草稿紙,平鋪在桌面上,用筆在草稿紙上畫出石墨烯的原子內部結構圖,然後列出幾個公式。
顧律正在試圖通過數學的語言計算出平衡點的所在。
一行行公式被顧律列在紙上。
半個小時後
顧律將面前已經塗改的不成樣子的草稿紙揉搓成一團,丟進垃圾桶裏。
接着顧律整個人靠在椅背上。
不行,完全不行
顧律的嘗試是以失敗告終。
因爲他發現通過數學語言的公式推導計算,完全得不出平衡點的具體所在。
起碼現在是不行。
原因是在於可供參考的實驗數據實在是太少。
在極少實驗數據的支撐下,顧律完全連一個普適性的公式都推導不出來。
這種情況下,更不用說去求解平衡點的所在。
艾亮交給他的十一份實驗數據雖然挺多,但大部分是無用數據,可用的數據和參數實在是太少。
導致顧律的公式推導完全進行不下去。
顧律開始嘗試另一種辦法。
那就是建立數學模型。
打開b,顧律敲擊代碼,代入參數,很快就構建好一個基礎的數學模型。
接着顧律點擊運行。
運行的結果同樣沒有讓顧律滿意。
原因還是因爲可用數據太少。
“看來,還是需要多次的實驗纔可以啊”顧律用手摩挲着下巴,輕聲開口道。
可是
顧律又意識到一個問題。
要真的通過採取多次實驗得到有效數據的這種方式,那不和郭院士團隊曾經採用過的方法一模一樣了嗎。
但進行這樣的一次實驗,不僅需要耗費大量的時間,並且無法保證每次實驗得到的數據都是有效的。
因爲那個平衡點所在的位置在一個相當大的範圍內。
極有可能出現的情況是,五次實驗下來,可能就只能得到一組有效的數據。
這樣的效率太過於低下。
並且,按照顧律的估計,想要搭建一個完整的數學模型,起碼是需要近五十組有效的實驗數據。
這工作量
實在是有些太大了