自然语言处理研究论文好发吗
如果你的研究特别有价值，而且英文水平很高，稍微容易一点，不过SCI对大多数本科生来说还是挺难的，能发文章的都是特别优秀的本科生。
我个人觉得本科生发表SCI论文的难度可能并不是很大,因为SCI检索的期刊是真的太多太多了,比较水的期刊是真的比较容易发,而分区高点或者影响因子高点的期刊当然很难发
不好发。本科生刚开始接触科研，大多数本科生还没有建立起良好的逻辑思维能力，撰写高水平的论文难度不小。
数据科学专业的表示NLP需要的训练集太大了，也不好找。只能拿预训练模型针对特殊应用做二次开发，而且对硬件要求很高。图像/视频较NLP来说开放的训练集也好找，而且主题也很多，而且你自己编一个好实现又很实际的商用需求就比较好结题。
论文模板自然语言处理
1、根据句式造模板生成语料。
2、里面的词语可以根据词向量计算的相似词进行替换生成新的语料。
3、可以通过语料先训练一个模型，然后再跑新的数据，然后对新的数据进行审核，进行标记。
4、新加一个类别的时候可以使用句向量计算新的类别是否跟前面的类别冲突。
5、统计各个类别语料中字和词的卡方检验找到对类别影响大的词语，可以针对性的造语料进行平衡。
6、对每一个batch进行语料平衡训练（一个batch里面语料有多个类别）。
title: 自然语言处理综述 date: 2021-11-18 11:03:11 自然语言是指人类日常使用的语言，比如：中文、英语、日语等。自然语言灵活多变，是人类社会的重要组成部分，但它却不能被计算机很好地理解。为了实现用自然语言在人与计算机之间进行沟通，自然语言处理诞生了。自然语言处理(Natural Language Processing, NLP)是一个融合了语言学、计算机科学、数学等学科的领域，它不仅研究语言学，更研究如何让计算机处理这些语言。它主要分为两大方向：自然语言理解(Natural language Understanding, NLU)和自然语言生成(Natural language Generation, NLG)，前者是听读，后者是说写。 本文将从自然语言处理的历史与发展讲起，进而分析目前深度学习在自然语言处理领域的研究进展，最后讨论自然语言处理的未来发展方向。 1950年，计算机科学之父图灵提出了“图灵测试”，标志着人工智能领域的开端。而此时，正值苏美冷战，美国政府为了更方便地破译苏联相关文件，大力投入机器翻译的研究，自然语言处理从此兴起。从这之后的一段时期内，自然语言处理主要采用基于规则的方法，这种方法依赖于语言学，它通过分析词法、语法等信息，总结这些信息之间的规则，从而达到翻译的效果。这种类似于专家系统的方法，泛化性差、不便于优化，最终进展缓慢，未能达到预期效果。 到了20世纪80、90年代，互联网飞速发展，计算机硬件也有了显著提升。同时，自然语言处理引入了统计机器学习算法，基于规则的方法逐渐被基于统计的方法所取代。在这一阶段，自然语言处理取得了实质性突破，并走向了实际应用。 而从2008年左右开始，随着深度学习神经网络在图像处理、语音识别等领域取得了显著的成果，它也开始被应用到自然语言处理领域。从最开始的词嵌入、word2vec，到RNN、GRU、LSTM等神经网络模型，再到最近的注意力机制、预训练语言模型等等。伴随着深度学习的加持，自然语言处理也迎来了突飞猛进。 接下来，我将介绍自然语言处理与深度学习结合后的相关进展。 在自然语言中，词是最基本的单元。为了让计算机理解并处理自然语言，我们首先就要对词进行编码。由于自然语言中词的数量是有限的，那就可以对每个词指定一个唯一序号，比如：英文单词word的序号可以是1156。而为了方便计算，通常会将序号转换成统一的向量。简单做法是对单词序号进行one-hot编码，每个单词都对应一个长度为N（单词总数）的向量（一维数组），向量中只有该单词序号对应位置的元素值为1，其它都为0。 虽然使用one-hot编码构造词向量十分容易，但并不是一个较好的方法。主要原因是无法很好地表示词的语义，比如苹果和橘子是相似单词（都是水果），但one-hot向量就无法体现这种相似关系。 为了解决上述问题，Google的Mikolov等人于2013年发表了两篇与word2vec相关的原始论文[1][2]。word2vec将词表示成一个定长的向量，并通过上下文学习词的语义信息，使得这些向量能表达词特征、词之间关系等语义信息。word2vec包含两个模型：跳字模型（Skip-gram）[1] 和连续词袋模型（continuous bag of words，CBOW）[2]，它们的作用分别是：通过某个中心词预测上下文、通过上下文预测某个中心词。比如，有一句话"I drink apple juice"，Skip-gram模型是用apple预测其它词，CBOW模型则是用其它词预测出apple。 首先介绍CBOW模型，它是一个三层神经网络，通过上下文预测中心词。以某个训练数据"I drink apple juice"为例，可以把apple作为标签值先剔除，将"I drink juice"作为输入，apple作为待预测的中心词。 Skip-gram模型与CBOW类似，也是一个三层神经网络模型。不同在于，它是通过中心词预测上下文，即通过"apple"预测出"I drink juice"。接下来简单介绍Skip-gram模型中各层： 两种模型训练结束后，会取 作为词向量矩阵，第i行就代表词库中第i个词的词向量。词向量可用来计算词之间的相似度（词向量点乘）。比如，输入 I drink _ juice 上下文，预测出中心词为apple、orange的概率可能都很高，原因就是在 中apple和orange对应的词向量十分相似，即相似度高。词向量还可以用于机器翻译、命名实体识别、关系抽取等等。 其实这两种模型的原型在2003年就已出现[3]，而Mikolov在13年的论文中主要是简化了模型，且提出了负采样与层序softmax方法，使得训练更加高效。 词向量提出的同时，深度学习RNN框架也被应用到NLP中，并结合词向量取得了巨大成效。但是，RNN网络也存在一些问题，比如：难以并行化、难以建立长距离和层级化的依赖关系。而这些问题都在2017年发表的论文《Attention Is All You Need》[4]中得到有效解决。正是在这篇论文中，提出了Transformer模型。Transformer中抛弃了传统的复杂的CNN和RNN，整个网络结构完全由注意力机制组成。 Transformer最核心的内容是自注意力机制(Self-Attention)，它是注意力机制(Attention)的变体。注意力的作用是从大量信息中筛选出少量重要信息，并聚焦在这些信息上，比如：人在看一幅图像时，会重点关注较为吸引的部分，而忽略其它信息，这就是注意力的体现。但注意力机制会关注全局信息，即关注输入数据与输出数据以及中间产物的相关性。而自注意力机制则减少了对外部其它数据的关注，只关注输入数据本身，更擅长捕捉数据内部的相关性。 自注意力机制的算法过程如下： 自注意力机制不仅建立了输入数据中词与词之间的关系，还能并行地高效地计算出每个词的输出。 Transformer的总体架构如下： 它分为两部分：编码器（Encoder）和解码器（Decoder）。 编码器的输入是词向量加上位置编码（表明这个词是在哪个位置），再通过多头自注意力操作（Multi-Head Attention）、全连接网络（Feed Forward）两部分得到输出。其中，多头自注意力就是输入的每个词对应多组q、k、v，每组之间互不影响，最终每个词产生多个输出b值，组成一个向量。编码器是transformer的核心，它通常会有多层，前一层的输出会作为下一层的输入，最后一层的输出会作为解码器的一部分输入。 解码器包含两个不同的多头自注意力操作（Masked Multi-Head Attention和Multi-Head Attention）、全连接网络（Feed Forward）三部分。解码器会运行多次，每次只输出一个单词，直到输出完整的目标文本。已输出的部分会组合起来，作为下一次解码器的输入。其中，Masked Multi-Head Attention是将输入中未得到的部分遮掩起来，再进行多头自注意力操作。比如原有5个输入，但某次只有2个输入，那么q1和q2只会与k1、k2相乘，。 如果深度学习的应用，让NLP有了第一次飞跃。那预训练模型的出现，让NLP有了第二次的飞跃。预训练通过自监督学习（不需要标注）从大规模语料数据中学习出一个强大的语言模型，再通过微调迁移到具体任务，最终达成显著效果。 预训练模型的优势如下： 预训练模型的关键技术有三个： 关于预训练模型的架构，以Bert为例：输入是词的one-hot编码向量，乘上词向量矩阵后，再经过多层transformer中的Encoder模块，最终得到输出。 本文介绍了NLP领域的流行研究进展，其中transformer和预训练模型的出现，具有划时代的意义。但随着预训练模型越来越庞大，也将触及硬件瓶颈。另外，NLP在一些阅读理解、文本推理等任务上的表示，也差强人意。总而言之，NLP领域依旧存在着巨大的前景与挑战，仍然需要大家的长期努力。 [1]Mikolov, T., Sutskever, I., Chen, K., Corrado, G. S., & Dean, J. (2013). Distributed representations of words and phrases and their compositionality. In Advances in neural information processing systems (pp. 3111-3119). [2]Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. arXiv preprint arXiv:. [3]Yoshua Bengio, R´ejean Ducharme, Pascal Vincent, and Christian Janvin. A neural probabilistic language model. The Journal of Machine Learning Research, 3:1137–1155, 2003. [4]Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]//Advances in neural information processing systems. 2017: 5998-6008. [5]Peters M E, Neumann M, Iyyer M, et al. Deep contextualized word representations[J]. arXiv preprint arXiv:, 2018. [6]Radford A, Narasimhan K, Salimans T, et al. Improving language understanding by generative pre-training[J]. 2018. [7]Devlin J, Chang M W, Lee K, et al. Bert: Pre-training of deep bidirectional transformers for language understanding[J]. arXiv preprint arXiv:, 2018. [8]Houlsby N, Giurgiu A, Jastrzebski S, et al. Parameter-efficient transfer learning for NLP[C]//International Conference on Machine Learning. PMLR, 2019: 2790-2799.
在自然语言处理的领域内有乐观与悲观的周期性存在（我们现在大概是出于乐观期）；虽然（技术上）真的有一些进步，但是达到一个全面自然语言处理系统的目标仍然遥不可及。（这里我没有用elusive的直译，难以捉摸，因为放进中文里会很怪，没有人说目标难以捉摸。）历史上，计算机专家有时对于自然语言处理（的挑战性）过于乐观，其原因很可能就是以上提到的（周期性）。因此从一开始就清楚这个（自然语言处理）的难度的原因是很重要的。同时，了解自然语言之间的不同也是很重要的一点。相对于其他自然语言来说，更多的研究重点放在了英文上，主要是因为美国研究者（在这个领域里）的重要性，尽管日本和欧洲也有很积极的研究学者。可是，在某一方面来讲，英文不是一个具有代表性的语言：它没有音调变化，并且严重依赖单词顺序。教课书和其他英文版的（自然语言处理）启蒙书籍几乎没有包括任何有关（与英语有）不同语法结构的语言的自然语言处理的合适论述。我们可以区别起码三个完全不同的自然语言处理级别：声音语法语义每一个都可以被再分为两到三个亚级别，但这不是本文的重点。在这个简介里我想要做的是阐明在处理每个级别中会遇到的一些问题。这里有以英文为母语的南英格兰人说的三个词：输入，纳入，收入(input, intake, income)；（请大家）思考这三个词。很显然的，三个词都有相同语义的元素。输入，指的是把什么东西放进去；抽水机的纳入指的是水被抽进去的地方，你的收入指的是你赚的钱（就是进你口袋的钱）。三个词中的in元素（在指定说话人的情况下）都发一样的音吗？如果注意听的话就会发现并不是这样。Input 这个词在发音的时候听起来像是拼法是imput的词，而intake听起来就和它的拼法一样。 如果我们用N代表English 里边ng的发音，那么Income就有点iNcome的感觉。我特地点出了说话者是从南英格兰来的本土人，因为很多苏格兰人说英文的时候都没有这种习惯，就像所有其他英文母语者在慢慢地富有感情的说这三个词的时候一样，他们都会将in的发音发成和它拼法一样。有趣的是，不论在他们自己或是其他人的言语中，以英文为母语者通常都不会注意到这些差别。这不是因为他们没办法分辨m ,n ,N 这三种发音。Rum, Run, Rung这三个词就只有m, n, N这三个发音处不同而已，所有英文母语者都可以很好的区别它们。
已经有 NLP( 我们可能地是目前在比较乐观的时期中) 的领域乐观主义和悲观的周期；虽然一些非常真正的进步已经被做，但是一般的 NLP 系统的目标保持难懂。历史地, 计算机科学家时常是甚远地太结束- 乐观的有关 NLP 的事,或许为被记录在上面的一些理由。 完全地从着手是清楚的是如此重要工作为什么很困难。 它是也重要的在自然语言之间有不同。 较多的工作或许已经在英国人上被做比较在任何其他的语言上,因为美国研究员的重要主要地, 虽然有欧洲和日本的非常活跃的工人。 然而，英国人是在一些方法中一种不典型的语言,如同它使用很少的屈曲而且很重地仰赖字次序一样。 教科书和很少地以英国语写成的其他介绍的来源为和显着不同文法的结构语言包含 NLP 的适当讨论。 我们能在处理 NL 方面至少区别三清楚的 '水平': 声音文法意义每个可能被区分为二或较多的次水平,在这里不需要与我们有关。 我在这做简短的介绍要在处理每个水平方面举例说明一些问题的。 考虑这三个字, 被来自英国的南方一位自然的英国语说者讲: 输入，吸入，收入。 很清楚地 , 所有的三个字包含元素在由于相同的意义。到输入要把某物放入；水泵的吸入是水被拿的地方在;你的收入是你赚得的钱,也就是 那进来。 元素是在发音吗相同的在所有的三个字中?(藉着被叙述的说者) 小心的听将会它不是。 字输入是显着的好像 spelt imput, 然而吸入是发音如 spelt。 如果我们用英国语通常让 N 代表声音 spelt ng(举例来说 在字同类中唱或歌手), 然后收入是因为摊派的款项英国人的许多说者不这样举止；当它是 spelt 的时候 , 改为他们一致地宣告所有的三个字的第一种元素 , 所以我叙述了来自英国的南方自然的英文说者,也就是 同样地在.( 当可能之时所有的英文说者当慢慢地而且强调地的时候) 有趣地，英文的说者是通常相当不知道的这些不同,在他们自己的演讲和其它的演讲都。这是不因为他们不能够区别三声音 m, 古怪的 n 和 N. 三个字, 跑，而且脚蹬横木只在这三种声音中和相当不一致对所有的自然英文的说者是清楚的。
自然语言处理顶级期刊
转自： 原文链接： 一、信息与通信工程的重要国际学术会议 主要包含两类： A类会议：本学科最顶尖级水平的国际会议； B类会议：学术水平较高、组织工作成熟、按一定时间间隔系列性召开的国际会议。 A类会议（序号不表示优先顺序） 序号 / 英文名称 / 英文简称 / 中文名称 / 备注 1、IEEE International Conference on Acoustics, Speech and Signal Processing / ICASAP / IEEE 声学、语音和信号处理国际会议 2、IEEE International Conference on Computer Vision / ICCV / 计算机视觉IEEE国际会议 / 2007年是第11届 3、International Conference on Pattern Recognition / ICPR / 模式识别国际会议 4、IEEE International Conference on Communications / ICC / IEEE通信国际会议 5、IEEE Global Telecommunications Conference / Globecom / IEEE全球电信会议 6、IEEE International Conference on Intelligent Transportation System / ITSC / IEEE智能交通系统国际会议 7、Annual IEEE Conference on Computer Communications / IEEE INFOCOM / IEEE计算机通信会议 8、IEEE Radar Conference / IEEE雷达会议 9、IEEE Conference on Computer Vision and Pattern Recognition / CVPR / 计算机视觉与模式识别会议 B类会议（序号不表示优先顺序） 序号/英文名称/英文简称/中文名称/备注 1、International Conference On Natural Language Processing / ICON / 自然语言处理国际会议 2、International Conference on Telecommunications / ICT / 电信国际会议 3、International Geoscience and Remote Sensing Symposium / IGARSS / 地球科学与遥感国际研讨会 4、Picture Coding Symposium / PCS / 图像编码研讨会 5、ACM Conference on Computer and Communications Security / CS / ACM计算机与通信安全会议 6、IEEE Military Communications Conference / MILCOM / IEEE军事通信会议 7、International Broadcasting Convention / IBC / 国际广播会议 8、IEEE Wireless Communications & Networking Conference / WCNC / IEEE无线通信和网络会议 9、SPIE Conference on Visual Communications and Image Processing / VCIP / SPIE视觉通信和图像处理会议 10、International Symposium on Wireless Personal Multimedia Communications / WPMC / 无线个人多媒体通信国际研讨会 11、IEEE International Conference on Third Generation Wireless and Beyond / 3G and Beyond / IEEE第三代及以上无线通信国际会议 12、ACM Mobicom / ACM / 移动通信会议 13、International Conference on Network Protocol / ICNP / 网络协议国际会议 14、IEEE Speech Coding Workshop / ISCW / 15、International Conference on Speech and Language Processing / ICSLP / 语音语言处理国际会议 16、International Symposium on Chinese Spoken Language Processing / ISCSLP / 中文口语语言处理国际会议 17、MOBI COM & MOBI HOC / 移动Ad hoc移动通信会议 / Ad hoc的顶级年会 18、Vehicular Technology Conference / VTC / 国际传输技术会议 / 与产业界结合比较紧密的会议，2次/年 19、ACM Conference on Embedded Networked Sensor Systems Sensys / 嵌入式网络传感系统 / WSN的顶级年会（Single Track的小会） 20、Global Navigation Satellite Systems / ION / IEEE GNSS / 全球导航卫星系统会议 / IEEE和美国导航学会联合召开的年会 21、International Conference on Radar / ICR / 英美法中澳五国轮流召开 22、IEEE International Conference on Multimedia & Expo / ICME / 多媒体IEEE 国际会议及展览会 / 每年召开 23、IEEE International Conference on Image Processing / ICIP / IEEE图像处理国际会议 24、International Conference on Document Analysis and Recognition / ICDAR / 文档分析和识别国际会议 / 文字识别领域最重要的会议，每两年召开一次，07年是第九届 二、信息与通信工程的重要国际顶级期刊或杂志 除了TIP和TCSVT之外 序号/英文名称/影响因子 1、 IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS 2 、IEEE COMMUNICATIONS MAGAZINE 3、 IEEE NETWORK 4 、RADIO SCIENCE 5 、IEEE TRANSACTIONS ON ANTENNAS AND PROPAGATION 6 、IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY 7、 IEEE TRANSACTIONS ON COMMUNICATIONS 8 、TELECOMMUNICATIONS POLICY 9 、IEEE PROCEEDINGS-OPTOELECTRONICS 10、 BT TECHNOLOGY JOURNAL 11 、IEEE TRANSACTIONS ON ELECTROMAGNETICCOMPATIBILITY 12 、IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONICSYSTEMS 13、 IEE PROCEEDINGS-MICROWAVES ANTENNAS ANDPROPAGATION 14、 IEEE TRANSACTIONS ON BROADCASTING 15、 IEICE TRANSACTIONS ON COMMUNICATIONS 16 、IEE PROCEEDINGS-RADAR SONAR AND NAVIGATION 17、 SMPTE JOURNAL 18、 IEEE TRANSACTIONS ON CONSUMER ELECTRONICS 19、 ELECTRONICS & COMMUNICATION ENGINEERINGJOURNAL 20、 ANNALES DES TELECOMMUNICATIONS-ANNALS OFTELECOMMUNICATIONS 21、 JOURNAL OF COMMUNICATIONS TECHNOLOGY ANDELECTRONICS
2002年毕业于武汉大学计算机学院并获工学学士学位，2007年毕业于中国科学院计算技术研究所并获工学博士学位。研究方向是自然语言处理，近年来从事的科研工作集中在统计机器翻译领域。近五年来在自然语言处理的顶级国际会议和期刊上发表8篇论文（5篇ACL、1篇EMNLP、1篇Coling、1篇计算语言学长文），并获COLING/ACL 2006的Meritorious Asian NLP Paper Award。2007年入选计算所首批百星计划，2009年赴美国卡内基梅隆大学进行学术访问，并对微软、Google、南加州大学和约翰霍普金斯大学进行短期访问，2010年获得计算所“卓越之星”称号。2010年在自然语言处理领域国际顶级期刊计算语言学上发表国内第一篇长文，并在ACL上成为国内第一个做tutorial学者。2011年9月加盟清华大学计算机系。
自然灾害学报好发吗
垃圾期刊，现在就是敛财工具，编辑极其不负责任，收了审稿费连外审意见都不给，你说能好吗？
退稿多。当论文存在重大缺陷或者不符合该期刊的要求时，甚至存在抄袭等问题，那么就可能被退回。自然灾害学报是由中国地震局主管的学术期刊，发表有关自然灾害和防灾减灾的学术研究论文。
分享一下我近期投稿并被《自然灾害学报》录用的过程：
初次投稿是2021年5月11日，经过两天后通过了编辑部的初审，但由于论文格式以及结构不满足要求，编辑要求修改。同时要求缴纳审稿费200元。此时，还未送审。
2021年5月21日按照编辑部的要求修改稿件后再次投稿。由于未缴纳审稿费因此没有送审（个人认为是合理的）。2021年5月26日缴纳了审稿费。27日立即送了外审。至此，编辑部的效率是非常高的。
审稿时间从5月27日至6月7日，不到一个月，可以说速度很快。送审了三个专家，其中两位的要求不多，基本上篇幅的问题。另一位专家的意见非常有建设性，意见多达20条。有细节方面的问题，也有可以让科研水平得到质的提升的意见。总之，非常感谢这位专家。
6月28日我修改完毕。
7月17日，那位负责任的专家，依旧提出了不足之处，恰是我偷懒没有好好改的地方。然后针对专家的意见认认真真的进行领会和修改。
大的问题没有了我以为会录取，专家依旧提出了一些细节和格式问题。至此，我对这位专家非常非常的敬佩和尊敬。认真修改完9月9日投稿后，10月1日收到了录用通知。
期刊比较重视创新点，会要求在文章的首页阐述创新点。因此，如果被拒稿可能是期刊中相似文章很多或者缺乏创新点。总的来说，期刊处理稿件的效率较高，审稿专家也比较认真负责和有水平。
审稿费的问题，大多数期刊都是收的，也大多数是200元。
我为什么花时间用这么长的篇幅回答这个问题。因为，我在投稿之前在网上搜索了一样的问题，然后也看到该问题下的回答。以至于我直接筛除了这个期刊。后来导师建议我投稿自然灾害学报，我就投稿了。我发现并不是网络上说的诸如垃圾，有关系才可以发表等等。
仅以我的实例给同样困惑的小伙伴一个客观的角度。
补充：我的论文研究的雪崩灾害，算是灾害学中少有人关注的类别。
量子自然处理新方法研究论文
近日，中国科学技术大学郭光灿院士团队在基于人工合成维度的量子模拟方面取得重要实验进展，实现了基于简并腔中涡旋光子的拓扑量子模拟，为拓扑量子模拟开创新方法。 维度是决定宇宙中物质特性的一个重要物理量。但在科学研究中，由于三维物理世界的限制，人们往往难以研究三维以上的物理系统性质及演化特性。针对这一难题，科学家提出可以通过人工合成维度的方式来解决。例如，在一个三维系统中引入两个人工合成维度，就可以在该系统上研究五维的物理性质。 涡旋光子作为携带不同轨道角动量的光子，其携带的轨道角动量数目原理上可以无限，因此它是构建人工合成维度的理想载体。早在2015年，中科院量子信息重点实验室周正威教授研究组就首次理论提出，基于人工合成光子轨道角动量维度实现量子模拟的方案。中科大郭光灿院士团队李传锋、许金时等人在这一方向进行了长期实验 探索 ，先后搭建了基于平面镜、球面镜和椭球面镜的简并光学腔，实现腔内超过46阶轨道角动量模式的谐振。 此次，中科大郭光灿院士团队李传锋、许金时、韩永建等人，将涡旋光子束缚在简并光学谐振腔内，通过引入光子的自旋轨道耦合人工合成了一维的拓扑晶格，为拓扑量子模拟开创了一种新的方法。研究成果于4月19日发表在《自然·通讯》(Nature Communications)上。 在此基础上，团队创造性地在驻波简并腔中引入具有各向异性的液晶相位片，实现腔内涡旋光子轨道角动量和光子自旋（即偏振）的耦合。腔内光子所携带的轨道角动量是整数分立的，与一维离散晶格相对应。因此，携带不同轨道角动量的光子可以等效为位于不同晶格格点上的准粒子，并通过自旋自由度将具有不同轨道角动量的光子耦合起来，从而模拟粒子在不同晶格格点之间的来回跃迁。 利用共振能谱探测技术，团队直接刻画了前述自旋轨道耦合系统的态密度(DOS)和能带结构。此外，团队利用实验装置优异的可调谐性能，清晰展现了周期性驱动系统能带打开和闭合的演化过程，并进一步引入不同的演化时序，系统研究了不同拓扑结构的特性并探测到拓扑绕数。 前述研究验证了利用涡旋光子固有自旋和轨道角动量作为人工合成维度的可行性，为研究丰富的拓扑物理系统提供了一个高度紧凑的实验平台。 论文共同第一作者为中科院量子信息重点实验室博士研究生杨木，以及硕士研究生张昊清、廖昱玮。前述研究获得 科技 部、国家基金委、中国科学院、安徽省的支持。
一一个由麦格理大学领导的国际研究小组已经证明了一种将普通激光转化为真正量子光的新方法。他们的方法是用砷化镓制成纳米厚的薄膜，砷化镓是一种广泛应用于太阳能电池的半导体材料。他们将薄膜夹在两个反射镜之间，以控制入射光子。光子与半导体中的电子空穴对相互作用，形成新的嵌合粒子，称为极化子，它同时携带光子和电子空穴对的特性。极化子在几皮秒后衰变，它们释放的光子显示出明显的量子特征。研究小组的研究结果一夜之间发表在《自然材料》杂志上。 虽然这些量子特征目前还很弱，但这项工作为按需生产单光子开辟了一条新途径。物理学和天文学系的副教授、论文的高级作者托马斯·沃尔兹说：“按需产生单光子的能力对于未来量子通信和光学量子信息处理的应用非常重要。”想想牢不可破的加密技术、超高速计算机、更高效的计算机芯片，甚至是功耗最小的光学晶体管。” 目前，单光子发射器通常是由材料工程制造的，材料本身的组装方式使得“量子”行为得以内置。但是，这种标准方法在越来越小的尺度上面临着严重的局限性，因为纯材料工程制造相同的单光子发射器是非常具有挑战性的。“这意味着，一旦我们能够增加我们正在产生的量子信号的强度，我们的方法就可以更容易地大规模扩展。我们可以通过光子纳米结构工程而不是直接材料工程从半导体中制造出相同的量子发射器，”同样来自麦格理和论文主要作者的Guillermo Munoz Matutano博士说。 “虽然现实世界中的应用程序还很遥远，但我们的论文描述了一个重要的里程碑，特别是极化子群体在过去的10到15年里一直在等待。极化子之间的相互作用如此强烈，以至于它们可以在光子上留下量子特征，这一机制迄今为止还没有得到应用，为这一领域的研究人员开辟了一个全新的天地，”托马斯说。