标签：机器 量子力学 芯片 Co 储运 算法 Ltd 氢能

量子力学-机器学习-芯片-氢-氨储运

参考文献链接

https://mp.weixin.qq.com/s/q-xd_Q59XbIMMLU1WSe8Hw

https://mp.weixin.qq.com/s/0oIgjqCRBcedjn_62BMRfA

https://mp.weixin.qq.com/s/stx0b57o9yggR59Hd8dmmA

https://mp.weixin.qq.com/s/cX9P38fCXjye0V9M9aK-yQ

爱因斯坦+诺贝尔=上帝是个赌徒！

须弥藏芥子，芥子纳须弥。

宇宙浩瀚无垠，量子至微至小。

但宇宙最核心的秘密，可能藏于量子之中。

20世纪物理学可谓波澜壮阔，荡气回肠。

其中震撼人心的成就，非量子力学莫属。

全世界的天才普朗克、爱因斯坦、狄拉克、薛定谔、德布罗意、玻尔、玻恩、海森堡、泡利、贝尔、费曼……等等都沉迷其中。

量子力学实在太深邃，太神奇，甚至太玄乎。

比如量子纠缠，又被称为“一个幽灵般的超距作用”。

 

 

 还有概率论，不确定性……简直就是科学家开赌场？

爱因斯坦实在是看不下去了：上帝不会掷骰子！

可他的对手哥本哈根学派提出质疑，上帝真不掷骰子吗？

2022年，诺贝尔物理学奖的三位得主，长期以来从实验上给出答案。

他们解答了贝尔不等式，助攻了量子力学，确认了上帝就是一个赌棍。

下面，就让我们用最通俗易懂的方式，告诉8岁以上的朋友们：

为什么上帝掷骰子！

 

 

 上帝是否掷骰子，得出答案并不容易。

这个问题，

涉及到量子力学的本质。

这个问题上的对峙，

在科学史上，是极为漫长又罕见的思想较量。

不管是时长、参与方还是历史影响，

都可以说是空前绝后。

正是因为这样的较量，

才让量子力学得以成为正统显学。

参与较量的双方，

一边是史诗级的大神，

一边是天才们的黄金战队：

 

 

 关于量子力学的较量，一共进行过三次。

正是这三次颇具影响力的思想对决，

奠定了量子力学的世界级地位，

使它成为20世纪最伟大的量大理论之一。

“上帝掷骰子”吗？

也成了争议的焦点所在。

 

 

 事件从1927年说起，

那是一个不寻常的年份。

这一年的10月24日，第五届索尔维会议召开。

这是双方第一次较量。

 此次会议之前，以玻尔为首的哥本哈根学派，

围攻了爱因斯坦的跟班薛定谔，

并提出一个让所有人瞠目结舌的理论：

世界万物都是随机的！

 爱因斯坦非常不爽，

他来参加这次会议也是专程想找玻尔麻烦的。

整个物理界能排得上号的人基本都来了。

大家也心知肚明，这次有好戏看了。

 大家还记得下面这张图吗？

 

 

 爱因斯坦、玻尔、薛定谔、德布罗意、波恩、

普朗克、朗之万、狄拉克、居里夫人

……

29个人，

其中17个人是诺贝尔奖获得者！

 

这群人组成了一支“物理学全明星梦之队”，

留下了人类历史上智商最高的一张合影。

 

 

 爱因斯坦首先向哥本哈根派发难。

他提出一个模型：

一个电子通过一个小孔得到衍射图像。

 

 

 你们说，

电子在到达感应屏前都不确定，

达到的一瞬间概率就变成了100%?

这种随机性不是要以超距作用为前提吗？

这是违背相对论的！

 

 

 哥本哈根派内心一阵颤栗……

这可是大咖爱神，大当家玻尔的偶像。

面对反方大BOSS，

哥本哈根派大哥玻尔站了起来。

 

 

 他有些不忍反击，试图先打感情牌：

难道不正是你第一次提出光的波粒二象性吗？

难道不正是你帮我奠定了“旧量子论”的基石？

难道你不更应该接受更新的量子力学，

把理论向前推进一步？

 

 

 可此时的爱因斯坦，

已经吃了秤砣铁了心：

别跟我打感情牌，我只站在真理一边。

 

 

 玻尔见偶像不回应，只好狠下心回击：

你这个模型，

同样不能避免测量仪器，

对电子不可控的相互作用。

电子在通过A缝时，如果不超距，

怎么感知旁边没有其他的缝呢？

 也就是说，

其实你这个模型也符合量子理论，

你还要反驳我们吗？

 

 

 爱因斯坦想反驳，

可憋了半天硬是没憋出一个字。

 低估了对手实力，爱因斯坦很不服气。

什么随机性，什么几率分布，

这是科幻作家干的事。

我一个受过正统教育的科学家，

是绝不会放弃因果律的！

 

 

 他又提出一个模型：电子双缝干涉实验。

 若控制装置，

让某一时刻只有一个粒子穿过，

并分别关闭狭缝，

电子的准确路径和位置就可以测出。

 由干涉条纹又可以计算电子波的波长，

从而可以精确确定电子的动量。

怎么样，

这下你们的测不准关系被否定了吧？

 

 

 爱因斯坦自以为这一局一定稳胜。

但玻尔却古怪的笑了：

老爱，如果你关上其中任何一个狭缝，

实验的状态就完全改变了！

双缝开启干涉现象也不再出现，

实验又回到了单缝状态，

等于又多了一次不确定因素！

 

 

 爱因斯坦目瞪口呆，

这个实验，不仅没反驳成功互补原理，

反而用互补原理说明了波粒二象性！

 

 

 1930年，第六届索尔维会议召开。

这是第二次较量。

同样的季节，同样的地点，同样的老相识。

 这次，爱因斯坦有备而来，先发制人。

快准狠地打出一个实验：光箱子。

 

 

 箱子里有n个光子，间隔△t时间打开箱子，

每次只放出一个光子，△t确定。

再用理想的弹簧秤测出箱子质量轻了△m，

将△m代入质能方程E=mc²，△E也确定。

既然△E和△t都确定，

那你们家不确定性原理，

△E△t>h，也就不成立!

 

 

 一记白虹贯日，直中要害。

玻尔毫无思想准备，当场懵了。

于是他紧急召集兄弟，

整个社团开启一级戒备。

 第二天一大早，一夜没合眼的玻尔，

顶着两个浓重的黑眼圈，

出现在台上。

 

 

 好，你说一个光子跑了，

箱子轻了△m，这没问题。

 那怎么测量这个△m呢？

 老爱你是不是忘了，

你自己广义相对论中的红移效应？

 

 

 引力场可以使原子频率变低，

等效于时间变慢。

你想要测量△m或△E，

可你其实根本没办法控制光子逃出的时间△t，

它测不准！

 

 

 这一招实在太狠，

对方竟然用自己的独门绝技打败了自己？

爱因斯坦再一次哑口无言。

第二次较量，爱因斯坦又输了。

 

 

 1935年，爱因斯坦率领两个小弟，

再一次向哥本哈根学派发起进攻。

进攻的号角，是一篇论文：

《量子力学对物理实在的描述可能是不完备的》。

 

 

 这是爱因斯坦与玻尔的第三次对决。

这一次，

爱因斯坦吸取了教训，

不再攻击量子论是错误的，

而说它是“不完备”的。

 

 

 关于量子力学，

爱因斯坦有两个“执念”：

一个是，怎么可能有超光速信号的传播？

爱因斯坦叫它为“定域性”。

另外一个是“实在性”：

你不去看，

难道天上的月亮就不存在了吗？

 

 为此，爱因斯坦设置了一个实验，

来说明量子力学违背了定域实在论：

一个母粒子，

分裂成两个自旋方向相反的子粒子A和B。

 这两个粒子互相影响：

如果A为“左旋”，那么B一定“右旋”，

以保持总体守恒，反之亦然。

 按照量子理论，

即使将A、B分隔在银河系两端，

相隔10万光年以上，

你对A吹一口气，B也能在一瞬间做出反应。

 

 

 爱因斯坦心里想：

这难道不是一种鬼魅般的超距作用吗？

怎么可能有超光速信号？

这不违背了定域实在论吗？

 这显然不可能。

因此，量子力学并不完备！

 

 

 综上所述，就是整篇论文的论据。

这个思想实验，也叫做“EPR佯谬”，

命名灵感来自三人名字的缩写。

 

 

 爱因斯坦心里想：

玻尔，这一次你别想睡踏实了！

 

 

 但玻尔却淡定地给出了反击：

老爱，我就问你，

当你假定两个粒子在观察前，

就已经有个“客观”的自旋状态存在，

这两个客观存在的粒子，

究竟从哪儿来的？

 

 

 玻尔此次回应并没有说服爱因斯坦，

双方之间的较量陷入僵持之中。

因此，尽管量子理论体系越来越丰富，

在一次又一次的实验中取得胜利，

但质疑的声音却从未停止。

这两个伟大科学家之间的较量，

早就超越了个人之间的战争，

因为这是一场关于世界本质的辩论。

微观世界到底符合古典的定域实在论，

还是量子不确定性?

最终一定要做个了断。

 

 

 爱因斯坦1955年死去后，

薛定谔，泡利，玻尔也相继去世，

诸神的黄昏，让人唏嘘。

物理学上的黄金一代最终落下帷幕，

那高山仰止的时代一去不返。

但是关于量子理论的争议却延续至今，

影响着后来一代又一代的天才。

 微观的真相究竟如何？

爱因斯坦与玻尔到底谁是对的？

答案留给了一批新生代科学家，

其中之一就是终结者：贝尔。

 

 

 自命不凡的贝尔，

遗憾没有赶上科学史上的最好时代，

错过了与“黄金一代“正面硬刚”的机会。

 

 

 1964年，贝尔出手了。

他不喜欢量子力学那听上去主观唯心的一套，

他想要的是一个

确定的、客观的世界。

 

 

 可爱因斯坦这么多年都没有成功，

区区贝尔，能行吗？

 

 

 贝尔有自己隐藏的绝招，

绝招就是1952年玻姆提出的隐变量。

 

 

 当年薛定谔的猫闹事，

玻姆想用隐变量来哄猫，

可猫没哄成，他自己反而还被轰下了台。

在新一代大神冯·诺依曼的禁锢中，

隐变量举步维艰。

 

 

 可贝尔坚持认为，

隐变量是反击哥本哈根学派的“大杀器”。

 

 

 相比哥本哈根那玄乎的一套，

贝尔更喜欢隐变量理论。

虽然玻姆的隐变量抛弃了定域性，

但它至少恢复了世界的实在性。

 只要在这基础上，

再证明一个定域隐变量的存在，

那就证明了量子力学的非定域性也是错的。

 于是，贝尔撸起袖子，

研究起了爱因斯坦的老实验：EPR。

 在EPR里，

一个母粒子分裂成了：

两个自旋方向相反的子粒子A和B。

 按照爱因斯坦一派隐变量的思想，

两个子粒子A和B，

就像南北极的两只手套

不管你观测不观测，

它们是左手还是右手，

在分开那时起就已经确定了。

 先将A、B两个粒子，

放在一个三维空间XYZ中，

如果A粒子在X方向上自旋为+，

B粒子在X自旋必定为—。

 再假设某个Pxy平面,

是粒子A在x方向上，

和粒子B在y方向上的相关性，

平面Pzy、Pxz同理，

则可得出:

 

 亢奋的贝尔一头栽进了A、B粒子的纠缠中，

最后他推导出一个数学公式，

它就是著名的贝尔不等式：

 

可别小看了这个长相普通的不等式，

它是一个神奇宝贝，

对宇宙的本质做出了最后的裁决。

 它意味着，

如果我们的世界同时满足定域性和实在性，

那么，两个具有相反自旋方向的粒子，

其运动必定受限于不等式。

 

 

 简单来说，如果微观世界是经典的，

那么不等式成立。

反之，则不成立。

 

 

 这个不等式的诞生，

把一场充满着哲学色彩的科学争论，

彻底转变为了一场用数学语言描绘的实验。

 

 

 既然在物理世界没办法分出高下，

就转战到更本质的数学领域，

用数学来判断究竟谁对谁错。

 

 

 这样一份严谨、客观的宇宙判决书，

对量子力学、微观世界的命运，

做出了最后审判。

决战终于来临，

一场伟大的宇宙审判一触即发。

 

 

 1972 年，

年仅30岁的美国物理学家约翰·克劳泽，

成功做出了实验。

这是史上第一个验证贝尔不等式的实验。

 

 

 不过，结果让贝尔魂飞天外，

那两个纠缠的粒子，

竟然突破了贝尔不等式？？！

 50年后，

克劳泽获得了2022年的诺贝尔物理学奖。

 

 

 1982年，在巴黎光学研究所，

又一场惊心动魄、万众瞩目的实验正在进行，

这一次所有人都屏住了呼吸。

 

 

 这次的实验领导人，

是正在攻读博士的法国物理学家阿兰·阿斯佩，

也就是2022年的诺贝尔物理学奖另一位获奖者。

 

 

 不同于克劳泽的「幼稚版」装置，

阿斯佩的技术非常成熟。

借助雷射的强信号源，

一对对光子从钙原子中冲出，

朝着偏振器奔去，

它们关乎整个量子力学的命运。

 

 

 在令人窒息的24小时等待后，结果出来了。

实验再一次与贝尔想要的结果相反，

波尔是对的，爱因斯坦又一次输了!

 

 

 在克劳泽和阿斯佩之后，

还有一大批追求完美的科学家也进行了实验。

 

 

 1999年,

维也纳大学的量子物理学家安东·塞林格，

用碳60进行了双缝实验研究这个问题,

他发现一个清晰的干扰模式。

证明即使是像碳60这样0.7纳米的分子，

也可以进行干涉试验。

他是2022年的诺贝尔物理学奖第三位获奖者。

 

 

 多年的“爱波之争”，

终于在“宇宙判决书”贝尔不等式中，

画上了句号。

 上帝掷骰子，

这个艰难而深邃的微观理论，

从物理感官上的争论再到数学不等式的转换，

又从数学不等式再转变为物理实验。

 克劳泽、阿斯佩、塞林格，

这三位科学家的实验，

让这场世纪大战，最终降下了帷幕。

 回首第一个实验，竟然已经过去了50年。

这些科学的圣徒，

2022年才拿到自己的荣誉。

也许，

在他们心中这不过是额外的奖励。

这正是科学的圣火代代不灭的原因。

 小结

 量子力学的征程，还没有结束。

爱玻之间的对决，也只是开始。

这些神秘莫测的量子，未来将带领人类去向何方？

没人能够说清，但却值得思考。

 随着量子计算科学的发展，一个新的时代或许即将到来。

如何迎接它将带来的挑战？或许需要对量子力学来做更多的回顾，

从爱因斯坦玻尔这些科学大佬身上，也许能够获得一些启示。

 关于量子力学的发展史，如果还想了解更多，量子学派《上帝的骰子》《从零开始读量子力学》这两本书会是不错的选择。

 

 

 上面这些关于爱玻之间对决的有趣内容，来自于《上帝的骰子》，这是一本可以一口气笑着看完的漫画物理书。

就算是8岁的小朋友，也可以当作故事一口气读下去。

它用最轻松诙谐的语言和漫画形式，来呈现量子力学的发展史。

适合想要了解量子力学的初学者，也适合对这个世界和未来充满好奇心的人。

机器学习的通俗讲解

 

 机器学习人人都在谈论，但除了老师们知根知底外，只有很少的人能说清楚怎么回事。如果阅读网上关于机器学习的文章，你很可能会遇到两种情况：充斥各种定理的厚重学术三部曲(我搞定半个定理都够呛)，或是关于人工智能、数据科学魔法以及未来工作的天花乱坠的故事。

 

 我决定写一篇酝酿已久的文章，对那些想了解机器学习的人做一个简单的介绍。不涉及高级原理，只用简单的语言来谈现实世界的问题和实际的解决方案。不管你是一名程序员还是管理者，都能看懂。那我们开始吧！

 为什么我们想要机器去学习？

 现在出场的是Billy，Billy想买辆车，他想算出每月要存多少钱才付得起。浏览了网上的几十个广告之后，他了解到新车价格在2万美元左右，用过1年的二手车价格是1.9万美元，2年车就是1.8万美元，依此类推。作为聪明的分析师，Billy发现一种规律：车的价格取决于车龄，每增加1年价格下降1000美元，但不会低于10000美元。用机器学习的术语来说，Billy发明了“回归”(regression)——基于已知的历史数据预测了一个数值(价格)。当人们试图估算eBay上一部二手iPhone的合理价格或是计算一场烧烤聚会需要准备多少肋排时，他们一直在用类似Billy的方法——每人200g? 500？是的，如果能有一个简单的公式来解决世界上所有的问题就好了——尤其是对于烧烤派对来说——不幸的是，这是不可能的。让我们回到买车的情形，现在的问题是，除了车龄外，它们还有不同的生产日期、数十种配件、技术条件、季节性需求波动……天知道还有哪些隐藏因素……普通人Billy没法在计算价格的时候把这些数据都考虑进去，换我也同样搞不定。人们又懒又笨——我们需要机器人来帮他们做数学。因此，这里我们采用计算机的方法——给机器提供一些数据，让它找出所有和价格有关的潜在规律。终~于~见效啦。最令人兴奋的是，相比于真人在头脑中仔细分析所有的依赖因素，机器处理起来要好得多。就这样，机器学习诞生了。

 机器学习的3个组成部分

 

 

 抛开所有和人工智能(AI)有关的扯淡成分，机器学习唯一的目标是基于输入的数据来预测结果，就这样。所有的机器学习任务都可以用这种方式来表示，否则从一开始它就不是个机器学习问题。样本越是多样化，越容易找到相关联的模式以及预测出结果。因此，我们需要3个部分来训练机器：

（1）数据

想检测垃圾邮件？获取垃圾信息的样本。想预测股票？找到历史价格信息。想找出用户偏好？分析他们在Facebook上的活动记录(不，Mark，停止收集数据~已经够了)。数据越多样化，结果越好。对于拼命运转的机器而言，至少也得几十万行数据才够吧。

获取数据有两种主要途径——手动或者自动。手动采集的数据混杂的错误少，但要耗费更多的时间——通常花费也更多。自动化的方法相对便宜，你可以搜集一切能找到的数据(但愿数据质量够好)。一些像Google这样聪明的家伙利用自己的用户来为他们免费标注数据，还记得ReCaptcha(人机验证)强制你去“选择所有的路标”么？他们就是这样获取数据的，还是免费劳动！干得漂亮。如果我是他们，我会更频繁地展示这些验证图片，不过，等等……

 

 好的数据集真的很难获取，它们是如此重要，以至于有的公司甚至可能开放自己的算法，但很少公布数据集。

 （2）特征

也可以称为“参数”或者“变量”，比如汽车行驶公里数、用户性别、股票价格、文档中的词频等。换句话说，这些都是机器需要考虑的因素。如果数据是以表格的形式存储，特征就对应着列名，这种情形比较简单。但如果是100GB的猫的图片呢？我们不能把每个像素都当做特征。这就是为什么选择适当的特征通常比机器学习的其他步骤花更多时间的原因，特征选择也是误差的主要来源。人性中的主观倾向，会让人去选择自己喜欢或者感觉“更重要”的特征——这是需要避免的。

（3）算法

最显而易见的部分。任何问题都可以用不同的方式解决。你选择的方法会影响到最终模型的准确性、性能以及大小。需要注意一点：如果数据质量差，即使采用最好的算法也无济于事。这被称为“垃圾进，垃圾出”(garbae in - garbage out,GIGO)。所以，在把大量心思花到正确率之前，应该获取更多的数据。

学习 V.S. 智能

 我曾经在一些流行媒体网站上看到一篇题为“神经网络是否会取代机器学习？”的文章。这些媒体人总是莫名其妙地把线性回归这样的技术夸大为“人工智能”，就差称之为“天网”了。下图展示了几个容易混淆的概念之间的关系。

 

 

 “人工智能”是整个学科的名称，类似于“生物学”或“化学”。

“机器学习”是“人工智能”的重要组成部分，但不是唯一的部分。
“神经网络”是机器学习的一种分支方法，这种方法很受欢迎，不过机器学习大家庭下还有其他分支。
“深度学习”是关于构建、训练和使用神经网络的一种现代方法。本质上来讲，它是一种新的架构。在当前实践中，没人会将深度学习和“普通网络”区分开来，使用它们时需要调用的库也相同。为了不让自己看起来像个傻瓜，你最好直接说具体网络类型，避免使用流行语。

一般原则是在同一水平上比较事物。这就是为什么“神经网络将取代机器学习”听起来就像“车轮将取代汽车”。亲爱的媒体们，这会折损一大截你们的声誉哦。

 

 

 机器学习世界的版图

如果你懒得阅读大段文字，下面这张图有助于获得一些认识。在机器学习的世界里，解决问题的方法从来不是唯一的——记住这点很重要——因为你总会发现好几个算法都可以用来解决某个问题，你需要从中选择最适合的那个。当然，所有的问题都可以用“神经网络”来处理，但是背后承载算力的硬件成本谁来负担呢？我们先从一些基础的概述开始。目前机器学习主要有4个方向。

 

 

 

 Part 1：经典机器学习算法

经典机器学习算法源自1950年代的纯统计学。统计学家们解决的是诸如寻找数字中的模式、估计数据点间的距离以及计算向量方向这样的形式数学(formal math)问题。

今天，一半的互联网都在研究这些算法。当你看到一列“继续阅读”的文章，或者在某个偏僻的加油站发现自己的银行卡被锁定而无法使用时，很可能是其中的一个小家伙干的。大型科技公司是神经网络的忠实拥趸。原因显而易见，对于这些大型企业而言，2%的准确率提升意味着增加20亿的收入。但是公司业务体量小时，就没那么重要了。我听说有团队花了1年时间来为他们的电商网站开发新的推荐算法，事后才发现网站上99%的流量都来自搜索引擎——他们搞出来的算法毫无用处，毕竟大部分用户甚至都不会打开主页。尽管经典算法被广泛使用，其实原理很简单，你可以很容易地解释给一个蹒跚学步的孩子听。它们就像是基本的算术——我们每天都在用，甚至连想都不想。

1.1 有监督学习

经典机器学习通常分为两类：有监督学习(Supervised Learning)和无监督学习(Unsupervised Learning)。

在“有监督学习”中，有一个“监督者”或者“老师”提供给机器所有的答案来辅助学习，比如图片中是猫还是狗。“老师”已经完成数据集的划分——标注“猫”或“狗”，机器就使用这些示例数据来学习，逐个学习区分猫或狗。无监督学习就意味着机器在一堆动物图片中独自完成区分谁是谁的任务。数据没有事先标注，也没有“老师”，机器要自行找出所有可能的模式。后文再讨论这些。很明显，有“老师”在场时，机器学的更快，因此现实生活中有监督学习更常用到。有监督学习分为两类：

 

 

 分类(classification)，预测一个对象所属的类别；

回归(regression)，预测数轴上的一个特定点；

分类(Classification)

“基于事先知道的一种属性来对物体划分类别，比如根据颜色来对袜子归类，根据语言对文档分类，根据风格来划分音乐。”分类算法常用于：

 

过滤垃圾邮件；

 

语言检测；

 

查找相似文档；

 

情感分析

 

识别手写字母或数字

 

欺诈侦测

 

常用的算法：

朴素贝叶斯(Naive Bayes)
决策树(Decision Tree)
Logistic回归(Logistic Regression)
K近邻(K-Nearest Neighbours)
支持向量机(Support Vector Machine)

机器学习主要解决“分类”问题。这台机器好比在学习对玩具分类的婴儿一样：这是“机器人”，这是“汽车”，这是“机器-车”……额，等下，错误！错误！

在分类任务中，你需要一名“老师”。数据需要事先标注好，这样机器才能基于这些标签来学会归类。一切皆可分类——基于兴趣对用户分类，基于语言和主题对文章分类(这对搜索引擎很重要)，基于类型对音乐分类(Spotify播放列表)，你的邮件也不例外。朴素贝叶斯算法广泛应用于垃圾邮件过滤。机器分别统计垃圾邮件和正常邮件中出现的“伟哥”等字样出现的频次，然后套用贝叶斯方程乘以各自的概率，再对结果求和——哈，机器就完成学习了。后来，垃圾邮件制造者学会了如何应对贝叶斯过滤器——在邮件内容后面添加很多“好”词——这种方法被讽称为“贝叶斯中毒”(Bayesian poisoning)。朴素贝叶斯作为最优雅且是第一个实用的算法而载入历史，不过现在有其他算法来处理垃圾邮件过滤问题。再举一个分类算法的例子。假如现在你需要借一笔钱，那银行怎么知道你将来是否会还钱呢？没法确定。但是银行有很多历史借款人的档案，他们拥有诸如“年龄”、“受教育程度”、“职业”、“薪水”以及——最重要的——“是否还钱”这些数据。利用这些数据，我们可以训练机器找到其中的模式并得出答案。找出答案并不成问题，问题在于银行不能盲目相信机器给出的答案。如果系统出现故障、遭遇黑客攻击或者喝高了的毕业生刚给系统打了个应急补丁，该怎么办？要处理这个问题，我们需要用到决策树(Decision Trees)，所有数据自动划分为“是/否”式提问——比如“借款人收入是否超过128.12美元？”——听起来有点反人类。不过，机器生成这样的问题是为了在每个步骤中对数据进行最优划分。“树”就是这样产生的。分支越高(接近根节点)，问题的范围就越广。所有分析师都能接受这种做法并在事后给出解释，即使他并不清楚算法是怎么回事，照样可以很容易地解释结果(典型的分析师啊)！决策树广泛应用于高责任场景：诊断、医药以及金融领域。最广为人知的两种决策树算法是 CART 和 C4.5.如今，很少用到纯粹的决策树算法。不过，它们是大型系统的基石，决策树集成之后的效果甚至比神经网络还要好。这个我们后面再说。当你在Google上搜索时，正是一堆笨拙的“树”在帮你寻找答案。搜索引擎喜欢这类算法，因为它们运行速度够快。按理说，支持向量机(SVM) 应该是最流行的分类方法。只要是存在的事物都可以用它来分类：对图片中的植物按形状归类，对文档按类别归类等。SVM背后的思想很简单——它试图在数据点之间绘制两条线，并尽可能最大化两条线之间的距离。如下图示：分类算法有一个非常有用的场景——异常检测(anomaly detection)，如果某个特征无法分配到所有类别上，我们就把它标出来。现在这种方法已经用于医学领域——MRI(磁共振成像)中，计算机会标记检测范围内所有的可疑区域或者偏差。股票市场使用它来检测交易人的异常行为以此来找到内鬼。在训练计算机分辨哪些事物是正确时，我们也自动教会其识别哪些事物是错误的。经验法则(rule of thumb)表明，数据越复杂，算法就越复杂。对于文本、数字、表格这样的数据，我会选择经典方法来操作。这些模型较小，学习速度更快，工作流程也更清晰。对于图片、视频以及其他复杂的大数据，我肯定会研究神经网络。就在5年前，你还可以找到基于SVM的人脸分类器。现在，从数百个预训练好的神经网络模型中挑选一个模型反而更容易。不过，垃圾邮件过滤器没什么变化，它们还是用SVM编写的，没什么理由去改变它。甚至我的网站也是用基于SVM来过滤评论中的垃圾信息的。

 

 

 

 

 

 

 回归(Regression)

“画一条线穿过这些点，嗯~这就是机器学习”

 

 回归算法目前用于：

股票价格预测

 供应和销售量分析

 医学诊断

 计算时间序列相关性

 常见的回归算法有：

线性回归（Linear Regression)

 多项式回归(Polynomial Regression)

 “回归”算法本质上也是“分类”算法，只不过预测的是不是类别而是一个数值。比如根据行驶里程来预测车的价格，估算一天中不同时间的交通量，以及预测随着公司发展供应量的变化幅度等。处理和时间相关的任务时，回归算法可谓不二之选。

 

 

 

 回归算法备受金融或者分析行业从业人员青睐。它甚至成了Excel的内置功能，整个过程十分顺畅——机器只是简单地尝试画出一条代表平均相关的线。不过，不同于一个拿着笔和白板的人，机器是通过计算每个点与线的平均间隔这样的数学精确度来完成的这件事。如果画出来的是直线，那就是“线性回归”，如果线是弯曲的，则是“多项式回归”。它们是回归的两种主要类型。其他类型就比较少见了。不要被Logistics回归这个“害群之马”忽悠了，它是分类算法，不是回归。不过，把“回归”和“分类”搞混也没关系。一些分类器调整参数后就变成回归了。除了定义对象的类别外，还要记住对象有多么的接近该类别，这就引出了回归问题。如果你想深入研究，可以阅读文章《写给人类的机器学习》[1](强烈推荐)。

1.2 无监督学习

无监督学习比有监督学习出现得稍晚——在上世纪90年代，这类算法用的相对较少，有时候仅仅是因为没得选才找上它们。

有标注的数据是很奢侈的。假设现在我要创建一个——比如说“公共汽车分类器”，那我是不是要亲自去街上拍上几百万张该死的公共汽车的照片，然后还得把这些图片一一标注出来？没门，这会花费我毕生时间，我在Steam上还有很多游戏没玩呢。这种情况下还是要对资本主义抱一点希望，得益于社会众包机制，我们可以得到数百万便宜的劳动力和服务。比如Mechanical Turk[2]，背后是一群随时准备为了获得0.05美元报酬来帮你完成任务的人。事情通常就是这么搞定的。或者，你可以尝试使用无监督学习。但是印象中，我不记得有什么关于它的最佳实践。无监督学习通常用于探索性数据分析(exploratory data analysis)，而不是作为主要的算法。那些拥有牛津大学学位且经过特殊训练的人给机器投喂了一大堆垃圾然后开始观察：有没有聚类呢？没有。可以看到一些联系吗？没有。好吧，接下来，你还是想从事数据科学工作的，对吧？

 聚类(Clustering)

“机器会选择最好的方式，基于一些未知的特征将事物区分开来。”

 

 聚类算法目前用于：

市场细分(顾客类型，忠诚度)
合并地图上邻近的点
图像压缩
分析和标注新的数据
检测异常行为

常见算法：

K均值聚类
Mean-Shift
DBSCAN

聚类是在没有事先标注类别的前提下来进行类别划分。好比你记不住所有袜子的颜色时照样可以对袜子进行分类。聚类算法试图找出相似的事物(基于某些特征)，然后将它们聚集成簇。那些具有很多相似特征的对象聚在一起并划分到同一个类别。有的算法甚至支持设定每个簇中数据点的确切数量。

 

 

 

 这里有个示范聚类的好例子——在线地图上的标记。当你寻找周围的素食餐厅时，聚类引擎将它们分组后用带数字的气泡展示出来。不这么做的话，浏览器会卡住——因为它试图将这个时尚都市里所有的300家素食餐厅绘制到地图上。Apple Photos和Google Photos用的是更复杂的聚类方式。通过搜索照片中的人脸来创建你朋友们的相册。应用程序并不知道你有多少朋友以及他们的长相，但是仍可以从中找到共有的面部特征。这是很典型的聚类。另一个常见的应用场景是图片压缩。当图片保存为PNG格式时，可以将色彩设置为32色。这就意味着聚类算法要找出所有的“红色”像素，然后计算出“平均红色”，再将这个均值赋给所有的红色像素点上。颜色更少，文件更小——划算！但是，遇到诸如蓝绿这样的颜色时就麻烦了。这是绿色还是蓝色？此时就需要K-Means算法出场啦。先随机从色彩中选出32个色点作为“簇心”，剩余的点按照最近的簇心进行标记。这样我们就得到了围绕着32个色点的“星团”。接着我们把簇心移动到“星团”的中心，然后重复上述步骤知道簇心不再移动为止。完工。刚好聚成32个稳定的簇形。给大家看一个现实生活中的例子：寻找簇心这种方法很方便，不过，现实中的簇并不总是圆形的。假如你是一名地质学家，现在需要在地图上找出一些类似的矿石。这种情形下，簇的形状会很奇怪，甚至是嵌套的。甚至你都不知道会有多少个簇，10个？100个？K-means算法在这里就派不上用场了，但是DBSCAN算法用得上。我们把数据点比作广场上的人，找到任何相互靠近的3个人请他们手拉手。接下来告诉他们抓住能够到的邻居的手(整个过程人的站立位置不能动)，重复这个步骤，直到新的邻居加入进来。这样我们就得到了第一个簇，重复上述过程直到每个人都被分配到簇，搞定。一个意外收获：一个没有人牵手的人——异常数据点。整个过程看起来很酷。有兴趣继续了解下聚类算法？可以阅读这篇文章《数学科学家需要知道的5种聚类算法》[3].就像分类算法一样，聚类可以用来检测异常。用户登陆之后的有不正常的操作？让机器暂时禁用他的账户，然后创建一个工单让技术支持人员检查下是什么情况。说不定对方是个“机器人”。我们甚至不必知道“正常的行为”是什么样，只需把用户的行为数据传给模型，让机器来决定对方是否是个“典型的”用户。这种方法虽然效果不如分类算法那样好，但仍值得一试。

降维(Dimensionality Reduction)

“将特定的特征组装成更高级的特征 ”

 

 “降维”算法目前用于：

推荐系统
漂亮的可视化
主题建模和查找相似文档
假图识别

风险管理

常用的“降维”算法：

主成分分析(Principal Component Analysis ,PCA)
奇异值分解(Singular Value Decomposition ,SVD)
潜在狄里克雷特分配( Latent Dirichlet allocation, LDA)
潜在语义分析( Latent Semantic Analysis ,LSA, pLSA, GLSA),
t-SNE (用于可视化)

早年间，“硬核”的数据科学家会使用这些方法，他们决心在一大堆数字中发现“有趣的东西”。Excel图表不起作用时，他们迫使机器来做模式查找的工作。于是他们发明了降维或者特征学习的方法。

 

 将2D数据投影到直线上(PCA)对人们来说，相对于一大堆碎片化的特征，抽象化的概念更加方便。举个例子，我们把拥有三角形的耳朵、长长的鼻子以及大尾巴的狗组合出“牧羊犬”这个抽象的概念。相比于特定的牧羊犬，我们的确丢失了一些信息，但是新的抽象概念对于需要命名和解释的场景时更加有用。作为奖励，这类“抽象的”模型学习速度更快，训练时用到的特征数量也更少，同时还减少了过拟合。

这些算法在“主题建模”的任务中能大显身手。我们可以从特定的词组中抽象出他们的含义。潜在语义分析(LSA)就是搞这个事情的，LSA基于在某个主题上你能看到的特定单词的频次。比如说，科技文章中出现的科技相关的词汇肯定更多些，或者政治家的名字大多是在政治相关的新闻上出现，诸如此类。

我们可以直接从所有文章的全部单词中来创建聚类，但是这么做就会丢失所有重要的连接(比如，在不同的文章中battery 和 accumulator的含义是一样的)，LSA可以很好地处理这个问题，所以才会被叫做“潜在语义”(latent semantic)。

因此，需要把单词和文档连接组合成一个特征，从而保持其中的潜在联系——人们发现奇异值分解(SVD)能解决这个问题。那些有用的主题簇很容易从聚在一起的词组中看出来。

 

 

 推荐系统和协同过滤是另一个高频使用降维算法的领域。如果你用它从用户的评分中提炼信息，你就会得到一个很棒的系统来推荐电影、音乐、游戏或者你想要的任何东西。

这里推荐一本我最爱的书《集体编程智慧》(Programming Collective Intelligence)，它曾是我大学时代的枕边书。

要完全理解这种机器上的抽象几乎不可能，但可以留心观察一些相关性：有些抽象概念和用户年龄相关——小孩子玩“我的世界”或者观看卡通节目更多，其他则可能和电影风格或者用户爱好有关。

仅仅基于用户评分这样的信息，机器就能找出这些高等级的概念，甚至不用去理解它们。干得漂亮，电脑先生。现在我们可以写一篇关于“为什么大胡子的伐木工喜欢我的小马驹”的论文了。

关联规则学习(Association rule learning)

“在订单流水中查找模式”

 

 “关联规则”目前用于：

预测销售和折扣
分析“一起购买”的商品
规划商品陈列
分析网页浏览模式

常用的算法：

Apriori
Euclat
FP-growth

用来分析购物车、自动化营销策略以及其他事件相关任务的算法都在这儿了。如果你想从某个物品序列中发现一些模式，试试它们吧。

比如说，一位顾客拿着一提六瓶装的啤酒去收银台。我们应该在结账的路上摆放花生吗?人们同时购买啤酒和花生的频次如何？是的，关联规则很可能适用于啤酒和花生的情形，但是我们还可以用它来预测其他哪些序列? 能否做到在商品布局上的作出微小改变就能带来利润的大幅增长？

这个思路同样适用电子商务，那里的任务更加有趣——顾客下次要买什么？

不知道为啥规则学习在机器学习的范畴内似乎很少提及。经典方法是在对所有购买的商品进行正面检查的基础上套用树或者集合方法。算法只能搜索模式，但没法在新的例子上泛化或再现这些模式。

现实世界中，每个大型零售商都会建立了自己专属的解决方案，所以这里不会为你带来革命。本文提及的最高水平的技术就是推荐系统。不过，我可能没意识到这方面有什么突破。如果你有什么想分享的，请在评论中告诉我。

 

 

 

原文：https://valyrics.vas3k.com/blog/machine_learning 美国公布30年来最严对华芯片管制措施(附28家企业名单) 这可能是1990年代以来，美国对华技术出口政策的最大转变。 美国政府周五公布了一系列全面出口管制措施，其中包括让中国无法获得世界上任何地方使用美国工具制造的某些半导体芯片。 这一系列措施可能是1990年代以来美国对华技术出口政策的最大转变。如果生效，将迫使使用美国技术的美国和外国企业切断对中国部分领先工厂和芯片设计机构的支持。 下文提供了美国此次发布的规则的关键内容，以及BIS正在进行的工作的其他背景，以更新其与中国相关的出口管制方法。 BIS关于先进计算和半导体制造的最新规则，在这两个关键领域解决了美国的国家安全和外交政策问题—— 首先，该规则对某些高级计算半导体芯片、超级计算机最终用途交易以及涉及实体清单上某些实体的交易实施限制性出口管制。 其次，该规则对某些半导体制造项目和某些集成电路（IC）最终用途的交易实施了新的控制。 具体来说，这些规则包括： 1）将某些包含此类芯片的高级和高性能计算芯片和计算机商品添加到商业控制清单（CCL）中； 2.）为在中国进行超级计算机或半导体开发或生产最终用途的项目增加新的许可证要求； 3.）将《出口管理条例》（EAR）的范围扩大到某些外国生产的高级计算项目和用于超级计算机最终用途的外国生产项目； 4.）将受许可证要求限制的外国生产项目的范围扩大到实体名单上位于中国境内的28家现有实体； 这28家实体包括： 1、Beijing Institute of Technology（北京理工大学）; 2、Beijing Sensetime Technology Development Co., Ltd.（北京市商汤科技开发有限公司）; 3、Changsha Jingjia Microelectronics Co., Ltd.;（长沙景嘉微）； 4、Chengdu Haiguang Integrated Circuit（成都海光集成电路）; 5、Chengdu Haiguang Microelectronics Technology（成都海光微电子科技）; 6、China Aerospace Science and Technology Corporation (CASC) 9th Academy 772 Research Institute（中国航天科技集团公司第九研究院772研究所）； 7、Dahua Technology（大华股份）； 8、Harbin institute of technology（哈尔滨工业大学）; 9、Higon（海光）; 10、IFLYTEK（科大讯飞）; 11、Intellifusion（云天励飞）; 12、Megvii Technology（旷视科技）; 13、National Supercomputer Center Zhengzhou（国家超级计算郑州中心）; 14、National Supercomputing Center Changsha (NSCC-CS)（国家超级计算长沙中心）; 15、National Supercomputing Center Guangzhou (NSCC-GZ)（国家超级计算广州中心）; 16、National Supercomputing Center Jinan（国家超级计算济南中心）; 17、National Supercomputing Center Shenzhen（国家超级计算深圳中心）; 18、National Supercomputing Center Tianjin (NSCC-TJ)（国家超级计算天津中心）; 19、National Supercomputing Center Wuxi (NSCC-WX)（国家超级计算无锡中心）; 20、National University of Defense Technology（国防科技大学）; 21、New H3C Semiconductor Technologies Co., Ltd.（新华三）; 22、Northwestern Polytechnical University（西北工业大学）; 23、Shanghai High-Performance Integrated Circuit Design Center（上海高性能集成电路设计中心）; 24、Sugon（中科曙光）; 25、Sunway Microelectronics（申威）; 26、Tianjin Phytium Information Technology（天津飞腾）; 27、Wuxi Jiangnan Institute of Computing Technology（无锡江南计算技术研究所）; 28、Yitu Technologies（依图科技）。 5.）在CCL中添加某些半导体制造设备和相关项目； 6.）为中国制造符合规定的IC的半导体制造“设施”增加了新的许可证要求。面向中国实体拥有的半导体制造设施的许可证将面临“拒绝推定”，跨国公司拥有的半导体制造设施将根据具体情况决定。 相关阈值如下： 16nm或14nm或以下非平面晶体管结构（即FinFET或GAAFET）的逻辑芯片； 18nm半间距或更小的DRAM内存芯片； 128层或以上NAND闪存芯片。 7）限制美国厂商在没有许可证的情况下支持在某些位于中国的半导体制造“设施”开发或生产集成电路的能力； 8.）对开发或生产半导体制造设备和相关项目的出口项目增加新的许可证要求； 9.）设立临时通用许可证（TGL），通过允许在中国境内与拟在中国境外使用的物品相关的特定、有限的制造活动，将对半导体供应链的短期影响降至最低。 以上规则在向《联邦公报》提交公众检查后分阶段生效。其中，半导体制造项目限制规则在提交公众检查时生效（2022年10月7日），限制美国支持在某些位于中国的半导体制造“设施”开发、生产或使用集成电路的规则将在五天后（2022年10月12日）生效，限制高级计算和超级计算机的规则以及其他的规则变更将在14天后（2021年10月21日）生效。 BIS还对未核实名单进行了修订：BIS正在更新其与BIS实体名单相关的法规，以澄清东道国政府持续缺乏合作，这实际上妨碍了BIS确定相关实体是否符合EAR，可能导致相关实体被直接列入实体清单。 该规则提供了一个例子，比如外国政府持续缺乏合作，阻止BIS核实“未经核实名单”（UVL）上公司的真实性，如果最终用途检查没有及时安排和完成，可能导致这些当事实体被直接移至实体清单。实体清单的所有增加、删除或修订仍需经最终用户审查委员会批准，该委员会由美国商务部、国务院、国防部和能源部组成。 目前该规则已经向UVL添加了31家中国实体，并删除了9家满足相关要求的实体。 新增的31个实体包括： 1、Beijing Naura Magnetoelectric Technology（北方华创磁电科技有限公司）； 2、Beijing PowerMac Company（北京普科测控技术有限公司）； 3、CCIC Southern Electronic Product Testing Co., Ltd.（中检集团南方电子产品测试股份有限公司）； 4、Chang Zhou Jin Tan Teng Yuan Machinery Parts Co., Ltd.（常州市金坛腾远机械配件有限公司）； 5、Institute of Mineral Resources，Chinese Academy of Geological Sciences（中国地质科学院，矿产资源研究所）； 6、Chinese Academy of Science(CAS)Institute of Chemistry（中国科学院化学研究所）； 7、Chongqing Optel Telecom（重庆奥普泰通信技术有限公司）； 8、Chongqing Xinyuhang Technology Co., Ltd. 9、Dandong Nondestructive Electronics（丹东市无损检测设备有限公司）； 10、DK Laser Company Ltd.（湖南大科激光有限公司）； 11、Foshan Huaguo Optical Co., Ltd.（佛山华国光学器材有限公司）； 12、GRG Metrology & Test (Chongqing) Co., Ltd.（广电计量检测（重庆）有限公司）； 13、Guangdong Dongling Carbon Tech. Co., Ltd.（广东东麟碳素科技有限公司）； 14、Guangxi Yuchai Machinery Co., Ltd.（广西玉柴金兴机械有限公司）； 15、Guangzhou GRG Metrology & Test (Beijing) Co., Ltd.（广电计量检测（北京）有限公司）； 16、Jialin Precision Optics (Shanghai) Co., Ltd.（嘉麟精密光学（上海）有限公司）； 17、Lishui Zhengyang Electric Power Construction（丽水正阳电力建设有限公司）； 18、Nanjing Gova Technology Co., Ltd.（南京高华科技股份有限公司）； 19、Ningbo III Lasers Technology Co., Ltd.（恒普（宁波）激光科技有限公司）； 20、Qingdao Sci-Tech Innovation Quality Testing Co., Ltd.（青岛科创质量检测有限公司）； 21、Shanghai Tech University（上海科技大学）； 22、Suzhou Sen-Chuan Machinery Technology Co., Ltd.（苏州森川机械科技有限公司）； 23、Tianjin Optical Valley Technology Co., Ltd.（天津光谷激光技术有限公司）； 24、University of Chinese Academy of Sciences（中国科学院大学）； 25、University of Shanghai for Science and Technology（上海理工大学）； 26、Vital Advanced Materials Co., Ltd.（广东先导先进材料股份有限公司）； 27、Wuhan Institute of Biological Products Co., Ltd. （武汉生物制品研究所有限责任公司）； 28、Wuhan Juhere Photonic Tech Co., Ltd.（武汉聚合光子技术有限公司）； 29、Wuxi Hengling Technology Co., Ltd.（无锡恒领科技有限公司）； 30、Xian Zhongsheng Shengyuan Technology Co., Ltd.（西安中盛圣远科技有限公司）； 31、Yangtze Memory Technologies Co., Ltd.（长江存储科技有限责任公司）。 已被删除的9个满足相关要求的实体： 1、Anhui Institute of Metrology（安徽省计量研究所）； 2、Chuzhou HKC Optoelectronics Technology Co., Ltd.（滁州HKC光电技术有限公司）； 3、Hefei Anxin Reed Precision Co. Ltd.（合肥安信瑞德精密制造有限公司）； 4、Hefei Institutes of Physical Science（合肥物质科学研究院）； 5、Jiutian Intelligent Equipment Co. Ltd.（久天智能装备有限公司）； 6、Suzhou Gyz Electronic Technology Co. Ltd.（苏州昀冢电子科技股份有限公司）； 7、Suzhou Lylap Mould Technology Co Ltd.（苏州亮宇模具科技有限公司）； 8、Wuxi Biologics Co., Ltd.（无锡药明生物技术股份有限公司）； 9、Wuxi Turbine Blade Co., Ltd（无锡透平叶片有限公司）。 根据这一监管变化，美国出口执法部门还发布了一份政策备忘录，解决外国政府防止最终用途检查的问题。该政策要求在请求检查后60天内将各方添加到“未核实名单”中，但东道国政府的不作为阻止了其完成，并且在东道国政府持续缺乏合作以促进完成检查时，在60天之后会将UVL各方直接添加到实体清单中。 公告称，该规则的文本，包括添加和删除的当事人名单，可在美国《联邦公报》网站上查阅。该规则于2022年10月7日生效。

“双碳”背景下氢-氨储运技术与经济性浅析

摘要：氢能产业发展是助力实现“碳达峰、碳中和”目标的重要路径之一，但氢气的储运难题是制约其规模化发展的主要因素。氨宜储宜运，是一种优质的氢能载体和零碳燃料，以氨供氢、以氨代氢有望成为破解氢储运难题的一种关键技术路径。总结了氨在传统领域的应用及储运形式；分析了氨在脱碳经济中的新应用及其技术发展情况；从远洋运输、陆上管道运输、氢能储存等方面比较了氢-氨储运模式的技术经济性；探讨了这一模式在未来规模化氢能储运中的发展潜力和存在的技术挑战；在此基础上给出了相关政策建议。

关键词 | 氢；氨；氢能载体；规模化储存和运输；管道；技术经济

摘要：氢能产业发展是助力实现“碳达峰、碳中和”目标的重要路径之一，但氢气的储运难题是制约其规模化发展的主要因素。氨宜储宜运，是一种优质的氢能载体和零碳燃料，以氨供氢、以氨代氢有望成为破解氢储运难题的一种关键技术路径。总结了氨在传统领域的应用及储运形式；分析了氨在脱碳经济中的新应用及其技术发展情况；从远洋运输、陆上管道运输、氢能储存等方面比较了氢-氨储运模式的技术经济性；探讨了这一模式在未来规模化氢能储运中的发展潜力和存在的技术挑战；在此基础上给出了相关政策建议。

关键词 | 氢；氨；氢能载体；规模化储存和运输；管道；技术经济

0 引言

氢能是一种理想的清洁能源，加快氢能产业发展是助力中国实现“碳达峰、碳中和”目标的重要路径［ 1］。2022 年 3 月，国家发展和改革委员会发布了《氢能产业发展中长期规划（2021—2035 年）》，将氢能正式纳入中国能源战略体系。据预测，中国2050 年氢能需求量可能达到 6 000×104t［ 2］。然而，全球氢使用量的扩大受到成本、效率、安全性等一系列因素的困扰，尤其氢气的远距离储运是行业的主要难点［ 3］。在此背景下，液氨作为一种氢的衍生物，由于其储氢密度高、易于储运，同时也是一种零碳燃料，逐渐受到业界青睐。目前，日本、韩国、澳大利亚等国均已在积极布局“氨经济”。利用可再生能源电解水制氢后，通过“氢-氨-氢”或“氢-氨”流程完成“绿氢”的储存和运输。本文将对氨的主要应用、氢-氨储运模式的技术和经济性以及主要挑战等进行初步分析，探讨这一模式在未来规模化氢能储运中的发展潜力，为进一步完善中国氢能产业规划提供参考。

1 氨的主要性质及储运方式

氨，是氮和氢的化合物，有时也称为合成氨。在氢能载体中，氨的体积含氢量达到 121 kg H2/m3，是液氢的 1.7 倍，是甲基环己烷（MCH，一种典型的液体有机氢化物）的 2.6 倍（见表 1）。同时，氨的储存温度和压力要求远低于液氢和压缩氢气，在常温、0.8 MPa 左右的低压或常压、-33 ℃的低温下即可液化作为液体运输和储存。此外，氨可以直接用作燃料，其热值约为同体积下 LNG（液化天然气）的 55%。

在安全性上，液氨不易燃烧，爆炸风险低。但由于氨具有强腐蚀性，且极易溶于水，再加上高气化潜热的特性，直接接触液氨会导致难以治愈的严重化学烧伤；另外，吸入一定浓度的氨会影响呼吸系统，并损伤眼睛和鼻黏膜。GB/T 536—2017《液体无水氨》将液氨划为强腐蚀性有毒物质，美国交通部将液氨分类为不易燃液体和吸入危害物。

 

 氨通常以液体形式运输和储存，其储运技术成熟。目前，全球氨贸易量仅占其总产量的 10%左右，大部分氨均在产地就近消费，中短距离运输通常为公路和铁路罐车运输方式，大多数采用全压式常温槽罐。

液氨管道运输不易受天气和交通条件影响，效率较高，目前主要在美国有较大规模的应用。美国的输氨管网始建于 1960 年代，迄今为止已建管道总里程约 5 000 km，其中最长的一条是由 Nustar Energy（纽星能源公司）经营的海湾中央管道系统，长度达 3 200 km，从墨西哥湾的氨进口端一直延伸至中西部玉米种植地区［ 4］。该管道设计管径为 150～250mm，收集支线连接了 7 座氨合成厂，分配支线连接至 36 座大型中转储库；最大操作压力为 9.8 MPa，运输能力达 225×104t/a。

远洋或沿海长距离的氨运输一般采用冷冻型氨运输船，船上配备了制冷设施用来处理蒸发气；一些氨运输船还用于装载其他液化气体，特别是 LPG（液化石油气）。据美国的液氨管道运行经验，在100 km 以内，管道运输费率与铁路和公路运输差距不明显，运输距离越长，管道运输优势则越大（见图 1）。

在储存方面，目前液氨储罐有冷冻型、半冷型、全压型等 3 种类型。冷冻型和半冷型储罐设有保冷和氨蒸发气回收系统，一般适用于大容量储存。全压型储罐是在液氨无保温和制冷条件下的储存方式，设计压力一般高于 1.8 MPa，一般采用球罐或水平圆柱形卧罐结构；受罐体制造的技术经济性所限，液氨带压储存单罐容量一般不超过 5 000 t，适用于中小规模储存。

 

 2 氨的新应用及其技术发展情况

氨用途广泛，在化肥领域已有 100 余年的应用历史，至今全球约 80%的合成氨仍用于化肥生产。此外，氨也被工业部门用作化工原料和制冷剂。

在全球碳减排的背景下，为降低化石能源的消耗和对生态环境造成的负面影响，氨作为能源载体的研究近年来得到迅速发展，特别是氨直接利用技术的进步可能使氨成为一种重要的二次能源，在航运、航空、发电、电网储能和规模化零碳能源出口等领域获得广泛应用。以氨供氢、以氨代氢成为氢能的发展趋势之一，业界也将氨称为“另一种氢”或“氢 2.0”。

2.1 氨燃料电池

氨燃料电池可根据供氨方式的不同分为直接氨燃料电池和间接氨燃料电池［ 6］。直接氨燃料电池可分为 SOFC（直接氨固体氧化物燃料电池）、直接氨碱性燃料电池、直接氨碱性膜燃料电池等 3 大类。氨燃料电池可应用于分布式发电、热电联产、燃料电池汽车等领域。

日本在直接氨燃料电池技术上领先，京都大学的研究小组发现，氨直接用作 SOFC 的燃料时能获得与使用纯氢作为燃料相同水平的发电特性；IHI株式会社（简称 IHI）成功开发出一个 1 kW 级氨SOFC 系统，并正在继续开发更大规模的商用氨SOFC 系统。中国在间接氨燃料电池上也有突破，福州大学化肥催化剂国家工程研究中心首创了常压低温氨分解催化剂，并开发出氢-氨燃料电池系统，2022 年 2 月，由福大紫金氢能科技股份有限公司开发的 3 kW 级氢-氨燃料电池发电站成功投入发电。

2.2 氨燃气轮机

氨应用于燃气轮机的研究最为广泛，包括氨气纯燃、氨气与氢气混燃及氨气与甲烷混燃。在 1 MW以下小型燃机领域，目前通过采用加压、分级燃烧技术以及常规的 SCR（选择性催化还原法）脱硝装置，可以达到 99.8%的燃烧效率并满足 NOx 排放标准，已具备商业化应用条件［ 7］。丰田能源解决方案株式会社成功开发了 50 kW 级和 300 kW 级的氨专烧微型燃气轮机。在中型燃机领域，IHI 开发了用于甲烷、氨共烧的低 NOx 排放燃烧器，并完成了使用70%氨在 2 MW 级燃机发电中的实证试验，正在开发应用于中型燃机的氨专烧技术。

大型燃机的开发与中小型燃机不同，没有采取直接将氨用作燃料的方法，而是利用大型燃气轮机联合循环发电机产生的废热和催化剂将氨分解生成氢后供给燃烧器。这是因为在大型燃机中，燃烧器的尺寸受限，无法支持氨完全燃烧，并且在高温燃烧条件下，对 NOx 的控制更加困难［ 8］。日本、韩国、美国等都在积极开发使用氨燃料的发电用大型燃机，三菱动力正在开发一种可直接燃烧 100%氨的40 MW 级燃机，计划在 2025 年实现商业化。

2.3 氨内燃机

氨内燃机包括车用和船用发动机，目前研究热点和未来发展方向是船用发动机。随着环保要求越来越高，对船用内燃机技术的发展提出了新的挑战，国内外的厂家和船东等纷纷看好氨燃料在船舶动力中的应用。欧洲主导了氨燃料发动机研发，曼恩能源解决方案公司和瓦锡兰集团均计划于 2024 年左右推出氨燃料发动机，并参与了全球多个氨燃料船舶研发项目；中国和韩国企业则将重点放在氨燃料船舶的船型研发，多艘船型设计已获得船级社原则性批准；2020 年，日本国土交通省发布《日本航运零排放路线图》，积极推进氨燃料船的商业化，除投入氨船用发动机和船型研究之外，日本企业还积极布局氨船舶燃料供应网络。

2.4 氨用于火力发电燃煤替代

氨的燃烧速度较慢，适合与煤粉混烧。目前日本在燃煤电厂混氨燃烧技术方面处于领先地位，根据研究，在燃煤电厂中掺烧 20%的氨，可削减约 17%的 CO2 排放［ 9］。IHI 在 10 MW 级试验锅炉中开展了燃烧试验，结果表明在 20%的氨混烧率下可以将NOx 值抑制在与煤专烧锅炉相当的水平。在此基础上，东京电力公司全资子公司 JERA、IHI、丸红株式会社、Woodside Energy（澳大利亚伍德塞德能源公司）等 4 家公司接受了 NEDO（日本新能源产业技术综合开发机构）的委托，进一步在大容量粉煤火电中进行氨混烧的示范应用；JERA 负责碧南火力发电厂 1 000 MW 机组的运行，IHI 负责研究氨在锅炉中的混烧技术，丸红负责运输氨燃料，WoodsideEnergy 则负责氨制备。日本计划到 2030 年用氨替代20%的煤炭供应，2050 年实现 100%替代。中国也在积极探索氨、煤混烧技术，2022 年 1 月，国家能源投资集团有限责任公司首次以 35%掺烧比例在 40MW 燃煤锅炉上实现了混氨燃烧工业应用。

2.5 氨用于工业锅炉

工业炉的大小和类型各不相同，但是工业炉所消耗的化石燃料数量巨大，占整体的 20%以上。在工业炉领域中，氨直接利用技术也取得了成果。日本大阪大学的研究小组进行了 10～100 kW 级模型工业炉的实证研究，在氨专烧和甲烷与氨混烧（30%氨）的测试中，通过多段燃烧技术和富氧燃烧技术，可以获得较好的传热性能并有效抑制 NOx 排放。2021 年 12 月，佛山仙湖实验室联合多家企业发起成立了先进零碳燃烧技术联合创新研发中心，成为中国首家开展氢、氨高温窑炉零碳燃烧技术研发的创新平台。

2.6 氢能载体和储能

氢能及其衍生物是集中式可再生能源大规模长周期储能的最佳途径。相比氢能，氨能更易于长时间储存和运输，这对于可再生能源电力赋存区与需求区空间距离较远的国家和地区来说，发展氨能意义尤其重要。日本在 2014 年启动的 SIP“能源载体”项目中，对液氢、MCH、氨这 3 种能源载体进行了详细研究，目前已进入实证阶段，旨在通过氢能载体方式从海外引入大规模零碳能源。澳大利亚、俄罗斯等能源资源富集国家也积极探索规模化的氢能、氨能出口，以便在未来全球能源供应体系中占据优势。中国可再生能源电力主要集中在“三北”地区，消费中心集中在中东部，发展氨作为可再生能源的储存和输送载体具有较大潜力。2022 年 2 月，国家发展和改革委员会、国家能源局联合印发了发改能源〔2022〕209 号《“十四五”新型储能发展实施方案》，明确提出开展依托可再生能源制氢（氨）的氢（氨）储能等试点示范，满足多时间尺度的应用需求。

综上，氨在脱碳经济中具有广阔的发展空间，但由于氨直接利用技术目前大多还处于研发阶段，实现完全商业化尚需很长一段路。据 Argus（阿格斯公司）预测［ 10］，2030 年前全球氨能利用处于导入期，2030 年氨贸易量有望从 2020 年的 1 870×104t增至 2 600×104t，这主要来自日本氨发电需求和氨氢贸易需求；此后，航运领域脱碳需求将推动氨市场快速增长，到 2050 年全球氨贸易量有望增至 2×108～3×108t，这意味着氨储运基础设施规模要在现有基础上扩大 10～15 倍。

3 氢-氨储运模式技术经济性分析

氨是二次能源，目前通过煤、天然气等化石能源合成，未来将主要通过电解水制氢合成氨，其生产成本主要受氢的生产成本影响。生产成本固然是构成一种燃料成本的主要部分，但储运成本也非常重要，尤其是在需要规模化储运设施来维持稳定供应并适应生产和消费的季节性差异的情况下。本文重点探讨在远距离规模化储运和长时间储能情景下氢-氨模式的技术经济性（货币单位以人民币计，美元兑人民币汇率按 6.5）。

3.1 氢能载体远洋运输的技术经济性比较

由于气态氢不适宜远洋运输，对于大规模氢能进出口项目，需要用到氢能载体，目前比较可行的有 LH2（液氢）、NH3（氨）、LOHC（液体有机氢化物）等 3 种方案。氢能载体的使用需要经历载体的制备、运输及再次提取气态氢等过程。NEDO［ 8］、IEA［ 11］（国际能源署）、IRENA［ 12］（国际可再生能源机构）等均对氢能载体从制备到提取氢全链条进行了较详细研究，结论基本一致，在 2030 年可预期的技术条件下，氨和 LOHC 方案较 LH2方案更有优势；若考虑氨在终端直接用作燃料（LOHC 不能直接作燃料），则去除再脱氢的成本后，氨方案具有显著优势。综合相关研究，详细对比分析如下：

目前，氨载体方案所有环节均可采用成熟技术，其成本主要在氨制备和再脱氢环节。在制氨方面，因装置规模、技术路线、地域等不同，单位投资和运行成本有所差异。Bartels 等［ 13］分析了氨合成成本构成，以 2 200 t/d 合成氨装置加配套空分装置为例，由氢制氨的成本约 5.2 元/kgH2；而在常规天然气合成氨厂，不需要考虑空分装置投资，成本还可下降至 2.8 元/kgH2。氨船运成本有现实数据可供参考，10 000 km 距离约 260 元/tNH3（约 1.46 元/kgH2）；出口、进口端港口码头存储和装卸费用按 0.52 元/kgH2考虑。张剑光［ 14］分析液氨裂解制氢成本约为 2.0～2.5 元/m3，据此估算扣除原料成本后的氨脱氢成本约为 7.2～13.0 元/kgH2，IEA［ 1 1］估算脱氢成本可能低至 5.2～6.5 元/kgH2，本文取 9.75 元/kgH2。综合以上，得到 10 000 km 氨船运全链条成本约 16.93 元/kgH2（见表 2）。

 

 LOHC 也是一种技术成熟的方案，目前常用材料如环己烷和甲基环己烷等。LOHC 体积储氢密度仅为液氨的 40%左右，且需考虑有机溶剂储存和往返运输，故需要更多的储运设施。在脱氢过程 LOHC需要消耗的能量一般也高于液氨。但 LOHC 制备相对容易，据了解，日本已开发出有机氢化物电解合成技术，未来还可能大幅降低制备成本。综合来看，LOHC 的全链条成本与氨基本相当。

大规模液氢船还处于概念设计中，液氢方案目前还不成熟。10 000 km 液氢船运全链条成本约 26元/kgH2，主要成本来自氢液化和船舶，现有研究对氢液化成本的估算差异较大，大致为 6.5～13 元/kgH2。此外，船运过程中液氢的日蒸发率大约是液氨的 20 倍［ 15］，随着运输距离的增加液氢 BOG（蒸发气）量也大幅增加，BOG 的处理问题将制约其经济运输距离，IRENA 报告认为一般不超过 4 000 km。

3.2 管道输氨与输氢的技术经济性比较

中国规划在西部沙戈荒地区建设新能源装机4.5×108kW，电力主要通过特高压外送。由于新能源的间歇性特点，加之输电容量有限，弃风和弃光问题有可能随着新型电力系统中风电、光伏渗透率的不断增加日益突出。氢能可以进行化学储能和运输，实现能源的时空转移，与电网形成良好耦合。黄宣旭等［ 16］就中国规模化氢能供应链的经济性进行了探讨，提出了利用西北富裕的风光发电制氢，以干线高压氢气管道加城市氢气配送网络相结合的方式构建“西氢东送”制储输用完整产业链。IRENA报告指出，在具备使用陆上管道条件下，运距小于4 000 km 时管道运输相对氢载体（船运）方案更具优势，若考虑利用已建天然气管道改造后输氢，经济合理的运距还可扩大至 8 000 km。管道输氢无疑是一个重要的发展方向，然而，由于氢气的特殊性质，规模化长距离输氢管道在安全性和经济性上还有很多需要解决的问题。首先是氢脆问题给管材选择和压力设计带来的限制，欧洲和美国的经验证明管道输氢适宜选择低强度等级的钢材和中低操作压力［ 17］；其次，高压氢气体积能量密度低，相同条件下，天然气约为氢气的 3.3 倍，而液氨则约为氢气（7 MPa，20 ℃下）的 17 倍，这意味着输送同等能量，氢气管道较天然气或液氨管道需要更大的管径和更多的压缩能耗，也就意味着更高的成本；再者，氢气爆炸范围极宽（4.0%～75.6%），泄漏带来的安全风险很高。考虑到氨宜储宜运，有成熟的储运经验，安全风险可控，因此有必要探讨管道输氨代替输氢并与特高压输电互补的未来可再生能源战略输送通道。

以 1 条 1 000×104kW 特高压直流通道作为参考，设计年输电量为 500×108kW·h，按热量等价计算，相当于年输送氢气 150×104t 或液氨 970×104t。液氨管道的经济流速一般为 2～3 m/s，因此管径600 mm 的液氨管道可以满足上述需求，单位综合运输成本（含固定投资折旧、运行能耗成本及非能耗成本等）估算为每千千米 0.585 元/kgH2。而大规模氢气管道还缺乏应用实践，经济流速尚有待探讨。GB 50177—2005《氢气站设计规范》对站内及厂间氢气管道的流速作出了规定，设计压力 3 MPa 以上最大流速不超过 10 m/s，目前还没有针对氢气长输管道的设计规范，国内已建输氢管道大多参考该规范选择了较为保守的氢气流速。戴文松［ 18］研究认为，该流速限定对小管径小输量适用，但在大管径规模化氢气输送场景下则偏保守，建议适当提高氢气的管内流速，有利于减小管径，降低建设投资。因此，针对 150×104t/a 氢气输量，本文通过水力模拟分析，选择了 7 MPa 设计压力和 1 000 mm 管径方案，估算输氢管道单位运输成本为每千千米 3.25 元/kgH2（见表 3）。

 

 从上述比较可知，单看管输环节，管道输氨成本远低于输氢；加上氨制备成本后，二者水平接近；再考虑受端脱氢成本，则输氨经济性上处于劣势。由于在一定规模下，仅管道成本随距离增加而近于线性增长，单位制氨和脱氢成本不受距离影响，因而管输距离越长，输氨更有利。

需要说明的是，由于一些重要的假设（如设计压力、最大允许流速等）和经济参数（如线路和压气站单位投资、动力消耗中的电价等）取值不同，可能导致经济输送方案和单位输送成本估算结果存在差异。据研究，一条新建的输氢管道（输送规模50×104t/a、管径 500 mm 以上）每千千米输氢成本大致为 1.95～6.5 元/kgH2，具体取决于管道直径和压缩机的使用情况［ 19］。一般情况下管输量越高，单位输送成本越低。European Hydrogen Backbone（《欧洲氢气骨干网络》）提出的目标是到 2040 年实现氢气管输平准化成本达到每千千米平均 0.2 欧元/kgH2（1.38 元/kgH2）。成本的下降主要源于未来技术进步，如，该报告中提到 36 英寸（900 mm）管道输氢容量达到 7 GW，本文估算的 1 000 mm 管道经济输量为 6 GW，900 mm 为 5.2 GW，意味着同管径下经济输氢量未来需要提高约 35%，这难度很大。

另外，MCH 的管道输送类似于成品油管道，虽然技术成熟可靠，但由于 MCH 不能直接用作燃料，必须在管道末端再转化为氢气，并且其含氢量低，在不考虑脱氢损耗时 150×104t 氢需要 2 435×104tMCH，且需考虑溶剂甲苯（约 2 285×104t，）的返回运输和储存，大大增加了储运设施投资，这在远洋运输中尚有可行性（MCH 运输船返航时可装载甲苯），但在规模化管道输送情景中不太具有技术适用性，除非能够使用闲置的成品油管道改造用作 MCH管道。

3.3 储氨与储氢的技术经济性比较

氢 储 能 是 一 种 新 型 储 能 ， 包 括 直 接 储 氢（Power-to-Gas，P2G），或者转化为氨等化学衍生物（Power-to-X，P2X）进行更安全的储存，在能量、时间和空间维度上具有突出优势。对于规模化储氢，比较可行的方案有低温液态储氢、储氨和地下储氢库。地下储氢库又有地下管道储氢、内衬岩洞储氢、废弃气田储氢和地下盐穴储氢等方式，其中盐穴是地质储氢的理想选择。综合相关文献资料，下面对储氨、液氢和盐穴储氢的投资与储存成本进行分析。

一个储存能力为 2.5×104t（129 GW·h）的典型液氨储库，包含 1 座低温储罐、制冷系统、液氨处理及公用工程等在内，其总体投资约 1.3×108 元［ 13］，单位投资约 1.04 元/（kW·h）。可变运营成本主要取决于运行能耗和储罐周转量及周转频次等因素，假设短期储存用于月或周调节，按 15 d（半月）考虑，长期储存用于季节性调节，按 182 d（半年）考虑，估算储氢成本分别为 0.39 元/kgH2和 3.51 元/kgH2。

根据国际知名的储氢解决方案公司 CB&I（西比埃公司）的数据，一个容量为 506 t（16.87 GW·h）的大型液氢球罐投资约 6 305×104 元，单位投资约3.74 元/（kW·h），但这不包括制冷系统和公用工程配套；考虑 BOG 再液化系统（1 500 kg/h）和其他配套设施后预计投资将高达 3.48×108 元［ 13］。从运行能耗看，氨液化能耗约 117.9 kJ/kgH2，而氢液化能耗约 36 000 kJ/kgH2，约为氨的 300 倍。液氢方案15 d 和 182 d 储氢成本估算分别为 12.81 元/kgH2和97.17 元/kgH2。

一座典型的地下盐穴储氢库工作气量可以达到2 000～4 000 t（67～133 GW·h）。据 Ahluwalia 等［ 20］在 2019 年美国能源部年度绩效评估和同行评估会议上的报告，地下盐穴储氢单位投资成本约 227.5～247 元/kgH2，合 6.82～7.41 元/（kW·h），其中地下工程和地面工程投资大约各占 50%，当周转天数按10 d 计算，对应盐水处理成本 0～13 元/桶下 LCOHS（平准化储氢成本）约为 1.23～1.75 元/kgH2。若LCOHS取 1.36 元/kgH2，估算 15 d 和 182 d 储氢成本分别为 1.49 元/kgH2 和 13.32 元/kgH2。

综上，以氨储氢具有投资低、能耗低的优势，尤其适宜大规模、长周期的氢能储存场景，而且不受地质条件所限，建设地点选择较为容易。储氨和其他氢储能方式对比详见表 4。

 

 

 4 主要挑战与前景展望

4.1 主要挑战

尽管氢-氨储运模式有望成为解决氢储运难题的最佳选项，但是要真正实施至少还有以下挑战需要克服。

第一，由于氨脱氢需要较高能量，导致氢-氨-氢-电转换效率不高，限制了氨在某些场景下的扩大应用，如，道路交通领域以及氨燃料电池发电，迫切需要进一步开发低温高效安全的氨分解技术和直接氨燃料电池技术。
第二，氨作为燃料直接用于发电、船舶动力、工业燃料等领域面临稳定燃烧和 NOx 排放控制的技术挑战。
第三，在氨制备方面，需要进一步探索高效合成技术以降低成本，同时需要探索适应可再生能源间歇性特点的灵活性合成氨生产运行管控技术。
第四，氨具有毒性和腐蚀性，在生产、储运和利用环节需要有效解决泄漏问题和腐蚀防控问题。此外，归根结底氨是以氢能衍生物成就其在未来能源体系中的地位的，氢的生产成本占据整个供应链最重要部分，要实现规模化发展，还有赖于低成本绿氢或蓝氢的制取。

4.2 前景展望

从全球氢能贸易来看，综合考虑出口国产地—出口港口—进口港口—需求地全过程储运的复杂性和安全性，氢-氨模式是当前和可预期的技术条件下最具技术经济可行性的方案，将有望成为大型氢能进出口项目的主要方案。DNV（挪威船级社）预测2050 年全球将新增 1.5×108t 燃料氨的国际贸易，另有约 1.1×108t 新增燃料氨在区域内部分销［ 21］。

在应用上，据 Chatterjee 等［ 22］的研究，以目前技术水平，在电-氢-氨-氢-电体系中，总能效仅14.1%～23.8%，若采用氨直接固体氧化物燃料电池转化为电，则在电-氢-氨-电体系中总体能效为25.1%～37.6%。上述不管哪种方式，与纯电动车相比，氢氨燃料电池车基本没有竞争力。未来氢-氨模式应将发展重点放在发电、船舶动力和工业燃料等直接利用领域，公路交通主要以实现全部电气化为发展方向，氢和氨作为辅助应用。从中国情况看，中国拥有约 11×108kW 的燃煤电厂和庞大的船舶燃料市场，未来氨在国内电力行业、海运行业、工业制造业等领域的脱碳中有望发挥重要作用，同时综合考虑氨在长距离运输和长时间储能上的优势，有必要进一步评估氨能在构建中国氢能战略体系中的地位和作用，加强重点领域技术攻关，合理布局氢、氨的生产和应用。

在储运环节，建议进一步研究以跨区域输氨管道为骨干，以海外氨进口终端、氨储配中转库、门站集中式氨-氢转换站为支点，以区域性氨分销支线和中低压纯氢或掺氢管道为支撑，以公路、铁路和水运为补充的大氢能储运网络；构建就地制氢、西氢东送、海上进口氢多元供应格局，形成天然气管道掺氢助力城市燃气、部分工业和发电脱碳，液氨管道输氢助力基础电力、航运和工业大用户脱碳的两轮驱动模式，以满足中国中长期氢能发展需要。

5 结束语

通过分析氨的利用、对比氨与其他氢能载体在远洋运输、内陆长距离管输、储存等方面的技术经济性，探讨了在“双碳“背景下，氢-氨储运模式的应用场景和意义，认为随着氨燃料直接利用技术的日趋成熟，氢-氨模式将有望成为解决氢能规模化储运难题的最重要选项之一。建议进一步评估氨能在构建中国氢能战略体系中的地位和作用，合理布局氢、氨的生产和应用，构建新型氢-氨储运网络。

 

 

参考文献链接

https://mp.weixin.qq.com/s/q-xd_Q59XbIMMLU1WSe8Hw

https://mp.weixin.qq.com/s/0oIgjqCRBcedjn_62BMRfA

https://mp.weixin.qq.com/s/stx0b57o9yggR59Hd8dmmA

https://mp.weixin.qq.com/s/cX9P38fCXjye0V9M9aK-yQ

标签：机器,量子力学,芯片,Co,储运,算法,Ltd,氢能
From： https://www.cnblogs.com/wujianming-110117/p/16774316.html