新聞及香港科大故事

由香港科技大學（科大）工學院領導的研究團隊在量子棒發光二極管（QR-LED）技術上取得重大進展，為紅色QR-LED創下了破紀錄的高效率水平。這項創新有望徹底改變下一代顯示與照明技術，為智慧型手機和電視用戶帶來更生動、更優質的視覺體驗。發光二極體（LED）早於數十年前已應用於電子產品，直至近年量子材料出現，催生出量子點LED（QD-LED）和量子棒LED（QR-LED）。與目前主流的LED技術相比，QD-LED能夠提供更高的色純度（顏色鮮豔程度）和亮度。然而，光取出效率是主要障礙，因為它為外部量子效率（EQE）設定了根本性的上限，從而阻礙了性能的進一步提升。QR-LED所採用的量子棒是一種細長形的納米晶體，具有獨特的光學特性。通過改良設計，可優化光的發射方向，從而提高光取出效率。然而，QR-LED面臨兩大技術挑戰：一是材料在吸收光子後，其光致發光量子產率（即發射和吸收光子數量的比率）較低；二是薄膜質量較差，容易引起漏電流現象。為突破現有局限，由科大電子及計算機工程學系副教授Abhishek K. SRIVASTAVA教授所帶領的研究團隊，通過精細的合成工藝成功提升了QR-LED的光學性能，並實現了紅色和綠色量子棒在尺寸分布和形狀上均一，令光致發光量子產率顯著提升至92%，這些特性對於優化QR-LED性能至關重要。過往的研究一直忽視了不規則量子棒薄膜所引起的漏電流現象，以及該問題對QR-LED外量子效率的負面影響。為此，團隊構建了一個等效電路模型，以深入分析傳統QR-LED結構中的漏電流問題及其器件的工作原理，從而開發具針對性的解決方案以抑制電流洩漏。通過對QR-LED器件結構進行優化改造，團隊在提升載流子注入效率的同時，顯著抑制了漏電流的現象。採用新技術後，經優化後的紅色QR-LED實現了高達31%的外量子效率，亮度達110,000 cd m⁻²，創下了紅色QR-LED研究的新紀錄。為驗證該技術的通用性，團隊以相同方法應用於綠色點棒狀量子棒，同樣取得滿意結果：外量子效率20.2%，並實現了250,000 cd m⁻²的超高亮度。有關成果不僅證明了團隊的創新方法有效，也展示了其在不同顏色和形狀量子棒的龐大應用潛力。

人工智能（AI）圖像編輯及生成模型獲廣泛應用於圖像創作，然而其對抽象概念如感覺和氛圍等理解精準度一直存在局限，且多依賴純文字指令，較難準確表達複雜圖像意思，亦無法捕捉風格、材質或光影等效果。由香港科技大學（科大）馮諾依曼研究院院長兼計算機科學及工程學系講座教授賈佳亞教授帶領的團隊成功開發名為「DreamOmni2」的AI圖像生成和編輯器，不僅擁有卓越的多模態指令編輯和實體物件生成能力，更在抽象概念的理解和生成方面有重大突破，讓AI不僅能「看圖」，更能「理解圖意」，多方面表現優於同類型開源和閉源模型，為AI創作開啟無限可能。直擊缺陷：解鎖抽象概念的創作潛能近年，圖像編輯及生成模型的發展進入爆發階段，新品頻出，但暫時仍未有任何模型能徹底克服實際操作上遇到的兩大缺陷。其一是文本指令的局限性，純文字指令難以準確描述人物特徵、抽象紋理等細節。其二是抽象概念的缺失，現有模型僅能處理有形實體，如人物、物件，無法有效應對髮型、妝容、紋理、光影效果或風格等抽象概念，極大程度上限制了創作空間。DreamOmni2則可解決有關難題，成功執行兩大全新任務，包括根據用家輸入的抽象或實體概念，執行多模態指令編輯和生成，真正成為「全能創作工具」。全面性能測試：超越現有開源與閉源模型在多模態指令生成任務中，DreamOmni2能基於圖片中的實體進行圖像生成，例如提取圖一的畫作掛在臥室牆上，將圖二盤子的材質套用在圖三的水杯，並將水杯放置在桌子上，以生成符合用家要求的新圖像（圖示一）。在多模態指令編輯任務中，DreamOmni2的表現亦非常優秀，例如將圖中帽子的顏色變成與另一張圖毛衣相同的配色（圖示二）。

2025年10月16日至19日，香港科大「創科行」（第4站）＠HICOOL 2025全球創業家高峰會系列活動成功舉辦！HICOOL全球創業家高峰會被譽為「全球創新創業風向標」，本屆高峰會吸引100餘個國家和地區的頂尖創新力量齊聚。作為「創科行」活動的核心連結場景，本屆高峰會活動為香港科大搭建了「成果展示+思想碰撞」的雙重平台，成為本次創科行的重頭戲。

香港科技大學（科大）成功研發創新人工智能（AI）系統SmartPath，革新癌症病理診療全流程。系統由科大計算機科學及工程學系和化學及生物工程學系助理教授兼醫工交叉聯合創新中心主任陳浩教授帶領的團隊所開發，整合臨床診斷、分型、生物標記物量化、治療評估及預後跟進功能，涵蓋多種癌症類型，以加快診斷速度，為患者提供更個人化的治療方案。SmartPath建基於全球其中一個規模最大及最多元的病理數據集，涵蓋34種主要人體組織部位、逾50萬張全切片影像。系統可輔助專業醫療人員執行逾百項臨床任務，包括癌症病情分級、分型、治療反應評估、存活率預測，以及生成詳細病理報告等。系統的關鍵突破在於能通過綜合病理基礎模型框架，精準診斷多種香港發病率最高的癌症，包括肺癌、乳腺癌、大腸癌及胃癌。創新功能一站式支援臨床診療全流程SmartPath系統的核心能力由兩大整合式AI模型驅動：卓越的跨癌種通用能力：系統核心的通用病理基礎模型（GPFM）提供了統一框架，能精準識別不同腫瘤類型及癌症亞型與生物標記物量化。該系統不僅能進行診斷，更能預測患者的生存期及評估潛在治療反應，為個人化治療奠定基於數據的基礎。多模態智能深化病理分析：系統另一重要的多模態全切片病理基礎模型（mSTAR）整合了病理影像及海量的文字數據，包括病理報告及轉錄組學數據，可在短短數分鐘內自動生成資料詳盡的病理報告，並具備視覺諮詢功能，讓病理學家能針對切片細節提問。

香港科技大學（科大）最新研究顯示，一種名為TREM2 H157Y的遺傳變異會顯著增加中國人群罹患阿爾茲海默症的風險。研究發現，此遺傳變異所帶來的致病風險，與目前已知最強的阿爾茲海默症遺傳風險因子APOE-ε4相近，能使病情迅速惡化和帶來更嚴重的神經退行性病變。這項研究是該領域首個針對中國人群多發的阿爾茲海默症遺傳風險因子TREM2 H157Y遺傳變異所進行深入的家族臨床個案研究。研究成果已刊登於國際權威科學期刊 Alzheimer’s & Dementia: The Journal of the Alzheimer’s Association，對疾病監測和病人照顧影響深遠。主要研究結果包括：TREM2 H157Y 遺傳變異與阿爾茲海默症風險增加相關。大約每 200 名中國阿爾茲海默症患者就有一人攜帶 TREM2 H157Y 遺傳變異。攜帶TREM2 H157Y遺傳變異患者的臨床病情惡化更迅速。攜帶TREM2 H157Y遺傳變異的阿爾茲海默症患者出現更嚴重的病理影響。TREM2 H157Y遺傳變異攜帶者的血液蛋白生物標誌物的變化揭示了特定的潛在生物學機制，凸顯其在監測疾病進程及制定個人化疾病管理策略方面的應用潛力。

膜蛋白在許多生物過程中發揮着關鍵作用，同時也是重要的藥物靶點。過去數十年來，科學家一直依賴去垢劑從細胞膜中提取膜蛋白以進行結構研究。儘管這些既有方法顯著推動了人們對膜蛋白結構的理解，但也存在一些限制，例如去垢劑篩選過程消耗資源以及缺乏天然膜脂環境，這可能阻礙了對脂質介導膜蛋白調控機制的深入研究。為此，由香港科技大學（科大）生命科學部黨尚宇教授領導的研究團隊就開發了一種基於囊泡的新方法，能夠保留天然脂質環境，促進後續的結構和功能研究。經過四年的系統研究，黨教授團隊的新方法避免了使用去垢劑進行純化，而是直接從細胞膜中生成含有目標蛋白的囊泡，供後續的冷凍電鏡成像和結構研究。團隊建立了一套完整的工作流程，用於囊泡樣品的製備、純化和質量控制，使這種方法可適用於多種膜系統。為了應對由天然膜結構引起的強背景信號和干擾，他們開發出一種基於電鏡圖片的分選方法，並結合人工智慧模型，專門分離高質量的膜蛋白粒子。研究團隊成功將這種方法應用於多個膜蛋白系統，解析了在大腸桿菌細胞膜中過度表達的AcrB蛋白3.9 Å分辨率結構，以及在豬心線粒體內膜中解析的天然呼吸鏈複合物III的3.0 Å分辨率的結構。該研究的第一作者、博士候選人劉航表示：「憑藉黨教授的跨領域研究策略，團隊成功建立了一個涵蓋樣品製備和數據處理的綜合系統，用於膜蛋白的原位結構研究，並解決了不少以往未能克服的挑戰。」與傳統基於去垢劑的方法相比，這種新方法不僅成本更低、操作更簡單，使用也更便捷，最重要的突破是它保留了天然膜環境和關鍵脂質分子，最大限度地維持了膜蛋白的天然構象。這種新方法也表現出良好的通用性，可以適用於不同物種和細胞膜結構的各種膜蛋白，有望顯著減輕研究人員的工作量，降低膜蛋白結構解析的難度，並拓寬冷凍電鏡結構生物學的研究範圍。

由香港科技大學（科大）甘劍平教授（海洋科學系）和楊燦教授（數學系）領導的研究團隊，開發了一種新型AI驅動的工具，名為STIMP，用於診斷沿岸海洋生產力和生態系統健康。STIMP引入了一種新範式，能夠對缺失數據進行插補，從而在大時空尺度上預測葉綠素a（Chl-a）濃度。在對四個全球代表性沿海區域的測試中，STIMP的表現顯著優於現有的地球科學工具，將插補的平均絕對誤差（MAE）降低最高達81.39%，預測的平均絕對誤差降低了58.99%。準確的葉綠素-a預測有助於及早檢測有害藻華，保護生態系統，並為制訂海洋政策提供具數據基礎的見解。 沿岸海洋是地球上生產力最高的海洋生態系統，因為來自陸地的營養鹽輸入和活躍的水動力過程促成了高生物生產力和生物多樣性。然而，沿岸海洋生態系統易受頻繁且嚴重的富營養化、生物地球化學極端事件和缺氧的影響，這些因素嚴重威脅著沿海環境的可持續性以及沿海地區的藍色經濟。葉綠素a的濃度是衡量海洋環境整體健康狀況的關鍵指標。利用遙感获得的葉綠素a數據來實現大尺度時空海洋環境質量診斷的數據驅動方法，是一種有前景的解決方案。然而，開發基于數據驅動的大尺度時空葉綠素a預測方法仍面臨三個挑戰：首先，葉綠素時間變化難以捕捉；其次，葉綠素的空間異質性難以建模；第三，觀測數據的高缺失率使得時空變化的獲取更具挑戰性。 為了解決上述挑戰，科大研究團隊開發了一種先進的AI驅動時空插補與預測（STIMP）模型，用於預測沿岸海洋中的葉綠素a。STIMP將葉綠素a的預測分解為兩個連續步驟：1）插補過程，從部分觀測數據中重建多個可能得完整時空葉綠素a分布；2）預測過程，基於每個重建的連續且完整的時空葉綠素a分布進行精準預測。通過使用Rubin規則對多次插補和預測過程的結果進行平均，獲得最終的葉綠素a預測。透過這種方式，我們的STIMP方法不僅通過對缺失數據的精確插補提高了整體預測性能，還提供了置信區間以量化預測的不確定性。

由香港科技大學（科大）物理系及化學系副教授潘鼎和物理系助理研究教授李爍輝博士領導的研究團隊，基於深度生成模型，開發出一種新型直接採樣方法。這方法可在連續溫度範圍內實現對玻爾兹曼分布的高效採樣，研究成果已發表於《物理評論快報（Physical Review Letters）》*。  玻爾兹曼分布是統計力學熱平衡狀態下最重要的分布之一，玻爾兹曼分布的採樣對於理解相變、化學反應、生物分子構象等複雜系統至關重要。然而，如何高效且精確地計算這類系統的熱力學量，一直是學界面臨的長期挑戰。傳統統計力學數值方法包括分子動力學（Molecular Dynamics, MD）及馬爾可夫鏈蒙地卡洛採樣（Markov Chain Monte Carlo, MCMC），當系統的能量勢壘較高時，需要長時間的模擬才能獲得系綜平均，因此計算成本高昂。 受深度生成模型最新進展的啟發，李博士等及其研究夥伴提出了一個通用框架——變分溫度可微模型（variational temperature-differentiable, VaTD），適用於任何易解顯性的密度生成模型（tractable density generative model），例如自回歸模型（auto regressive models）及歸一化流模型（normalizing flows）。VaTD能夠學習連續溫度範圍內的玻爾兹曼分布，熱力學量對溫度的一階及二階導數可以方便地通過自動微分獲得, 效果相當於近似得到了一個解析的配分函數。在最優性必要條件下，該模型可以嚴格保證無偏的玻爾兹曼分布。更重要的是，連續溫度區間的積分有助於跨越勢壘，減小模擬中的偏差。