能像原子組成分子般自我組裝的「膠體」

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

S 編按：這篇文章源於泛科學 IG 的一則早餐限時動態（對我們有 IG，還沒有追蹤的各位可以按下追蹤了）。

平凡的一天早晨，來點熟悉的鹹豆漿最對味，但，問題來了：到底為什麼豆漿加了醋後，就會產生塊狀物，變成好吃（喝）的鹹豆漿呢？在與泛糰們互動的過程中，我們發現資料中出現了不同的說法，因此，便有位泛糰認真地開始研究這個問題，並將他的理解與我們分享。

• 文／白尾

豆漿豆漿，你為何會變得不一樣？

關於「鹹豆漿加醋為什麼會產生塊狀物？」這個問題，在搜尋眾多的網路資料後，會發現主要有兩派說法：

1. 因為加入了電解質，讓豆漿中膠體粒子的正負電荷相等，呈電中性，進而產生凝聚。
2. 因為加入酸性物質，讓豆漿中的蛋白質變性，進而產生凝聚。

以上兩種說法，看似都說得通，但難免讓人想知道：何者才是正確的原因呢？

在深入討論前，我們首先要了解什麼是「膠體」。

膠體 (Colloid) 是一種由兩種不同物質混合而成的均勻混合物。形成膠體時，並不會像鹽溶於水一樣，發生溶解作用。常見的膠體有：霧、果凍、牛奶，當然還有今天的主角──豆漿。

而說到鹹豆漿凝聚的過程，我們要先談談膠體的其中一個特性：帶電。

膠體之所以可以均勻混合，除了微小粒子間不斷碰撞的布朗運動之外，另一個原因就是帶電。膠體粒子外有所謂電雙層 (electrical double-layer) 的結構，藉由電性相斥，讓其中的膠體粒子不會互相結合凝聚。而豆漿中的膠體粒子主要是蛋白質，帶負電荷。

豆皮豆腐鹹豆漿，凝聚方法不一樣

那麼，豆漿裡的蛋白質到底要怎樣才會凝聚呢？主要有三個方法：加熱、加鹽類、改變 pH值。剛好，這三個方法可以依序對應到我們常吃到的三種豆類食品：豆皮、豆腐、鹹豆漿。

加熱時，蛋白質之間會產生雙硫鍵，互相連結，而在冷卻的過程中，氫鍵則扮演了強化結構的角色。

如果大家想自己在家做豆皮，只要加熱豆漿，等表面形成薄膜之後小心撈出晾乾即可。不過，有一點要注意的是：製作豆皮要用小火，不能讓豆漿沸騰，否則就無法在表面形成完整的薄膜。

加鹽類與酸可以直接讓蛋白質凝聚，而在製作豆腐及鹹豆漿之前，通常也會先透過加熱讓蛋白質變性，這個步驟可以讓蛋白質的疏水基暴露出來，使其更容易凝聚。

加熱後的豆漿，若加入鹽滷（主要成分為氯化鎂）或石膏（主要成分為硫酸鈣）等鹽類，再經過一段時間的排水、成型，就完成豆腐了。
若加入的是醋及其他佐料，經過攪拌即成鹹豆漿。

我們可從下圖看出，加酸及加鹽類分別是兩條不同的路徑：

加鹽 vs. 加酸，凝聚機制有什麼不一樣？

在上一段我們將「加鹽類」和「加酸」分成了兩個類別，但它們到底有什麼差別呢？接下來，就要仔細說明一下兩者間的不同。

加鹽類：

豆漿加入鹽類後，鹽類中帶正電的鈣、鎂離子會中和蛋白質膠體粒子表面所帶的負電，讓膠體粒子呈電中性。此時，膠體粒子失去了電荷的排斥作用，互相碰撞後便會凝聚在一起。

當單一離子帶有的電荷越多，要達到凝聚所需加入的量就會越少。此外，相同價數的離子也會有不同的效果，例如：鈣的凝聚效果便比鎂來得好。

豆漿中的蛋白質膠體粒子帶負電荷，主要由鹽類中的正離子來中和，而鹽類中的負離子種類，也會影響凝聚所需的量，如氯鹽的凝聚效果便比硫酸鹽好。

90 年的大學聯考題曾有一題：「加食鹽會不會讓豆漿凝聚？」

當時大考中心給的答案是「會」，不過，由於鈉離子跟鈣相比，需要非常多的量才能達到凝聚的效果──在 As₂S₃ 膠體（此膠體粒子帶負電）中加入氯化鈉（NaCl，食鹽）及氯化鈣（CaCl₂）測定凝聚產生需要的最小濃度，結果分別為 51 及 0.65 mmol/L，由此可見，鹹豆漿裡面的鈉不是主要讓蛋白質凝聚的主要因素 （不然會鹹死） 。

加酸：

在了解加入酸會發生什麼事之前，需要了解一個詞：等電點。

等電點指的是一個兩性離子達到電中性時的 pH值。兩性離子（兩性分子的離子態）的特點是同時具有正負電荷，大部分的胺基酸便是兩性分子的一種。

豆漿裡面的兩種主要蛋白 Glycinin、beta-Conglycinin，等電點約在 5 左右（變性的蛋白質其等電點會稍微改變，但變化不大）。一旦加入酸，便會讓此二蛋白質膠體粒子趨近於等電點；越接近等電點，膠體粒子的淨電荷數越少，意味著膠體粒子間的斥力越小，便越容易凝聚。

綜合所述，可以得知：加鹽類跟改變 pH值，其實都是在改變膠體粒子的淨電荷數，原理上並沒有太多的區別。

以上講了那麼多，鹹豆漿之謎的解答到底是什麼呢？或許，我們可以整理出一個比較精確的敘述——

經過加熱的變性蛋白質膠體粒子，加醋之後，降低了表面的淨電荷數量，讓膠體粒子在接觸時容易互相凝聚；而因蛋白質變性所露出的疏水基，讓凝聚作用能進行得更加順利。

參考資料：

1. 施建輝（2014）。膠體溶液的帶電性與凝聚。台灣化學教育
2. Ringgenberg, E. （2011）. The Physico-Chemical Characterization of Soymilk Particles and Gelation Properties of Acid-Induced Soymilk Gels, as a Function of Soymilk Protein Concentration （Doctoral dissertation）.
3. Li Tay, S., Yao Tan, H., & Perera, C. （2006）. The coagulating effects of cations and anions on soy protein. International journal of food properties, 9（2）, 317-323.
4. Ui, N. （1973）. Conformational studies on proteins by isoelectric focusing. Annals of the New York Academy of Sciences, 209（1）, 198-209.

文／林宇軒

分子結的合成，可以說是獲得 2016 諾貝爾化學獎分子機械合成領域的濫觴，不過至今二十八年間，化學家總共只合成出三種分子結。曼徹斯特大學化學系教授大衛·雷伊（David Leigh）團隊，在今（2017）年一月於《科學》（Science）期刊上，發表目前為止交錯次數最多、最緊的分子結，可進一步研究其結構強弱，未來有機會開發出更堅韌或更柔軟的絲線。

為什麼化學家要打「分子結」？

編織與繩結技術在人類歷史上，一直都扮演著很重要的角色，知曉如何操作這些技術有助於製作出堅韌的船纜、拔河繩，或是保暖衣物。而隨著科技的進展，科學家們也不斷研究如何製作出更強韌、更柔軟的絲線，以滿足現代各式各樣的需求。

若能在分子尺度強化纖維，例如將分子互相纏繞或打結，必然會是非常有力的策略。事實上，分子尺度的結（molecular knot）在自然界中就找得到，像是在生物體內，可發現一些由 DNA 形成的分子結（例如原核生物環狀 DNA 複製後，形成的結），或是在某些蛋白質的結構中也能發現其蹤跡。

至今最緊、最複雜！交叉八次的分子結

化學家因此利用化學合成的知識與技術，嘗試人工合成分子結。第一個成功的便是最簡單的三葉結（trefoil knot），這是由 2016 諾貝爾化學獎得主索瓦（Sauvage）所帶領的團隊，於 1989 年合成出來的（延伸閱讀：2016諾貝爾化學獎）。不過，在拓樸學上，目前已知無法再被分解的基本結（prime knot）有六十億種，然而化學家從合成三葉結至今二十八年了，卻只合成出三葉結、八字結（eight-figure knot）、五葉結（pentafoil knot）。

曼徹斯特大學化學學院大衛·雷伊（David Leigh）教授所帶領的團隊，於今（2017）年一月在《科學》（Science）期刊上發表分子結合成的新進展，他們成功利用化學合成的方式，將四條分子鍊互相交錯，打出了一個在拓樸學上稱為 8₁₉ 的分子結（如下圖），也就是繩子交錯八次的第十九號基本結。該結總共用了 192 個原子，形成了八個交叉的分子結，但整條分子鏈的長度僅有20奈米，是目前化學家所能合成的最複雜、也最緊的一種。

利用自組裝方法合成分子結

這麼微小的分子結當然很難用一般的方法繫出來，因此在合成方法的設計上，需要想辦法讓分子鏈能自行聚集、自己打結。

一般而言，如果化學家要將兩個分子拉近距離或是連接起來，要讓連接處的原子共享電子，也就是要讓兩個分子形成穩定的共價鍵，使彼此無法分離。不過分子無法控制自己的方向，而是隨意碰撞，使得只要遇到另一個分子上能分享電子的原子，就會發生反應，有機會產生錯誤構型、但相當穩定不會消失的分子，造成反應效率低落。

化學家為了要有效合成分子結，又不希望有太多不必要的副產物，因此改變策略，利用吸引力較弱的分子間作用力，例如凡德瓦力或氫鍵，來連接兩分子。好處是，因為這些作用力比共價鍵弱，即使在碰撞過程中，反應出一個不希望出現的產物時，錯誤構型的分子仍有機會斷開連結，變回原本的兩個分子。利用這樣的特性，設計出來的分子能夠在碰撞的過程中，不斷吸引、折疊，或是連接起來，等於是讓分子自動去找最穩定的結構，這種方法稱為「自組裝（self-assembly）」。

這樣的方法廣泛的應用於獲得 2016 諾貝爾化學獎的分子機械領域中，當然，也用於合成分子結。雷伊教授的團隊使用於合成分子結的基本單位（building block）是一條分子鏈，他們利用金屬離子吸引分子鏈中帶有孤對電子的氮，把分子鏈都吸引在一起，再啟動第二步反應連結四條分子鏈，最後移除所有的離子，便完成分子結的合成（如下圖）。

事實上，雷伊教授的團隊在 2012 年時，便以完全相同的方法合成出五個交錯的星狀分子結（發表於《自然》（Nature）期刊，相關介紹點此）。與此篇文獻不同之處在於，他們稍微修改分子鏈末端的結構以及反應物的比例，產物即變成 8₁₉ 分子結。

• 8₁₉ 分子結的 X 光晶體結構圖，有八個交錯處，總共有 192 個原子，包含四個亞鐵離子（Fe²⁺，紫色）、位於正中心的氯離子（Cl^–，綠色）以及形成分子主要骨架的碳（銀灰色）、氧（紅色）、氮（藍色）。結構中淺藍色長鏈狀分子為形成一個分子結的基礎單位，科學家利用自組裝（self-assembly）的方式將四長鏈組成分子結的結構，再將長鏈分子末端互相接合，即完成合成反應。

分子結的未來

雷伊教授在接受 RearchGate 的訪問中提到：「下一步的研究方向是將分子打成結的技術套用到紡織技術上，例如去研究在一條分子長鏈打了個結後，是否會影響這條分子鏈的強度？」化學家也可以利用新的合成方法試著做出其他種分子結，並研究它們結構上的結弱，以及打結如何影響一條分子長鏈的性質。

就像當年由杜邦公司研發的 Kevlar 合成纖維，廣泛應用於許多以強韌性為重的物品，如軍用頭盔或防彈背心等；或是像極具發展潛力的強韌蜘蛛絲，科學家至今仍在研究是否能利用其強韌的特性，製作出更強的絲線，未來，或許有機會利用分子結的技術，開發出新式材料，製作出超柔韌聚合物絲線，使得紡織技術能有重大大進展。

原始研究：

• Jonathan J. Danon et al., Braiding a molecular knot with eight crossings, Science  13 Jan 2017: Vol. 355, Issue 6321, pp. 159-162. DOI: 10.1126/science.aal1619

參考資料：

• ResearchGate 對通訊作者的訪問：Maarten Rikken, This tiny knot is the tightest ever tied, ResearchGate, 12th January 2017
• Scientists tie the tightest knot ever achieved, ScienceDaily
• Tightest molecular knot could lead to better, stronger materials, ZME Science
• Scientists Have Twisted Molecules Into The Tightest Knot Ever, NPR news
• 作者實驗室的網站

※感謝臺灣大學化學研究所詹益慈老師實驗室程凱煜同學於原理部分提供的協助。