2025 Regeneron ISEF大奖-PHY物理学和天文学获奖作品汇总-3

最新官方消息！全球科创天花板赛事——国际科学与工程大奖赛（Regeneron ISEF），现已正式公布了2026年总决赛的举办时间和地点。这场汇聚全球青年创新力量的科技盛宴，将于2026年5月9日至15日，在美国亚利桑那州凤凰城会议中心（Phoenix Convention Center, Arizona）璀璨启幕。

2026ISEF赛事安排

参赛资格

年龄与年级：9-12年级学生（或同等学历），参赛时年龄不超过20岁。

地区选拔：必须通过附属赛（Affiliated Fair）晋级，无法直接报名。中国学生需先参加国内选拔赛（如青创赛、明天小小科学家等）。

团队项目：最多3人，所有成员需满足资格且共同参赛。

项目要求

原创性：项目必须由学生独立完成，允许在专家指导下进行，但不得代劳。

学科范围：涵盖21个学科类别，包括工程、生物、化学、计算机、环境科学等。

伦理限制：涉及人类、脊椎动物、病原体等研究需提前提交额外审查表（如ISEF Forms）。

关键文件与截止时间

ISEF表格：根据研究类型提交相应表格（如1C、2、3等），需在地区赛前完成审核。

摘要与研究论文：英文撰写，清晰描述研究目的、方法、结论。

地区赛截止：2026年3-4月

其他注意事项

展示材料：展板需符合ISEF尺寸要求（通常宽48英寸、深30英寸、高108英寸），禁止活体样本或危险品。

知识产权：部分研究可能需申请专利后再参赛，避免披露风险。

为了方便同学们更好的备赛，特别整理了ISEF-PHY物理学和天文学2025获奖作品方便学习

PHYS034 - 麦哲伦星云的化学标记

为了研究麦哲伦星云的潮汐演化，本文对大质量红超巨星分支 (RGB) 以及富氧和富碳渐近巨星分支 (AGB) 恒星的内部运动学进行了建模。通过识别吸积在大麦哲伦星云 (LMC) 中运动学上不同的恒星群，可以追踪大麦哲伦星云 (LMC) 和小麦哲伦星云 (SMC) 的初始演化。为了识别 SMC 和 LMC 中不同的恒星群，我们训练了一个神经网络 (NN)，利用 SDSS-IV APOGEE DR17 的化学丰度对示踪剂进行化学识别。神经网络的分类准确率约为 87%，假阳性率为 9%，识别出 [Fe/H] = -1.0 附近的不同金属丰度。对[Ce/Fe]丰度空间的进一步分析，首次证明了麦哲伦星云中的渐近巨核(AGB)种群将经历一个后渐近巨核(AGB)原位演化阶段的第三次上浮阶段，且该阶段不会产生锂。在考虑了AGB种群的非对称漂移后，基于稳健的马尔可夫链蒙特卡罗方法，推导出了大麦哲伦星云(LMC)的旋转曲线。发现旋转曲线的振幅在半径2.4 kpc±0.2 kpc处为56 km/s±10 km/s，系统速度为269 km/s±9 km/s。从拟合中剔除异常值，发现大麦哲伦星云中存在一个运动学上独特的种群，其比例>4%。这与HI臂在运动学上与被拉入大麦哲伦星云的盘面相关相吻合。独特示踪物的比例在[Fe/H]=-0.92时下降，有力地证明了该运动学上独特的种群起源于小麦哲伦星云(SMC)。这项工作进一步证实了银河系子结构是由麦哲伦星云之间的碰撞造成的，并证明了麦哲伦桥的拉伸在运动学上并不是独一无二的。

PHYS035 - 使用 CNN 模型首次发现双系外彗星

行星轨道和恒星系统的形成仍然是天文学中最大的谜团之一。系外彗星具有独特的地质和分子组成，可能是理解行星盘形成和生命起源的关键，生命起源可能通过彗星撞击实现。然而，探测系外彗星已被证明具有挑战性。尽管使用开普勒、K2 和 TESS 分析了超过 300,000 颗恒星的数据，但通过凌日光度法发现的系外彗星不到 50 颗，大多数仅来自两颗恒星。这些发现是通过耗时的手动搜索得出的，传统的信号放大方法难以可靠地探测到系外彗星。卷积神经网络 (CNN) 被用于以迭代块的形式分析光变曲线数据。该模型成功地从开普勒光变曲线数据中识别出了大多数先前已知的系外彗星。此外，通过分析KIC 3542116，发现了五颗新的系外彗星候选者，其中一颗是前所未见的双系外彗星候选者，由两颗系外彗星凌日现象叠加而成。这颗恒星年轻，自转周期短，表明它正处于行星盘形成的早期阶段，这与目前的系外彗星理论相符。这些候选者经过严格的四步验证程序确认。这项自动化探测技术的突破为发现更多系外彗星带来了巨大的希望，并在心率监测和天气异常检测等领域具有潜在的应用价值。

PHYS041 - 体验鲨鱼皮

重型组合卡车的高油耗率是不可持续的，并且会破坏环境。在州际公路上以建议速度行驶时，卡车的大部分油耗都用于克服阻力。在类似但不同的介质中，鲨鱼具有齿状结构，可以利用涡流产生来减少水中的阻力。作者测试了她的假设，即受鲨鱼齿状结构启发的涡流发生器 (SDIVG) 可用于卡车和拖车车体以减少阻力。\n\n在边界层风洞中，在偏航角为 0° 和 10° 的七种不同空气动力学条件下对模型卡车进行了测试。\n\n单独使用 SDIVG 时，阻力系数显著降低 2.1% 和 2.5%（p 值 <0.01），将 SDIVG 添加到模型卡车的其他改装件中，偏航角为 0° 和 10° 时，阻力系数额外降低 3.5% 和 2.0%（p 值 <0.01）。此外，在装有驾驶室车顶导流板的卡车尾部使用 SDIVG 组合，分别在 0° 和 10° 偏航角下降低了 27.6% 和 28.0%（p 值 < 0.01）。\n\n将 SDIVG 应用于现有的减阻策略，每年可节省数十亿升燃料，降低成本，更重要的是，减少重型组合卡车对环境的影响。此外，这将有助于实现零碳排放，因为阻力的降低或卡车空气动力学的优化将使替代燃料（电力或氢气）的实施更加可行。

PHYS045 - 预测环境放射性

在进行背景放射性测量时，我注意到它在每个月中都发生了显著变化。因此，我思考环境放射性是否受到气象变量（温度、气压和空气湿度）的影响，以及是否可以通过机器学习 (ML) 模型实现的回归程序，基于这些变量预测环境放射性。为了回答这个问题，我首先设计并构建了三台相同的测量设备，它们都能够每天自动测量放射性、温度、气压和空气湿度六次，每次以一小时为间隔取平均值。我使用统计和信号处理技术分析了从测量仪器收集的数据。经过适当的低通滤波后，我发现放射性信号与所有气象变量的信号之间存在非常强的相关性。然而，这些相关性在几个月内变化很大，无论是在幅度还是符号上：这种现象在一些最近的科学论文中已经观察到。然后我更进一步：我尝试训练 ML 模型，根据气象变量计算放射性值。在尝试了各种机器学习回归技术和工作方案后，我使用一种名为“滑动预测”的流程，结合高斯过程回归器 (GPR)，取得了良好的效果。我证明了使用过去 20 天数据训练的模型可以准确预测未来几天的放射性（由气象变量提供）。这是一个非常重要的结果，因为这种可能性从未被证实过。

ISEF历年获奖作品集&解析&资料免费下载⬇️