High-throughput optimization and fabrication of Bi2Te2.7Se0.3-based artificially tilted multilayer thermoelectric devices

Artificially tilted multilayer thermoelectric devices (ATMTDs) have attracted growing attention due to their ease in miniaturization and high flexibility in device design. However, most of these devices are inefficient due to the lack of effective strategy to optimize their material matching and geometrical configurations. Herein, a high-throughput optimization approach is employed to screen high-performance Bi₂Te_2.7Se_0.3-based ATMTDs from a material genome database covering 230 kinds of candidates. 14 kinds of ATMTDs are found to have ZT_zx,max values exceeding 0.3 and tilt angles greater than 15°. Bi_0.1Sb_1.9Te₃/Bi₂Te_2.7Se_0.3 ATMTD is screened out and fabricated because of its excellent transverse figure of merit, large tilt angle, and good interface compatibility. Consequently, transverse figure of merit over 0.3, thermal sensitivity greater than 0.11 mV·K^?1, and power density up to 1.1 kW·m^?2 are recorded in Bi_0.1Sb_1.9Te₃/Bi₂Te_2.7Se_0.3 ATMTD. This indicates that ATMTDs have great potential for application in the fields of temperature detection and power generation.     

基于Kubernetes的AI调度引擎平台

文中介绍了基于Kubernetes的AI调度引擎平台的设计与实现, 针对当前人工智能调度系统中存在的服务配置复杂, 集群中各节点计算资源利用率不均衡以及系统运维成本高等问题, 本文提出了基于Kubernetes实现容器调度和服务管理的解决方案. 结合AI调度引擎平台的需求, 从功能实现和平台架构等方面设计该平台的各个模块. 同时, 针对Kubernetes无法感知GPU资源的问题, 引入device plugin收集集群中每个节点上的GPU信息并上报给调度器. 此外, 针对Kubernetes调度策略中优选算法只考虑节点本身的资源使用率和均衡度, 未考虑不同类型的应用对节点资源的需求差异, 提出了基于皮尔逊相关系数 (Pearson correlation coefficient, PCC)的优选算法, 通过计算容器资源需求量与节点资源使用率的互补度来决定Pod的调度, 从而保证调度完成后各节点的资源均衡性.     

机器学习中成员推理攻击和防御研究综述

机器学习被广泛应用于各个领域, 已成为推动各行业革命的强大动力, 极大促进了人工智能的繁荣与发展。同时, 机器学习模型的训练和预测均需要大量数据, 而这些数据可能包含隐私信息, 导致其隐私安全面临严峻挑战。成员推理攻击主要通过推测一个数据样本是否被用于训练目标模型来破坏数据隐私, 其不仅可以破坏多种机器学习模型(如, 分类模型和生成模型)的数据隐私, 而且其隐私泄露也渗透到图像分类、语音识别、自然语言处理、计算机视觉等领域, 这对机器学习的长远发展产生了极大的安全威胁。因此, 为了提高机器学习模型对成员推理攻击的安全性, 本文从机器学习隐私安全攻防角度, 全面系统性分析和总结了成员推理攻击和防御的基本原理和特点。首先, 介绍了成员推理攻击的定义、威胁模型, 并从攻击原理、攻击场景、背景知识、攻击的目标模型、攻击领域、攻击数据集大小六个方面对成员推理攻击进行分类, 比较不同攻击的优缺点; 然后, 从目标模型的训练数据、模型类型以及模型的过拟合程度三个角度分析成员推理攻击存在原因, 并从差分隐私、正则化、数据增强、模型堆叠、早停、信任分数掩蔽和知识蒸馏七个层面对比分析不同防御措施; 接着, 归纳总结了成员推理攻击和防御常用的评估指标和数据集, 以及其在其他方面的应用。最后, 通过对比分析已有成员推理攻击和防御的优缺点, 对其面临的挑战和未来研究方向进行了展望。     

基于深度学习的文本分类技术研究进展

随着深度学习技术的快速发展,许多研究者尝试利用深度学习来解决文本分类问题,特别是在卷积神经网络和循环神经网络方面,出现了许多新颖且有效的分类方法。对基于深度神经网络的文本分类问题进行分析,介绍卷积神经网络、循环神经网络、注意力机制等方法在文本分类中的应用和发展,分析多种典型分类方法的特点和性能,从准确率和运行时间方面对基础网络结构进行比较,表明深度神经网络较传统机器学习方法在用于文本分类时更具优势,其中卷积神经网络具有优秀的分类性能和泛化能力。在此基础上,指出当前深度文本分类模型存在的不足,并对未来的研究方向进行展望。     

特种表面活性剂和功能性表面活性剂(ⅩⅫ)——含硅双子表面活性剂的研究进展

综述了具有很高的表面活性、良好的铺展性和润湿力、优越的配伍性及极低的生理毒性等优点的含硅双子表面活性剂的研究进展,重点介绍了阳离子型、阴离子型和非离子型含硅双子表面活性剂合成及性能的研究现状,并展望了含硅双子表面活性剂的发展方向。     

特种表面活性剂和功能性表面活性剂(ⅩⅩ)——含氟双子表面活性剂的合成

按照结构特点对阳离子型、阴离子型、两性离子型和非离子型含氟双子表面活性剂的合成方法和合成路线进行了归纳。含氟双子表面活性剂是一种特殊表面活性剂,氟原子取代了表面活性剂碳氢链中的氢原子,而使其具有更高的表面活性。展望了含氟双子表面活性剂的发展前景。     

特种表面活性剂和功能性表面活性剂(ⅩⅥ)——开关型表面活性剂的性能及应用进展

综述了开关型表面活性剂的性能及应用现状.其中电化学开关表面活性剂主要介绍了二茂铁类,同时还包括吡嗪类和二硫基类;光开关型表面活性剂主要介绍了偶氮苯基和苯乙烯基表面活性剂;酸碱开关表面活性剂介绍了AMI,AFD4和PLLA/PEG - PSD; CO2开关表面活性剂主要介绍了长链烷基脒的乳化性能及其在乳液聚合中的应用;同时介绍了NIPAM - co - PEGMa,亚胺类温度开关表面活性剂.展望了开关型表面活性剂的应用领域和发展趋势.     

Fast Trellis-Coded Color Quantization of Images

We examine color quantization of images using trellis-coded quantization (TCQ) in both the RGB domain and YUV domain. Together with a simple dithering scheme, an eight-bit trellis-coded color quantizer reproduces images that are visually indistinguishable from the 24-bit originals. It can be viewed as a predictive trellis-coded color quantization scheme. We also study trellis-coded vector quantization (TCVQ) for color quantization. Our proposed TCQ-based color quantization schemes are universal in the sense that no training or look-up table is needed. The complexity of TCQ is linear with respect to image size, making trellis-coded color quantization suitable for color printing, real-time interactive graphics and window-based display environment.     

脉冲电场协同酶解提高多孔淀粉制备效率及吸油率

以蜡质玉米淀粉为原料,采用脉冲电场(PEF)协同酶解制备多孔淀粉,探究其对多孔淀粉制备效率及吸油率的影响。结果表明:通过PEF改性后,淀粉水解率达到24.28%时所需的酶解时间缩短一半;在相同加酶量的条件下,通过PEF改性后,淀粉水解率为23.11%,较原淀粉显著提高,表明通过PEF改性可降低加酶量;在酶解6 h和加酶量为0.8×10~(-2) mL/g淀粉干基的条件下,经PEF改性协同酶解制备的多孔淀粉水解率为23.11%、吸油率为145.11%、比表面积为1.25 m~2/g,总孔容为4.31 cm~2/g×10~(-3),原淀粉酶解制备的多孔淀粉上述指标分别为18.38%、119.47%、1.16 m~2/g,4.15 cm~2/g×10~(-3),表明通过PEF改性提高酶解淀粉的水解率、吸油率、比表面积和总孔容。扫描电镜结果显示,PEF改性可使淀粉表面产生凹槽状结构;激光共聚焦显微镜观察显示,PEF改性提高了淀粉颗粒对淀粉酶的敏感性;热力学性质测试结果显示,PEF改性多孔淀粉的焓值低于原淀粉,表明PEF改性破坏了淀粉颗粒内部分致密的结晶区。本项研究揭示了PEF改性对淀粉颗粒及其酶解制备多孔淀粉的构效关系,为高效制备多孔淀粉提供了一个新思路,并拓展了PEF可应用的领域。     

基于深度强化学习的造纸废水处理过程多目标优化

本课题提出了一种基于多智能体深度强化学习的动态优化方法,以期实现造纸废水处理过程的运行成本和能耗的协同优化。实验采用了基准仿真1号模型（BSM1）模拟造纸废水处理过程的生化反应和沉淀过程,并利用模型数据对强化学习智能体进行训练,最后用实际的造纸废水数据对搭建的模型系统进行验证。结果表明,基于多智能体深度强化学习的废水处理系统能够保障排水质量,实现成本与能耗的多目标优化控制,其性能表现优于传统方法。