（＋）—N—苄基氯化辛可宁合成法的改进

近年来,辛可宁的季铵盐作为手性相转移催化剂在不对称合成中已受到广泛注意。但是,在制备(+)-N-苄基氯化辛可宁时目前仍采用 Jacobs 的方法。此法用丙酮作溶剂,反应需两周时间,而且没有报道此季铵盐的收率。采用此法的作者指出反应体系内仍有明显未反应的辛可宁。现改用二甲基甲酰胺(DMF)     

酪胺基有机磷化合物的质谱规律研究

本文在亚稳态测定和高分辨精确质量计算的基础上,研究了二类酪胺基有机磷化合物的质谱裂解规律。大部分的基峰都来源于氮原子的β裂分。当烷氧基与酪胺硫逐磷酰基相连时,出现m/z 97的特征碎片。当烷氧基和芳氧基同时连在硫逐磷酰基上时,硫原子和氧原子的互换总是发生在芳氧基上,接着p—s键断裂,生成芳硫基碎片。     

酪胺的合成研究

本文评述了已有的酪胺及其盐酸盐的制备方法,提出了一个通过还原对—羟基—β—硝基苯乙烯的改进方法。     

双官能团化合物—乙醇胺及其类似物的选择磷（膦）酰化反应

本文主要评述了双官能团化合物——乙醇胺及其类似物的选择磷(膦)酰化反应和反应机理,并详细讨论了磷(膦,次膦)酰化产物的合成、物理化学性质和波谱特征。     

基于深度学习的自然语言处理鲁棒性研究综述

近年来,基于深度神经网络的模型在几乎所有自然语言处理任务上都取得了非常好的效果,在很多任务上甚至超越了人类.展现了极强能力的大规模语言模型也为自然语言处理模型的发展与落地提供了新的机遇和方向.然而,这些在基准测试集合上取得很好结果的模型在实际应用中的效果却经常大打折扣.近期的一些研究还发现,在测试数据上替换一个相似词语、增加一个标点符号,甚至只是修改一个字母都可能使得这些模型的预测结果发生改变,效果大幅度下降.即使是大型语言模型,也会因输入中的微小扰动而改变其预测结果.什么原因导致了这种现象的发生?深度神经网络模型真的如此脆弱吗?如何才能避免这种问题的出现?这些问题近年来受到了越来越多的关注,诸多有影响力的工作都不约而同地从不同方面讨论了自然语言处理的鲁棒性问题.在本文中,我们从自然语言处理任务的典型范式出发,从数据构建、模型表示、对抗攻防以及评估评价等四个方面对自然语言处理鲁棒性相关研究进行了总结和归纳,并对最新进展进行了介绍,最后探讨了未来的可能研究方向以及我们对自然语言处理鲁棒性问题的一些思考.