近日，清华大学化学系王定胜教授、李亚栋院士领导的课题组在甲酸电氧化领域取得突破，相关工作以“负载在氮掺杂碳上的单原子Rh：一种甲酸氧化的电催化剂”（Single-atom Rh/N-doped carbon electrocatalyst for formic acid oxidation）为题在《自然·纳米技术》（Nature Nanotechnology）发表。 燃料电池是一种理想的能量来源，它可以以环境友好的方式将化学能转换为电能。氢氧燃料电池作为航空飞船的主要燃料，在上世纪80年代就已经得到了发展，近年来氢氧燃料电池在汽车上的应用也有了突飞猛进的提高。然而氢氧燃料电池需要用体积大且危险的高压氢气作为其燃料，这限制了氢氧燃料电池的发展。而直接甲酸燃料电池(DFAFCs)由于其体积小，毒性小，nafion@膜的穿透率低等优点，被认为是未来便携式电子设备最有前途的电源之一。在之前的研究中，负载型纳米级钯和铂通常被认为是DFAFCs的阳极反应甲酸电氧化（FOR）中最有效的催化剂，并得到了深入的研究。然而，由于FOR催化剂质量活性较低和一氧化碳抗毒性较差， DFAFCs阳极材料的发展达到了一个瓶颈，极大地阻碍了其应用。 SA-Rh/CN的合成路径示意图及其表征 在本工作中，研究人员使用主-客体合成策略成功地合成负载原子分散Rh的氮掺杂碳催化剂(SA-Rh/CN)，发现尽管Rh纳米颗粒对甲酸氧化活性很低，但是SA-Rh/CN却具有极好的电催化性能。与最先进的催化剂Pd/C和Pt/C相比，SA-Rh/CN的质量活性分别提高了28倍和67倍。有趣的是，在CO剥离实验中，我们发现虽然纳米级Rh催化剂对CO毒性十分敏感，但是SA-Rh/CN很难吸附CO并且可以在很低的电压下氧化CO，这说明SA-Rh/CN对CO毒化几乎免疫。经过长期反应的测试后，SA-Rh/CN中的Rh原子具有抗烧结的能力，并因此在30000s的CA测试或者20000圈ADT测试后活性几乎没有改变。在组装电池的实验中，SA-Rh/CN的质量比能量密度在不同温度下分别是商业钯碳催化剂的8.8倍（30oC），14.8倍（60oC）和14.1倍（80oC）,这也说明了SA-Rh/CN在DFAFCs的应用中具有很高的潜力。最后，研究者用密度泛函理论（DFT）计算了Rh单原子甲酸氧化的机理。研究者发现在SA-Rh/CN上，甲酸根路线更为有利。和Rh纳米颗粒具有较低的CO吸附能垒不一样，SA-Rh/CN上的Rh单原子吸附CO能垒较高，以及与CO的相对不利的结合，使SA-Rh/CN具有极高的CO抗毒性。 这一发现将传统的甲酸电氧化催化剂的质量比活性提高了一个数量级，并且很好地解决了传统纳米催化剂的CO毒化问题。该发现有助于在燃料电池领域取得突破，并有望应用于便携式电子设备上。 本论文的通讯作者是王定胜教授、李亚栋院士，清华大学博士后熊禹是本文的第一作者。本研究受到国家自然科学基金委和科技部的经费资助。 论文链接： https://www.nature.com/articles/s41565-020-0665-x

电现象资源箱  型号：QWD1209 实验清单： 摩擦起电实验 简单电路实验 导体与绝缘体判断实验 电能的转化实验

产品详细介绍

本发明公开了一种面向多核集群系统的数据流编译优化方法，包括：确定计算任务与处理核映射的任务划分与调度步骤；根据任务划分与调度结果构造集群节点间和集群节内核间的流水线调度表的层次流水线调度步骤；根据所述多核处理器的结构特性、集群节点间的通信情况和数据流程序在多核处理器上的执行情况做做基于 cache 的缓存优化步骤。本发明的方法结合了数据流程序与系统结构相关的优化技术，充分发挥高负载均衡性以及同步与异步混合流水代码在多核集群上的高并行性，而且针对多核集群上的缓存与通信方式，对程序的缓存访问和通信传输进

本系统结合深度学习等智能化算法机理，研究出一套云工作流智能管理与调度优化算法，面向复杂工业制造领域云工作流实现服务定制与灵活部署需求，达到云计算资源的集约利用和合理优化调度的目的，能够使大规模跨集群云数据中心资源得到充分利用。在不同典型应用场景下，尤其是在用户具有不同程度的偏好时，满足用户隐私安全保护和不同服务质量标准要求，大幅降低执行时间和耗费成本。

脑电信号作为人体重要的生理信息，已经被广泛应用于医学疾病诊断与治疗、人体潜能开发等方面。脑电图通过将电极接入被试对象的头皮，来测量大量神经元发放所形成的电场。脑电波作为能够体现大脑活动的信号中的一种，有方便检测、非侵入式且对被试对象友好等特点。一般认为，通过对大脑脑电波的检测并采取特定数据分析方法，有望将大脑的各项反应能力充分挖掘出来。近年来，脑电信号分析已成为认知神经科学领域的重要技术之一。大量研究表明，人类认知能力与脑电信号有关，其中工作记忆能力在认知中起关键作用。脑电信号具有数据量大、时间分辨率高、易受干扰等特点，给研究带来了不少挑战。杨立坚课题组使用样条函数，基于随机抽取的122名大学生志愿者训练集，以闭眼静息态下8个脑前区导联的脑电信号（图1），对20名志愿者测试集进行工作记忆能力的预测（图2），其确定系数R^2在多次随机试验下的中位数为68%，最低值大于50%，最高值72%（图3）。图1 ：试验中脑电信号记录的导联名称和位置图2：对某测试集计算的认知能力预测值与真实值的对比图3：对多次重复随机抽取的测试集计算的确定系数R^2箱线图杨立坚课题组依托10年来自身在函数型数据领域的研究成果，课题组2017级博士生张园园和2018级博士生黄昆在学习神经科学专业知识的同时，与机械工程系教授吴方芳和硕士生王健凯高效合作，分析季林红课题组的大学生志愿者脑电与认知能力数据。他们秉承“面向应用，背靠理论，写好算法”的统计学理念，把样条回归估计脑电信号的光滑轨迹，张量样条回归估计协方差函数，样条估计函数型主成分与得分等深刻的统计学前沿理论，结合LASSO回归，转化为快速准确分析脑电数据的算法（图4），从2018年12月开始仅用6个多月的时间，就很好地解决了基于工作记忆能力预测的问题，完成了这篇跨学科应用方法论文。图4：算法流程图

面向快速、高效的矿产资源探测的国家需求，集成空间数据挖掘与案例推理技术，充分利用海量的地质空间数据，解决矿产资源潜力评价与预测关键技术。在此基础上，建立智能化区域成矿预测系统和三维矿产资源预测系统，为各地质矿产单位进行找矿勘探提供空间分析和决策的基础平台。主要功能、特色： ？ 建立了不确定性地质空间数据挖掘算法模型、成矿案例推理模型，提高了区域成矿预测的效率、精度和智能性； ？ 综合不确定性地质空间数据挖掘、成矿案例推理和证据权模型，建立了混合推理策略与方法，得到更为客观的综合预测结果； ？ 基于COM架构，开发了“区域成矿预测信息系统”和“三维矿产资源预测系统”，包括地质空间数据管理、空间分析、模型预测、专题制图等功能； ？ 发展了三种高光谱矿物填图方法：权重光谱角制图法、耦合整体光谱匹配和局部光谱匹配的高光谱矿物信息提取方法、特征参数拟合方法； ？ 完成了区域成矿预测的数学地质方法扩展与应用，包括证据权模型、扩展证据权模型和逻辑斯谛回归模型，为地质空间数据挖掘和成矿案例推理提供图层选择及参数化的理论依据和对比验证对象； ？ 以我国西部典型成矿带——青海东昆仑成矿带为例，进行上述各类算法模型的区域成矿预测实验，并进行了野外调查与验证。 基于上述研究成果，该课题成果已申请发明国家专利2项；计算机软件系统2个；出版专著1部《多源地质空间信息智能处理与区域成矿预测》；发表或录用论文15篇，其中SCI期刊论文5篇，EI期刊论文4篇。

本平台设计一套集成学习系统用来精确预测未来时间段的流量，本系统使用随机森林，SVR，三指数 平滑、GBDT，BPNN等传统算法和机器学习算法作为单模型，并通过集成学习的方式提高预测准确率。