XiaoMi-AI文件搜索系统
World File Search System4D
光驱动的超分子液晶弹性体致动器的 4D 打印
在基于液晶弹性体 (LCE) 的刺激响应材料的潜在应用中，开发不受束缚的软致动器是最具吸引力的应用之一。[1–4] 例如，在软体机器人中[5–8] 以及在微流体和仿生设备中，[9,10] 含有光活性分子的光响应性 LCE 聚合物已得到广泛应用。[11,12] 与温度和湿度等其他刺激相比，光作为不受束缚的刺激物的好处是时空控制、可调性和直接应用。[13–15] 因此，开发基于可聚合 LCE 材料的光驱动致动器的努力已成为一个成熟的研究课题，为将光转化为机械运动奠定了宝贵的基础。 [16,17] 偶氮苯衍生物是目前 LCE 执行器中最突出的光开关，因为它们易于加入，并且能够实现快速、可逆响应的远程控制驱动。[18,19] 然而，通常需要液晶 (LC) 材料的光聚合才能获得可逆的形状变化。[20,21] 这种光诱导交联过程非常耗时，而且高效固化具有挑战性，而偶氮苯部分的不良异构化则进一步阻碍了这一过程。[22]
工业机器人应用4D圆柱空间中的人工智能控制
摘要本文认为，有效的人工智能控制算法需要工业机器人操纵器的内置对称性，以进一步表征和利用。此增强的乘积是一个四维（4D）离散的圆柱网格空间，可以直接替换复杂的机器人模型。a ∗是为了在此类算法中广泛使用，以研究在4D圆柱离散网格中指导机器人操纵器的优势和缺点。研究表明，这种方法可以在计划和执行时间内对机器人运动学和动态模型的任何特定知识来控制机器人。实际上，每个网格单元的机器人关节位置被预先计算并作为知识存储，然后在需要时通过路径填充算法快速检索。4D圆柱离散空间既具有配置空间的优势，也具有机器人的三维笛卡尔工作空间。由于路径优化是任何搜索算法的核心，包括∗，因此4D圆柱网格为搜索空间提供了一个可以嵌入单元特性形式的知识的搜索空间，包括存在障碍物的存在和整个工业机器人体的体积占用，以避免障碍物。主要的权衡是在预计网格知识的有限能力与路径搜索速度之间。这种创新的方法鼓励将搜索算法用于工业机器人应用，这是对不同机器人模型中存在的其他机器人对称性的研究，并为应用动态障碍算法的应用奠定了基础。
用于 3D 和 4D（生物）打印应用的粒子间交联离子响应微凝胶
预印本（未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此版本的版权所有者于 2025 年 2 月 2 日发布。；https://doi.org/10.1101/2025.01.28.635095 doi：bioRxiv 预印本
原创研究论文 4D 打印：技术概述和所用智能材料
摘要：4D 打印是一种尖端技术，它利用最新推出的尖端智能材料创建动态自组装结构。它在传统 3D 打印的基础上增加了时间维度，使打印的物体能够随时间改变形状或行为。这是通过使用智能材料（如形状记忆合金或聚合物）实现的，这些材料对热量或水分等外部刺激作出反应。这些材料经过精心设计，具有特定的属性，可以通过温度、湿度、光线或其他物理力等特定条件触发。4D 打印能够创建适应环境并执行特定功能的结构，例如响应温度变化而改变形状的物体，或响应特定触发而自组装的结构。总体而言，4D 打印是一项令人兴奋且发展迅速的技术，有可能彻底改变我们设计和创建结构的方式。创建能够随时间改变形状或行为的结构的能力为广泛的应用开辟了新的可能性。随着技术的不断发展，我们可以期待看到 4D 打印在建筑、航空航天和生物医学工程等广泛科学领域有更多创新用途，这些领域要求创建能够适应不断变化的环境的高度复杂和动态结构。关键词：4D 打印、智能材料、第四次工业革命、工业 4.0 简介
动态自定义的4D打印形状内存聚合物生物医学设备：评论
摘要由于难以控制配置和性能，不完整的部署等而导致各种类型医疗设备的并发症甚至手术失败的风险增加。形状内存聚合物（SMP）基于4D打印技术提供了创建具有复杂配置的动态，个性化和准确控制的生物医学设备的机会。SMP是智能材料的典型代表，能够响应刺激和按需动态重塑而进行编程变形。4D打印的SMP医疗设备不仅可以主动控制配置，性能和功能，而且还可以为微创治疗和可远程控制部署开辟道路。在这里，审查了主动可编程SMP的形状记忆机制，驱动方法和打印策略，并在骨架，气管支架，心血管支架，细胞形态学调节和药物输送等领域的4D打印SMP的尖端进步得到了强调。此外，讨论了4D印刷SMP生物医学设备的有前途和有意义的未来研究方向。4D打印的SMP医疗设备的开发与医生之间的深入合作不可分割
基于fMRI 4D时空数据
使用神经影像数据将精神健康障碍与健康对照的患者区分开来，已采用了广泛的机器学习方法。但是，几乎所有此类方法都基于连接矩阵或从神经成像数据得出的特征应用于输入。最近只有几篇论文根据原始的基于体素的时空数据考虑了这种分类。在本文中，我们报告了基于体素的fMRI数据上一些尖端机器学习算法的性能，以对健康对照和精神分裂症患者进行分类。我们采用的方法包括卷积神经网络，具有较长短期记忆的卷积复发性神经网络以及基于Wasserstein生成的对抗网络的分类的转移学习方法。为了减轻适合可用硬件的计算负担，我们必须将原始的4维数据减少到几乎所有架构的3维输入中。我们的结果表明，基于卷积神经网络的相对简单的体系结构在对健康对照组中的患者分组中表现出合理的不兼容性。相反，我们使用的其他两个复杂架构的性能相对较差。
使用4D隐式神经表示
构建准确的地图是构成可靠的局部设备，计划和导航的关键构建块。我们提出了一种新的方法，可以利用LiDAR扫描来建立动态环境的准确地图。为此，我们建议将4D场景编码为新的时空隐式神经图表示，通过将时间依赖性的截断符号距离函数拟合到每个点。使用我们的代表，我们通过过滤动态零件来提取静态图。我们的神经表示基于稀疏特征网格，一种全球共享的解码器和时间依赖性的BAIS函数，我们以无监督的方式共同优化。要从一系列li-dar扫描中学习此表示，我们设计了一个简单而有效的损耗函数，以分段方式监督地图优化。我们在包含静态图的重建质量和动态点云的分割的各种场景上评估了我们的方法1。实验结果表明，我们的方法是删除输入点云的动态部分的过程，同时重建准确而完整的3D地图，以超出几种最新方法。
使用多尺度时间依赖的深度学习框架对锂离子电池的4D排放进行建模
Los Alamos国家实验室是一项平权行动/均等机会雇主，由Triad National Security，LLC经营，为美国能源部国家核安全管理局根据合同89233218CNA000001运营。通过批准本文，出版商认识到，美国政府保留了不判有限定的免版税许可，以出版或复制已发表的此捐款形式，或者允许其他人出于美国政府的目的。洛斯阿拉莫斯国家实验室要求出版商根据美国能源部主持的工作确定这篇文章。Los Alamos国家实验室强烈支持学术自由和研究人员发表权；但是，作为一个机构，实验室并未认可出版物的观点或保证其技术正确性。
光化学诱导的4D印刷液晶弹性体仿生游泳运动员
水下生物具有复杂的推进机制，使它们能够以特殊的灵活性来浏览流体环境。最近，实质性的效果专注于使用智能形状变化的材料将这些运动集成到软机器人中，尤其是通过使用光进行推进和控制。尽管如此，挑战仍然存在，包括缓慢的响应时间和强大的光束启动机器人的需求。这最后可能导致意外的样品加热，并可能需要在游泳者身上进行特定的驱动点。为了应对这些挑战，引入了新的含偶氮苯的光聚合油墨，可以通过挤出打印到精确形状和形态的液晶晶体弹性体（LCE）元素中来处理。这些LCE表现出由中强度的紫外线（UV）和绿光驱动的快速而显着的光机械水下反应，这是致动机制，主要是光化学。受自然的启发，印刷了一种仿生的四叶埃菲拉（Ephyra）样游泳者。具有中等强度紫外线和绿灯的整个游泳器的定期照明，可引起同步的lappet弯曲光源，游泳者的推进器远离光线。该平台消除了对局部激光束和跟踪系统的需求，以通过流体监视游泳者的运动，从而使其成为创建轻型机器人LCE的多功能工具。
使用4D隐式神经表示
构建准确的地图是构成可靠的局部设备，计划和导航的关键构建块。我们提出了一种新的方法，可以利用LiDAR扫描来建立动态环境的准确地图。为此，我们建议将4D场景编码为新的时空隐式神经图表示，通过将时间依赖性的截断符号距离函数拟合到每个点。使用我们的代表，我们通过填充动态零件来提取静态图。我们的神经表示基于稀疏特征网格，一种全球共享的解码器和时间依赖性的BAIS函数，我们以无监督的方式共同优化。要从一系列li-dar扫描学习此表示形式，我们设计了一个简单而有效的损耗函数，以分段方式监督地图优化。我们在包含静态图的重建质量和动态点云的分割的各种场景上评估了我们的方法1。实验结果表明，我们的方法是删除输入点云的动态部分的过程，同时重建准确而完整的3D地图，以超出几种最新方法。