XiaoMi-AI文件搜索系统
World File Search SystemIUCr
通过 FTIR 显微镜研究干燥脑样本 - IUCr 期刊
为了将空间分辨率极限推向纳米级，基于同步加速器的软 X 射线显微镜 (XRM) 实验需要向材料施加更高的辐射剂量。然而，相关的辐射损伤会影响精细生物样品的完整性。本文报道了软 X 射线辐射损伤在安装在 Si 3 N 4 膜上的常见薄冻干脑组织样本中的程度，如傅里叶变换红外显微镜 (FTIR) 所示。研究发现，冻干组织样本受到振动结构普遍退化的影响，尽管这些影响比文献中报道的石蜡包埋和水合系统中观察到的影响要弱。此外，在常规软 X 射线曝光中，首次可以识别出组织-Si 3 N 4 相互作用的弱、可逆和特定特征，进一步突出了生物样本、其制备方案和 X 射线探针之间的复杂相互作用。
小角度 X 射线散射 – 一篇评论 - IUCr 期刊
由于其优异的性能，先进陶瓷、金属和复合材料等硬质材料具有巨大的经济和社会价值，可应用于众多行业。了解它们的微观结构特征对于提高其性能、材料开发和释放其未来创新应用的潜力至关重要。然而，它们的微观结构显然是分层的，通常跨越几个长度尺度，从亚埃到微米，这对它们的表征提出了严峻的挑战，尤其是原位表征，这对于理解控制微观结构形成的动力学过程至关重要。本综述全面描述了快速发展的超小角度 X 射线散射 (USAXS) 技术，这是一种探测硬质材料纳米到微米级特征的无损方法。USAXS 及其补充技术在为硬质材料开发和应用时，可以提供有关其孔隙率、晶粒尺寸、相组成和不均匀性的宝贵见解。我们讨论了 USAXS 在硬质材料中的基本原理、仪器、优势、挑战和全球地位。通过选定的示例，我们展示了该技术在揭示硬质材料微观结构特征方面的潜力，以及它与先进材料开发和制造工艺优化的相关性。我们还提供了对 USAXS 持续发展的机遇和挑战的看法，包括多模态表征、相干散射、时间分辨研究、机器学习和自主实验。我们的目标是促进 USAXS 技术的进一步实施和探索，并激发它们在硬质材料科学的各个领域的更广泛应用，从而推动该领域的发现和进一步发展。
博士Michele Pecteret -Vitae课程 - 2025年1月3日 divs>
2024 IUCR年轻科学家奖（上海国际晶体学研讨会）。2023 DPG Surface Science部门ERTL年轻研究者奖的决赛入围者。2021 IOP受信任的审稿人（排名前15％的审稿人）。2021自然评论材料上的封面图像（2021年7月）。2020 Elsevier Scripta和Acta Mitalietia杰出审稿人。2020 Web of Science优秀审稿人。2020年2020年的前20位讲师，维也纳大学（Roter Vektor Physik）。2020 DOC。 杰出博士学位（维也纳城市和大学）。 2019年汉斯·特拉格（Hans-Thirring）杰出的物理学博士学位奖（维也纳大学）。2020 DOC。杰出博士学位（维也纳城市和大学）。 2019年汉斯·特拉格（Hans-Thirring）杰出的物理学博士学位奖（维也纳大学）。杰出博士学位（维也纳城市和大学）。2019年汉斯·特拉格（Hans-Thirring）杰出的物理学博士学位奖（维也纳大学）。
量子晶体学：过去、现在和未来
在 2002 年日内瓦 IUCr 会议上（原定于耶路撒冷举行），我被邀请在诺贝尔奖获得者、量子晶体学 (QCr) 一词的提出者之一 Jerome Karle 之后发言 [2]。房间里挤满了人，很快观众中就出现了（二阶？）相变：要么睡着了，要么坐立不安。当 Karle 结束演讲时，人们立即蜂拥而至，令人震惊。这让我有点沮丧；我不得不大声喊叫以掩盖骚动。然后，混乱更加严重，甚至有人转身离开。我想这是因为我，但更有可能是因为失败。我将回顾 2002 年的一些材料，并表明 QCr 实际上是与量子力学一起诞生的 [3]。我还想强调一下最近输给我们的 Tibor Koritsanszky 的工作，他与 Ewald 奖章获得者 Philip Coppens 一起开创了我们领域的“黄金时代” [4]。
课程（截至2024年3月）
课程（截至2024年3月）Giovanni Hearne教授（ORCID ID：0000-0002-1662-7831）物理系，约翰内斯堡大学（UJ）物理学小组教授Mössbauer和高压研究实验室的高压研究实验室和高压力研究实验室的职位和高压研究实验室的职位：GQEBERHA-SA：GQEBERHA：15 3月15日，：++ 27-11-5593849 / ++ 27-1-7268999953电子邮件：grhearne@uj.ac.ac.ac.za Scientific Carecolific Carecolific Carecutific Carecutific 2012年至今：物理学教授，约翰内斯堡大学，约翰内斯堡大学，约翰内斯堡大学，约翰内斯堡，约翰内斯堡，约翰内斯堡，2009-2009-2009-2012： 2007-2009：萨罗尼亚州约翰内斯堡的威特沃特斯兰大学物理学学院的读者兼副教授。1995-2006：萨利亚州约翰内斯堡的威特沃特斯兰大学物理学学院的讲师兼讲师和高级讲师。1992-1994：以色列电视大学高压研究小组物理与天文学学院博士后副学院。1993：博士（物理），威特沃特斯兰大学，约翰内斯堡，萨。 “通过使用119snMössbauer光谱法的Sn-Base A15超导体的晶格动力学”。 奖学金和科学输出NRF评估和评级：B2（截至2023年1月）研究兴趣实验性凝分物理物理。 57FeMössbauer效应光谱在可变的低温温度（低至1.5 K）和高压（最多1兆巴）处。 高压物理学（钻石和宝石细胞，DAC和GACS）。 在高压下，激光光谱，XRD，电气传输和基于同步加速器的技术（XAS）。 CO 2在DAC中加热。 仪器物理（电子）。1993：博士（物理），威特沃特斯兰大学，约翰内斯堡，萨。“通过使用119snMössbauer光谱法的Sn-Base A15超导体的晶格动力学”。奖学金和科学输出NRF评估和评级：B2（截至2023年1月）研究兴趣实验性凝分物理物理。57FeMössbauer效应光谱在可变的低温温度（低至1.5 K）和高压（最多1兆巴）处。高压物理学（钻石和宝石细胞，DAC和GACS）。激光光谱，XRD，电气传输和基于同步加速器的技术（XAS）。CO 2在DAC中加热。仪器物理（电子）。晶格 - 动力学，超导性，磁性，磁电（绝缘子 - 金属和旋转状态）过渡（在强相关的电子系统SCES中），材料科学。参与与应用，工业和生物分子物理学有关的许多研究项目。197 AU（Gold）Mössbauer-septrect光谱法。出版物80篇在同行评审的国际期刊中的文章，H-Index是22，〜1800引用（Scopus）。在国际会议上进行了几次邀请演讲。Google Scholar：https：//scholar.google.com/citations?hl = en＆user = m75pwraaaaaj学生和DOCS学生和DOCS 6博士学位论文和7个MSC论文受到监督。在国内和国际上的多个博士学位和MSC论文的外部考官。主持了几位博士后研究人员，1997年最新（英国，中国，塞内加尔，意大利语，法语，印度）。南非物理研究所的成员。国际高压科学技术协会（AIRAPT）的成员，http://www.airapt.org/顾问IUCR高压委员会，http：//highpressure.iucr.iucr.org/ http：//highpressure.iucr.org/正常审查物理学，物理综述，材料，物理综述，杂志，物理综述，杂志，材料，杂志，杂志，杂志，杂志，杂志，杂志，杂志，杂志，杂志应用物理学。偶尔的基础：科学，Physica-B，Europhysics Letters，Interlallics，Applied Physics Letters。
晶体学和结构科学中的机器学习
我们很高兴为您呈现国际晶体学联合会 (IUCr) 期刊的虚拟文章合集，这些文章探讨了人工智能 (AI) 和机器学习 (ML) 在结构科学中的应用 (https://journals.iucr.org/special_issues/2024/ML/)。人工智能/机器学习正在彻底改变我们的日常生活。尽管机器学习和深度学习 (DL) 的基础源自学术计算、数学和脑理论领域（McCulloch & Pitts，1943 年；Rosenblatt，1958 年），但其早期的许多社会影响都体现在商业领域。然而，如今物理学家们正在将这些发展成果应用于他们自身的科学研究（Choudhary 等人，2021 年），晶体学也不例外。因此，现在非常及时地汇总了在《晶体学报》（A、B 和 D 部分）、IUCrJ 和《同步辐射杂志》上发表的越来越多的 AI/ML 论文。我们还注意到《应用晶体学杂志》上发表的有关 AI 的相关虚拟合集（网址为 https://journals.iucr.org/special_issues/2024/ANNs/）以及《晶体学报》A 部分最近关于深度学习在蛋白质晶体学中的应用的主导文章（Matinyan 等人，2024 年）。本文的目的不是回顾虚拟合集中的每篇论文，而是鼓励您探索论文本身。因此，在表 1 中，我们总结了每篇论文使用的科学目标和 AI/ML 方法，使您可以快速导航到您最感兴趣的论文。在本文中，我们力求提供一些更高层次的主题，并按机器学习和领域主题对部分论文进行分组，以帮助您了解晶体学领域的发展历程，以及科学家目前如何利用人工智能/机器学习作为工具来解决他们的科学问题。这些论文几乎涵盖了所有类型的机器学习。无监督学习是一种方法，在这种方法中，机器学习算法在没有任何先验知识的情况下，尝试对数据集进行聚类（即寻找相似信号）或提取出能够解释更大信号集行为的不同信号集。在监督学习中，算法在大量先验数据上进行“训练”，之后，它们可以根据从训练数据中学到的知识对给定的新数据进行分类。这种分类问题的例子是训练算法区分猫和狗的图片（Subramanian，2018）。监督学习还可以用于执行回归而不是分类，即对数据集进行函数拟合。最后，各种生成式机器学习方法旨在根据一些基于大量学习到的响应进行训练的输入提示，生成新的输出。Deepfake 视频和音频技术以及 ChatGPT (OpenAI, 2024 a) 就是生成式人工智能的例子。区分不同AI/ML方法的另一种方法是基于算法的内部结构。广义上讲，这些方法可以分为传统ML和深度神经网络（深度学习，简称DL）。传统方法基于统计方法和线性代数，包括基于树的方法、逻辑回归和矩阵分解方法。深度学习受大脑神经元结构的启发，构建了高度非线性的图形数学结构，信息通过网络从输入端传递到输出端，同时在每一层都经历非线性变换。数据在网络中的转换和传输由数千个参数控制，这些参数通过算法进行更新，使网络能够