This course aims at introducing the basic concepts and techniques in carrying out chemical analysis by using various modern spectroscopic and chromatographic instruments.Students will learn how to use modern instruments to determine the amounts of substances present in a mixture down to part per million levels (ppm), and identify the structure of a compound.Techniques such as UV-visible spectroscopy, infrared spectroscopy, mass spectrometry, nuclear magnetic resonance spectroscopy, gas chromatography and high performance liquid chromatography will be covered.This course will also discuss some common standard practices of collecting and preparing samples for laboratory testing, the accreditation system in testing laboratories.This course is conducted in the format of lecture.本课程旨在介绍化学分析中所用到的现代光谱和色谱仪器的基本概念和技术。学生将学习使用该 等仪器来分析浓度水平低至百万分之一的物质,并确定化合物的结构。课程内容包括紫外 − 可见光 谱法、红外线光谱法、质谱分析法、核磁共振、气相色谱法及高效能液相色谱法的操作技巧,以 及化验工作中的收集及制备样本的常用标准技巧和香港化验室所实行的认可系统。课程以讲课形 式进行。 Medium of Instruction:
资料来源:https://towardsdatascience.com/machine-learning-methods-to-aid-in-coronavirus-response-70df8bfc7861、https://bdtechtalks.com/2020/03/09/artificial-intelligence-covid-19-coronavirus/、https://news.yahoo.co.jp/byline/kazuhirotaira/20200326-00169744/
摘要 虽然可以使用高效算法实现脑植入式神经尖峰分类,但是噪声的存在可能使得使用传统技术难以保持高性能分类。在本文中,我们首次探讨了使用部分二值化神经网络 (PBNN) 对神经尖峰特征向量进行分类。结果表明,与基于波形模板的方法相比,PBNN 可在各种数据集和噪声水平上提供稳健的尖峰分类。介绍了基于 PBNN 的尖峰分类系统在标准 180 nm CMOS 工艺中的 ASIC 实现。后布局和布线模拟结果表明,合成的 PBNN 在 24 kHz 下工作时仅消耗 1.8 V 电源下的 0.59 휇 W 功耗,占用 0.15 mm 2 的硅面积。结果表明,所设计的基于 PBNN 的脉冲分类系统不仅在各种噪声水平和数据集上提供与最先进的脉冲分类系统相当的精度,而且占用的硅面积更小,功耗更低。这使得 PBNN 成为实现可植入大脑的脉冲分类系统的可行替代方案。
图 3 ReRAM 特性的电极依赖性:(a) 50×50 μm 2 ,(b) 200×200 μm 2 。 5.结论我们利用 TiO x 作为电阻变化层制作了 ReRAM,并评估了其特性。在本次创建的条件下,没有观察到复位操作。这被认为是因为在复位操作过程中,由于氧气的释放,灯丝没有断裂。比较电极尺寸,50×50 μm2 的较小元件与 200×200 μm2 的元件相比,可获得更优异的特性。这被认为表明了氧化退火过程中的尺寸依赖性。 6.参考文献 [1] A. Hardtdegen 等,IEEE Transactions on Electron Devices,第 65 卷,第 8 期,第 3229-3236 页 (2018) [2] Takeo Ninomiya,基于氧化物材料设计和可靠性建模的电阻式存储器量产,名古屋大学研究生院博士论文 (2016) [3] D.Carta 等,ACS Appl. Mater. Interfaces,第 19605-19611 页 (2016) [4] D. Acharyya 等,微电子可靠性。54,第 541-560 页 (2014)。
Liu 等 [36] 在 1950 ℃ 和 50 MPa 压力的 SPS 过 程中,发现随着 TiB 2 的添加量由 5 mol% 增至 30 mol% ,复合陶瓷的硬度降低,断裂韧性增加。 除裂纹偏转和 TiB 2 的钉扎效应使 B 4 C 晶粒细化 ( 从 1.91 μm 减至 1.67 μm) 外,两相间位错的产生, 是 B 4 C 陶瓷增强、增韧的次要原因,其在陶瓷断 裂前吸收能量,造成局部强化 [37–38] 。研究发现, 添加 20 mol% TiB 2 时,复合陶瓷的相对密度为 97.91% ,维氏硬度为 (29.82±0.14) GPa ,断裂韧性 为 (3.70±0.08) MPa·m 1/2 。 3.1.2 Ti 单质引入 与直接添加 TiB 2 相比,在烧结过程中原位反 应生成 TiB 2 可以在较低的烧结温度下获得更高 的密度和更好的机械性能。 Gorle 等 [39] 将 Ti-B( 原 子比 1:2) 混合粉体以 5 wt.% 、 10 wt.% 和 20 wt.% 的比例加入到 B 4 C 粉末中,研磨 4 h 后通过 SPS 在 1400 ℃ 下获得致密的 B 4 C 复合陶瓷。由于 WC 污染,获得了由被 (Ti 0.9 W 0.1 )B 2 和 W 2 B 5 的细颗粒 包裹的 B 4 C 颗粒组成的无孔微结构。当 Ti-B 混合 物的量从 5 wt.% 增至 20 wt.% 时,烧结活化能从 234 kJ·mol −1 降至 155 kJ·mol −1 。含 5 wt.% Ti-B 混 合物的 B 4 C 复合材料的最大硬度为 (3225±218) HV 。由于 TiB 2 的原位形成反应是高 度放热并释放大量能量的自蔓延反应,因此,原 料颗粒界面间的实际温度预计高于 SPS 烧结温 度,同时,液相 W 2 B 5 的形成润湿了 B 4 C 表面, 有助于降低 B 4 C 晶粒的界面能,并加速了沿晶界
设计,优化和制造。数值技术,例如有限元分析,验收动力学,第一原理计算和多尺度建模,可以有效地预测机构属性并优化设计。与此同时,人工智能和大数据分析可以通过机器学习发现新材料和反向设计。智能手段与自适应控制系统相结合,实现了生产过程的自动化和实时优化,从而提高了制造效率和精度。尽管数据和计算成本不足,但随着技术的进步,材料科学却朝着更高的精度和自动化方向发展。
监测人脑活动对于了解大脑功能、预防精神疾病和改善生活质量具有巨大潜力。为此,EEG 系统必须从当今临床实践中经常使用的有线、固定和笨重的系统转变为提供高信号质量的智能可穿戴、无线和舒适的生活方式解决方案。可穿戴设备上的连续监测要求自动 EEG 分类算法既准确又轻量。这是我们在本文中的主要关注点。请注意,可穿戴设备的处理器很小且有限,与台式机和服务器处理器相比要慢得多。许多以前的算法都是基于经典信号处理技术 [1][2]。由于 EEG 信号特征在不同情况下和不同人之间存在显著差异,因此此类算法中使用的固定特征不足以准确区分所有人的不同类型的疾病。为了自动提取特征并提高脑信号分类准确性,最近提出了基于深度学习的算法,包括深度卷积神经网络 (CNN) 和循环神经网络 (RNN) [3][4]。用于序列学习的最流行和最有效的 RNN 模型之一是长短期记忆 (LSTM) [5]。LSTM 旨在对长程依赖关系进行建模,而 RNN 的记忆备份起着重要作用,因此它们比传统的 RNN 更准确、更有效。本文重点介绍基于 LSTM 循环神经网络的 EEG 分类算法。所提出的方法采用 RNN,因为 EEG 波形自然适合用这种类型的神经网络进行处理。与其他类型的神经网络相比,RNN 可以更有效地捕获序列数据中的时间依赖关系。然而,高分类准确率的代价是