Orbital data indicate that the youngest volcanic units on the Moon are basalt lavas in Oceanus Procellarum, a region with high levels of the heat-producing elements potassium, thorium, and uranium. The Chang’e-5 mission collected samples of these young lunar basalts and returned them to Earth for laboratory analysis. We measure an age of 1963 ± 57 million years for these lavas and determine their chemical and mineralogical compositions. This age constrains the lunar impact chronology of the inner Solar System and the thermal evolution of the Moon. There is no evidence for high concentrations of heat-producing elements in the deep mantle of the Moon that generated these lavas, so alternate explanations are required for the longevity of lunar magmatism.

SUMMARY Betacoronaviruses (betaCoVs) caused the severe acute respiratory syndrome (SARS) and Middle East Respiratory Syndrome (MERS) outbreaks, and now the SARS-CoV-2 pandemic. Vaccines that elicit protective immune responses against SARS-CoV-2 and betaCoVs circulating in animals have the potential to prevent future betaCoV pandemics. Here, we show that immunization of macaques with a multimeric SARS-CoV-2 receptor binding domain (RBD) nanoparticle adjuvanted with 3M-052-Alum elicited cross-neutralizing antibody responses against SARS-CoV-1, SARS-CoV-2, batCoVs and the UK B.1.1.7 SARS-CoV-2 mutant virus. Nanoparticle vaccination resulted in a SARS-CoV-2 reciprocal geometric mean neutralization titer of 47,216, and robust protection against SARS-CoV-2 in macaque upper and lower respiratory tracts. Importantly, nucleoside-modified mRNA encoding a stabilized transmembrane spike or monomeric RBD protein also induced SARS-CoV-1 and batCoV cross-neutralizing antibodies, albeit at lower titers. These results demonstrate current mRNA vaccines may provide some protection from future zoonotic betaCoV outbreaks, and provide a platform for further development of pan-betaCoV nanoparticle vaccines.

Self-supervised monocular depth estimation can exhibit excellent performance in static environments due to the multi-view consistency assumption during the training process. However, it is hard to maintain depth consistency in dynamic scenes when considering the occlusion problem caused by moving objects. For this reason, we propose a method of self-supervised self-distillation for monocular depth estimation (SS-MDE) in dynamic scenes, where a deep network with a multi-scale decoder and a lightweight pose network are designed to predict depth in a self-supervised manner via the disparity, motion information, and the association between two adjacent frames in the image sequence. Meanwhile, in order to improve the depth estimation accuracy of static areas, the pseudo-depth images generated by the LeReS network are used to provide the pseudo-supervision information, enhancing the effect of depth refinement in static areas. Furthermore, a forgetting factor is leveraged to alleviate the dependency on the pseudo-supervision. In addition, a teacher model is introduced to generate depth prior information, and a multi-view mask filter module is designed to implement feature extraction and noise filtering. This can enable the student model to better learn the deep structure of dynamic scenes, enhancing the generalization and robustness of the entire model in a self-distillation manner. Finally, on four public data datasets, the performance of the proposed SS-MDE method outperformed several state-of-the-art monocular depth estimation techniques, achieving an accuracy (δ1) of 89% while minimizing the error (AbsRel) by 0.102 in NYU-Depth V2 and achieving an accuracy (δ1) of 87% while minimizing the error (AbsRel) by 0.111 in KITTI.