Operation speed is a key challenge in phase-change random-access memory (PCRAM) technology, especially for achieving subnanosecond high-speed cache memory. Commercialized PCRAM products are limited by the tens of nanoseconds writing speed, originating from the stochastic crystal nucleation during the crystallization of amorphous germanium antimony telluride (Ge2Sb2Te5). Here, we demonstrate an alloying strategy to speed up the crystallization kinetics. The scandium antimony telluride (Sc0.2Sb2Te3) compound that we designed allows a writing speed of only 700 picoseconds without preprogramming in a large conventional PCRAM device. This ultrafast crystallization stems from the reduced stochasticity of nucleation through geometrically matched and robust scandium telluride (ScTe) chemical bonds that stabilize crystal precursors in the amorphous state. Controlling nucleation through alloy design paves the way for the development of cache-type PCRAM technology to boost the working efficiency of computing systems.

Artificial intelligence and other data-intensive applications have escalated the demand for data storage and processing. New computing devices, such as phase-change random access memory (PCRAM)-based neuro-inspired devices, are promising options for breaking the von Neumann barrier by unifying storage with computing in memory cells. However, current PCRAM devices have considerable noise and drift in electrical resistance that erodes the precision and consistency of these devices. We designed a phase-change heterostructure (PCH) that consists of alternately stacked phase-change and confinement nanolayers to suppress the noise and drift, allowing reliable iterative RESET and cumulative SET operations for high-performance neuro-inspired computing. Our PCH architecture is amenable to industrial production as an intrinsic materials solution, without complex manufacturing procedure or much increased fabrication cost.

Hybrid Transactional and Analytical Processing (HTAP) databases require processing transactional and analytical queries in isolation to remove the interference between them. To achieve this, it is necessary to maintain different replicas of data specified for the two types of queries. However, it is challenging to provide a consistent view for distributed replicas within a storage system, where analytical requests can efficiently read consistent and fresh data from transactional workloads at scale and with high availability. To meet this challenge, we propose extending replicated state machine-based consensus algorithms to provide consistent replicas for HTAP workloads. Based on this novel idea, we present a Raft-based HTAP database: TiDB. In the database, we design a multi-Raft storage system which consists of a row store and a column store. The row store is built based on the Raft algorithm. It is scalable to materialize updates from transactional requests with high availability. In particular, it asynchronously replicates Raft logs to learners which transform row format to column format for tuples, forming a real-time updatable column store. This column store allows analytical queries to efficiently read fresh and consistent data with strong isolation from transactions on the row store. Based on this storage system, we build an SQL engine to process large-scale distributed transactions and expensive analytical queries. The SQL engine optimally accesses row-format and column-format replicas of data. We also include a powerful analysis engine, TiSpark, to help TiDB connect to the Hadoop ecosystem. Comprehensive experiments show that TiDB achieves isolated high performance under CH-benCHmark, a benchmark focusing on HTAP workloads.

Researchers occasionally use a single photomask to create a stacked structure with identical patterns. This method is cost-effective but also challenging for precise overlay control, due to the lack of coupled overlay marks between successive layers. In this paper, an innovative approach has been developed to address this problem. By shifting the exposure field with a specific offset, the outer overlay mark of the previous layer and the inner overlay mark of the current layer are aligned to the same coordinate position, allowing for accurate measurement of the overlay error. The raw overlay measurement values are then modeled using polynomials and compensated during subsequent runs. The effectiveness of this method has been demonstrated with experiment wafers, and PFA (Physical Failure Analysis) result further confirmed its feasibility for achieving precise overlay in such applications.

Although sleep-deprivation is known to impair attention in humans and other mammals, the underlying reasons are not well understood, and whether similar effects are present in non-mammalian species is not known. We therefore sought to investigate whether sleep is important for optimising attention in an invertebrate species, the genetic model Drosophila melanogaster. We developed a high-throughput paradigm to measure visual attention in freely-walking Drosophila, using competing foreground/background visual stimuli. We found that whereas sleep-deprived flies could respond normally to either stimulus alone, they were more distracted by background cues in a visual competition task. Other stressful manipulations such as starvation, heat exposure, and mechanical stress had no effects on visual attention in this paradigm. In contrast to sleep-deprivation, providing additional sleep using the GABA-A agonist 4,5,6,7-tetrahydroisoxazolo-[5,4-c]pyridine-3-ol (THIP) did not affect attention in wild-type flies, but significantly improved attention in the learning mutant dunce. Our results reveal a key function of sleep in optimising attention processes in Drosophila, and establish a behavioural paradigm that can be used to explore the molecular mechanisms involved.

Motivation: Spinal cord stimulation requires personalized 3D reconstructed model to address challenges arising from individual variability. Goal(s): This study aims to image the entire spinal cord with lumbosacral nerve roots and propose a method for reconstructing a 3D model for simulation. Approach: Three MRI sequences were collected for reconstruction and nerve roots annotation. Then the 3D spinal cord model was reconstructed using a custom interpolating algorithm guided by anatomical rules. Results: A tailored imaging protocol and reconstruction method designed for the spinal cord and its nerve roots have been proposed, resulting in a 3D personalized spinal cord model. Impact: The protocol offers an effective guide for researchers and clinicians conducting spinal cord and nerve roots imaging. Additionally, it enables the creation of personalized computational spine models with nerve roots and rootlets from MRI images, facilitating simulation studies.

Main‐group layered binary semiconductors, in particular, the III–VI alloys in the binary Ga–Te system are attracting increasing interest for a range of practical applications. The III–VI semiconductor, monoclinic gallium monotelluride (m‐GaTe), has been recently used in high‐sensitivity photodetectors/phototransistors and electronic memory applications due to its anisotropic properties yielding superior optical and electrical performance. Despite these applications, the origin of such anisotropy, namely the complex structural and bonding environments in GaTe nanostructures remain to be fully understood. In the present work, a comprehensive atomic‐scale characterization of m‐GaTe is reported by element‐resolved atomic‐scale microscopy experiments, enabling a direct measure of the in‐plane anisotropy at the sub‐Angstrom level. It is shown that these experimental images compare well with the results of first‐principles modeling. Quantum‐chemical bonding analyses provide a detailed picture of the atomic neighbor interactions within the layers, revealing that vertical GaGa homopolar bonds get stronger when they are distorted and rotated, inducing the strong in‐plane anisotropy. Beyond GaTe, using a systematic screening over the Materials Project database, the four additional low‐symmetric layered crystals with similar distorted tetrahedral patterns are identified, indicating that the homopolar‐bond‐induced anisotropy is a more generic feature in these layered van der Waals (vdW) materials.

Machine learning-based interatomic potentials enable accurate materials simulations on extended time- and length scales. ML potentials based on the atomic cluster expansion (ACE) framework have recently shown promising performance for this purpose. Here, we describe a largely automated computational approach to optimizing hyperparameters for ACE potential models. We extend our openly available Python package, XPOT, to include an interface for ACE fitting, and discuss the optimization of the functional form and complexity of these models based on systematic sweeps across relevant hyperparameters. We showcase the usefulness of the approach for two example systems: the covalent network of silicon and the phase-change material Sb