Generative models trained on internet data have revolutionized how text, image, and video content can be created. Perhaps the next milestone for generative models is to simulate realistic experience in response to actions taken by humans, robots, and other interactive agents. Applications of a real-world simulator range from controllable content creation in games and movies, to training embodied agents purely in simulation that can be directly deployed in the real world. We explore the possibility of learning a universal simulator of real-world interaction through generative modeling. We first make the important observation that natural datasets available for learning a real-world simulator are often rich along different dimensions (e.g., abundant objects in image data, densely sampled actions in robotics data, and diverse movements in navigation data). With careful orchestration of diverse datasets, each providing a different aspect of the overall experience, we can simulate the visual outcome of both high-level instructions such as ``open the drawer'' and low-level controls such as "move by x, y" from otherwise static scenes and objects. We use the simulator to train both high-level vision-language policies and low-level reinforcement learning policies, each of which can be deployed in the real world in zero shot after training purely in simulation. We also show that other types of intelligence such as video captioning models can benefit from training with simulated experience, opening up even wider applications. Video demos can be found at https://universal-simulator.github.io.

Enzymatic oxygenation of various cyclic ketones into lactones via Baeyer-Villiger monooxygenases (BVMOs) could provide a promising route for synthesizing fragrances and pharmaceutical ingredients. However, unsatisfactory catalytic activity and thermostability restricted their applications in the pharmaceutical and food industries. In this study, we successfully improved the catalytic activity and thermostability of a Baeyer-Villiger monooxygenase (

Konjac glucomannan-gelatin (KGM-GEL) based electrospun nanofibrous films are promising materials for food packaging but suffer from high hydrophilicity and weak mechanical properties. To overcome these limitations, KGM-GEL-based nanofibrous films were reinforced using polycaprolactone (PCL) nanofibers as a crosslinking layer via two-step electrospinning technique. The results show that the bilayer nanofibrous films composed of PCL nanofibers and KGM-GEL nanofibers display a homogenous morphology. Additionally, FTIR and X-ray diffraction analysis shows that physicochemical properties of each biopolymer are preserved in bilayer nanofibrous films. The hydrophobicity of KGM-GEL-based nanofibers is improved dramatically with PCL nanofibers as indicated by water contact angle (WCA) and WVP measurement. All bilayer nanofibrous films have achieved improvements in mechanical properties and thermal stability. It can be concluded that crosslinking with biocompatible synthetic polymers PCL nanofibrous films is an effective pathway for the preparation of natural biopolymers-based nanofibrous films with improved properties, which may be a promising material for food packaging.

Reinforced concrete (RC), renowned for its amalgamation of strength and durability, stands as a cornerstone in modern engineering, extensively employed in various structures such as buildings, bridges, and pipe culverts. However, prevalent issues of concrete spalling and exposed steel bars within RC structures pose significant challenges. An automated identification methodology is proposed to detect concrete spalling and exposed steel bars, leveraging machine vision technology and deep learning algorithms. Initially, a classifier is utilized to discern concrete spalling areas within the image domain at the image level. Subsequently, a semantic segmentation algorithm is applied to precisely delineate the contours of both concrete spalling areas and exposed steel bars at the pixel level. The efficacy and feasibility of the proposed method are validated through training and testing on both a publicly available dataset and actual RC structure images. The results illustrate that the average detection precision, Intersection over Union (IOU), recall, and F1-score for concrete spalling areas are 0.924, 0.872, 0.937, and 0.925, respectively, while for exposed steel areas, the corresponding values are 0.905, 0.820, 0.899, and 0.855. This method demonstrates promising prospects for wide-ranging applications in defect detection within RC structures.