A commentary on pressure‐induced pre‐lithiation towards Si anodes in all‐solid‐state Li‐ion batteries (ASSLIBs) using sulfide electrolytes (SEs) is presented. First, feasible pre‐lithiation technologies for Si anodes in SE‐based ASSLIBs especially the significant pressure‐induced pre‐lithiation strategies are briefly reviewed. Then, a recent achievement by Meng et al. in this field is elaborated in detail. Finally, the significance of Meng's work is discussed.

Pyridine, a widespread aromatic heterocycle, features a sp

We report herein that nickel-mediated trifluoromethylation of chlorinated and brominated phenol derivatives ClArOTs and BrArOTf gave chloro(bromo)trifluoromethylarenes through the chemoselective cleavage of Ar-O bonds. Furthermore, under similar reaction conditions, the chemoselective trifluoromethylation of Ar-Cl and Ar-Br bonds of ClArOPiv and BrArOTs was achieved to give trifluoromethylated phenol derivatives.

Optimizing structural designs, especially for complex systems like turbine blade cooling structures, requires efficient strategies for handling categorical configurations alongside computationally expensive simulations. This article presents a Bayesian optimization strategy tailored for integrated tasks involving categorical configurations and high-dimensional continuous design variables. A Gaussian process with Con-Cat kernel is proposed in order to merge response datasets from diverse configurations effectively, capturing inter-configuration and intra-configuration correlations seamlessly. Additionally, a supervised dimension–reduction scheme is developed based on subspace activation, utilizing a half-Cauchy distribution. Remarkably, the Con-Cat kernel represents a generalization of standard kernels, achieving equivalence in scenarios solely involving continuous variables. The subspace activation scheme enhances surrogate modelling performance without introducing extra model parameters, which is particularly beneficial for sparse datasets. Numerical evaluations, including three mathematical functions, a supported beam problem, and turbine blade cooling structure design optimization, demonstrate the superiority of the proposed Bayesian optimization strategy, exhibiting up to an 85% improvement over five alternative approaches, especially in scenarios with sparse data.

Abstract Various data-driven methods based on acoustic emission (AE) signals have been proposed to monitor and accurately identify the wear stages of the grinding wheel. However, extracting effectively generalized and discriminative features from AE signals remains a challenging task. This paper proposes a new lightweight hybrid deep learning model that combines enhanced convolution with enhanced vision transformer to effectively address the above challenges. Specifically, the key contributions of this paper are three-fold: (1) A two-stage signal preprocessing mechanism based on variational mode decomposition and continuous wavelet transform is proposed to improve the signal-to-noise ratio and feature representation of the AE signals. (2) To prevent model overfitting, a new regularization strategy based on stabilizing sparse convolutional weights and a weight penalty mechanism is designed. This approach improves the hybrid mode’s capacity to extract generalized features. (3) To concentrate on capturing multi-scale discriminative features between different wear conditions, a parameter-efficient residual convolution module based on the dropout depthwise convolution is designed, which is utilized to reconstruct the encoder of the vision transformer. In particular, to improve the training efficiency of the model, a lightweight mechanism using a stage-stride decreasing strategy is used to compress the spatial dimensions of the feature maps in the attention mechanism. The ablation experiment demonstrates the rationality of the proposed model structure. Comparative experiments show that the proposed method achieves a diagnostic accuracy of 99.6% on the test set and outperforms other state-of-the-art deep learning methods.