Concerning the transition from a carbon-based energy economy to a renewable energy economy, hydrogen is considered an essential energy carrier for efficient and broad energy systems in China in the near future. China aims to gradually replace fossil fuel-based power generation with renewable energy technologies to achieve carbon neutrality by 2060. This ambitious undertaking will involve building an industrial production chain spanning the production, storage, transportation, and utilisation of hydrogen energy by 2030 (when China's carbon peak will be reached). This review analyses the current status of technological R&D in China's hydrogen energy industry. Based on published data in the open literature, we compared the costs and carbon emissions for grey, blue, and green hydrogen production. The primary challenges concerning hydrogen transportation and storage are highlighted in this study. Given that primary carbon emissions in China are a result of power generation using fossil fuels, we provide an overview of the advances in hydrogen-to-power industry technology R&D, including hydrogen-related power generation technology, hydrogen fuel cells, hydrogen internal combustion engines, hydrogen gas turbines, and catalytic hydrogen combustion using liquid hydrogen carriers (e.g. ammonia, methanol, and ethanol).

Abstract The race to train language models on vast, diverse and inconsistently documented datasets raises pressing legal and ethical concerns. To improve data transparency and understanding, we convene a multi-disciplinary effort between legal and machine learning experts to systematically audit and trace more than 1,800 text datasets. We develop tools and standards to trace the lineage of these datasets, including their source, creators, licences and subsequent use. Our landscape analysis highlights sharp divides in the composition and focus of data licenced for commercial use. Important categories including low-resource languages, creative tasks and new synthetic data all tend to be restrictively licenced. We observe frequent miscategorization of licences on popular dataset hosting sites, with licence omission rates of more than 70% and error rates of more than 50%. This highlights a crisis in misattribution and informed use of popular datasets driving many recent breakthroughs. Our analysis of data sources also explains the application of copyright law and fair use to finetuning data. As a contribution to continuing improvements in dataset transparency and responsible use, we release our audit, with an interactive user interface, the Data Provenance Explorer, to enable practitioners to trace and filter on data provenance for the most popular finetuning data collections: www.dataprovenance.org .

When plants suffer from abiotic stresses, cyclic electron flow (CEF) is induced for photoprotection. Putrescine (Put), a main polyamine in chloroplasts, plays a critical role in stress tolerance. To elucidate the mechanism of Put regulating CEF for salt-tolerance in cucumber leaves, we measured chlorophyll fluorescence, P700 redox state, ATP and NADPH accumulation and so on. The maximum photochemical efficiency of PSII (Fv/Fm) was not influenced by NaCl and/or Put, but the activity of PSI reaction center (P700) was seriously inhibited by NaCl. Salt stress induced high level of CEF, moreover, NaCl and Put treated plants exhibited much higher CEF activity and ATP accumulation than single salt-treated plants to provide adequate ATP/NADPH ratio for plants growth. Furthermore, Put decreased the trans-membrane proton gradient (ΔpH), accompanied by reducing the pH-dependent non-photochemical quenching (qE) and increasing efficient quantum yield of PSII (Y(II)). The ratio of NADP+/NADPH in salt stressed leaves was significantly increased by Put, indicating that Put relieved over-reduction pressure at PSI accepter side. Taken together, our results suggest that exogenous Put enhances CEF to supply extra ATP for PSI recovery and CO2 assimilation, decreases ΔpH for electron transport related proteins staying active, and enable the non-photochemical quenching transformed into photochemical quenching.

Layer by layer (LBL) self-assembly coatings upon expandable polystyrene (EPS) surface play an important role in improving its flame retardancy. However, a large number of layers is needed to achieve a satisfied fire performance, and the coatings are difficult to adhere on the inert EPS surface, resulting in the poor durability. In this work, the surface of EPS was activated by ultraviolet ozone (UVO) with the appearance of oxygen contained groups, then a LBL coating with only two bilayers (branched polyethyleneimine (BPEI)-kaolinite (kaol)-BPEI-diethylene triamine penta (methylene phosphonic acid)) was covalently connected on the EPS surface. Compared with neat EPS, the obtained E-K5D30 sample increased the value of limiting oxygen index (LOI) from 18.8 % to 37.7 %, improved the ignition time from 59 s to 95 s, reduced the peak heat release rate (pHRR) value from 282.0 kW/m2 to 220.9 kW/m2, and enhanced the char residues from 6.3 % to 32.3 % after the combustion. Moreover, an ultraviolet (UV) curing layer with P/N elements was prepared upon E-K5D30 sample to maximize the flame retardant durability. A novel amino-intercalated kaol was used to play a smoke suppression role. The results showed that E-K*5D30-P8N3 sample further increased the LOI to 39.2 %. Even after 12 h washing, the E-K*5D30-P8N3 sample exhibited a slight LOI reduction to 37.8 %, and fire performance index (FPI) value of 0.405 m2·s/kW, showing the successful construction of coatings with good fire safety and flame retardant durability.

In this paper, a point-to-point communication system with low latency and high reliability is studied. A fast hybrid automatic repeat request (HARQ) protocol is applied, where some HARQ feedback is omitted and the associated channel uses are incorporated for data transmission in fast HARQ. Based on relevant results on the decoding error probability over finite blocklength (FBL) codes, a long-term bit energy minimization problem is formulated in the presence of feedback delay and reliability constraints. Considering the non-convexity of the optimization problem and small decoding error probabilities, a finite-episode Markov Decision Process (MDP) with a double-layer penalty reward is formulated. An actor-critic based deep reinforcement learning (DRL) algorithm is subsequently designed. Through numerical evaluations, it is shown that compared with the conventional HARQ and the existing fast HARQ protocol, the proposed scheme is more energy efficient especially when the packet size is large.