How will a virus propagate in a real network? How long does it take to disinfect a network given particular values of infection rate and virus death rate? What is the single best node to immunize? Answering these questions is essential for devising network-wide strategies to counter viruses. In addition, viral propagation is very similar in principle to the spread of rumors, information, and “fads,” implying that the solutions for viral propagation would also offer insights into these other problem settings. We answer these questions by developing a nonlinear dynamical system ( NLDS ) that accurately models viral propagation in any arbitrary network, including real and synthesized network graphs. We propose a general epidemic threshold condition for the NLDS system: we prove that the epidemic threshold for a network is exactly the inverse of the largest eigenvalue of its adjacency matrix. Finally, we show that below the epidemic threshold, infections die out at an exponential rate. Our epidemic threshold model subsumes many known thresholds for special-case graphs (e.g., Erdös--Rényi, BA powerlaw, homogeneous). We demonstrate the predictive power of our model with extensive experiments on real and synthesized graphs, and show that our threshold condition holds for arbitrary graphs. Finally, we show how to utilize our threshold condition for practical uses: It can dictate which nodes to immunize; it can assess the effects of a throttling policy; it can help us design network topologies so that they are more resistant to viruses.

We present the development and characterization of a dedicated resonant soft x-ray scattering facility. Capable of operation over a wide energy range, the beamline and endstation are primarily used for scattering from soft matter systems around the carbon K-edge (∼285 eV). We describe the specialized design of the instrument and characteristics of the beamline. Operational characteristics of immediate interest to users such as polarization control, degree of higher harmonic spectral contamination, and detector noise are delineated. Of special interest is the development of a higher harmonic rejection system that improves the spectral purity of the x-ray beam. Special software and a user-friendly interface have been implemented to allow real-time data processing and preliminary data analysis simultaneous with data acquisition.

Graphene has attracted a lot of research interest owing to its exotic properties and a wide spectrum of potential applications. Chemical vapor deposition (CVD) from gaseous hydrocarbon sources has shown great promises for large-scale graphene growth. However, high growth temperature, typically 1000 °C, is required for such growth. Here we demonstrate a revised CVD route to grow graphene on Cu foils at low temperature, adopting solid and liquid hydrocarbon feedstocks. For solid PMMA and polystyrene precursors, centimeter-scale monolayer graphene films are synthesized at a growth temperature down to 400 °C. When benzene is used as the hydrocarbon source, monolayer graphene flakes with excellent quality are achieved at a growth temperature as low as 300 °C. The successful low-temperature growth can be qualitatively understood from the first principles calculations. Our work might pave a way to an undemanding route for economical and convenient graphene growth.

A fundamental question in any peer-to-peer ridesharing system is how to, both effectively and efficiently, dispatch user's ride requests to the right driver in real time. Traditional rule-based solutions usually work on a simplified problem setting, which requires a sophisticated hand-crafted weight design for either centralized authority control or decentralized multi-agent scheduling systems. Although recent approaches have used reinforcement learning to provide centralized combinatorial optimization algorithms with informative weight values, their single-agent setting can hardly model the complex interactions between drivers and orders. In this paper, we address the order dispatching problem using multi-agent reinforcement learning (MARL), which follows the distributed nature of the peer-to-peer ridesharing problem and possesses the ability to capture the stochastic demand-supply dynamics in large-scale ridesharing scenarios. Being more reliable than centralized approaches, our proposed MARL solutions could also support fully distributed execution through recent advances in the Internet of Vehicles (IoV) and the Vehicle-to-Network (V2N). Furthermore, we adopt the mean field approximation to simplify the local interactions by taking an average action among neighborhoods. The mean field approximation is capable of globally capturing dynamic demand-supply variations by propagating many local interactions between agents and the environment. Our extensive experiments have shown the significant improvements of MARL order dispatching algorithms over several strong baselines on the accumulated driver income (ADI), and order response rate measures. Besides, the simulated experiments with real data have also justified that our solution can alleviate the supply-demand gap during the rush hours, thus possessing the capability of reducing traffic congestion.

Photocatalytic hydrogen evolution is widely recognized as an environmentally friendly approach to address future energy crises and environmental issues. However, rapid recombination of photo-induced charges over carbon nitride in lateral and vertical direction hinder this process. Herein, we proposed an effective strategy involving the embedding of benzene rings and the intercalation of platinum atoms on carbon nitride for a controlled intralayer and interlayer charges flow. Modified carbon nitride exhibits a significant higher hydrogen evolution rate (6288.5 μmol/g/h), which is 42 times greater than that of pristine carbon nitride. Both experiments and simulations collectively indicate that the improved photocatalytic activities can be attributed to the adjustment of the highly symmetric structure of carbon nitride, achieved by embedding benzene rings to induce the formation of an intralayer build-in electric field and intercalating Pt atoms to enhance interlayer polarization, which simultaneously accelerate lateral and vertical charges migration. This dual-direction charges separation mechanism in carbon nitride provides valuable insights for the development of highly active photocatalysis.

Reactive power optimization of distribution networks is traditionally addressed by physical model based methods, which often lead to locally optimal solutions and require heavy online inference time consumption. To improve the quality of the solution and reduce the inference time burden, this paper proposes a new graph attention networks based method to directly map the complex nonlinear relationship between graphs (topology and power loads) and reactive power scheduling schemes of distribution networks, from a data-driven perspective. The graph attention network is tailored specifically to this problem and incorporates several innovative features such as a self-loop in the adjacency matrix, a customized loss function, and the use of max-pooling layers. Additionally, a rule-based strategy is proposed to adjust infeasible solutions that violate constraints. Simulation results on multiple distribution networks demonstrate that the proposed method outperforms other machine learning based methods in terms of the solution quality and robustness to varying load conditions. Moreover, its online inference time is significantly faster than traditional physical model based methods, particularly for large-scale distribution networks.