Dynamic covalent chemistry enables self-assembly of reactive building blocks into structurally complex yet robust materials, such as covalent organic frameworks (COFs). However, the synthetic toolbox used to prepare such materials, and thus the spectrum of attainable properties, is very limited. For π-conjugated COFs, the Schiff base condensation of aldehydes and amines is the only general dynamic reaction, but the resulting imine-linked COFs display only a moderate electron delocalization and are susceptible to hydrolysis, particularly in acidic conditions. Here we report a new dynamic polymerization based on Michael addition–elimination reaction of structurally diverse β-ketoenols with amines, and use it to prepare novel two-dimensional (2D) π-conjugated COFs, as crystalline powders and exfoliated micron-size sheets. π-Conjugation is manifested in these COFs in significantly reduced band gap (1.8–2.2 eV), solid state luminescence and reversible electrochemical doping creating midgap (NIR absorbing) polaronic states. The β-ketoenamine moiety enables protonation control of electron delocalization through the 2D COF sheets. It also gives rise to direct sensing of triacetone triperoxide (TATP) explosive through fluorescence quenching.

Wireless Sensor Networks (WSN) are adopting low-power wide area networks (LPWAN), such as long-range (LoRa) wide area networks, to increase communication standards. LoRa has been used to gather sensor data for many applications, such as environmental monitoring. The existing LoRa system faces degradation in network performance because of interference and congestion with the development of Internet-of-Things (IoT) devices. More than the device parameters and algorithms must be improved in large IoT applications. In massive LoRa systems, resource allocation is effectively performed using new reinforcement learning and machine learning approaches. These approaches have proven to be quite effective. Hence, this work implements an efficient optimal resource allocation scheme for effective data transmission over the LoRa with the minor power requirement with the aid of Deep Adaptive Reinforcement Learning (DARL). The parameters required to minimize the power requirement while transmitting the data are estimated with the help of this DARL model. The variables in the DARL are optimally selected by using a new optimization algorithm named Integrated Remora with Lotus Effect Optimization Algorithm (IR-LEOA) that is executed by combining Remora Optimization Algorithm (ROA) with the Lotus Effect Optimization Algorithm (LEA). The network parameters, such as the transmission power, channel, and spreading factor, are tuned using the same IR-LEOA. The server in the LoRa is matched by the agents generated by the DARL model. Then, the transmission parameters are given to the network's terminal hub after the agents in the DARL are generated. Throughput, energy efficiency, latency, and transmission rate are analyzed using this optimization strategy. The effectiveness of the model is proved by conducting extensive experimentation.

Abstract In Wide Area Networks (WANs), optimal resource allocation is crucial for enhancing computational efficiency, particularly in Low Power Wide Area Networks (LPWANs). This work introduces a machine learning-based system to optimize data transfer rates while minimizing power consumption in LPWANs. The focus is on LoRa, a notable LPWAN technology for long-range communication and interference resilience. Existing LoRa networks experience performance degradation due to interference and congestion caused by the Internet of Things (IoT). To address this, advanced Spreading Factor (SF) allocation techniques are employed, using a metaheuristic optimization algorithm (Particle Swarm Optimization) and an ensemble machine learning algorithm based on gradient boosting (XGBoost), alongside Decision Tree Classifier (DTC) and Random Forest (RF). Simulation results reveal that these approaches significantly enhance Packet Delivery Ratio (PDR) and reduce transmit energy consumption across various distances, outperforming traditional SF schemes. The RF method, for instance, achieves up to 6.32% higher PDR and reduces energy consumption by up to 16.67% compared to the Lowest SF method. Additionally, these techniques improve throughput by up to 14.9% over classical methods. The study also examines the effects of gateways, network distance, and SF on PDR and energy utilization, demonstrating that the proposed methods adapt effectively to different network conditions. The findings highlight the potential of these advanced methods to enhance LoRa network performance, making them suitable for large-scale IoT deployments.

s‐Tetrazines are aromatic heterocyclic systems with distinct structural and optoelectronic features, which have led to the design and development of tetrazine‐derived systems in various applications. In this review, we summarize all the research reported on the subject of the applicability of tetrazine derivatives for photocatalytic chemical transformation, hydrogen production, and coordination‐based analyte detection.

Tetraene-linked diketopyrrolopyrrole (DPP)-based CMPs were developed via Knoevenagel condensation. The CMP has been characterized with NIR absorption (∼1200 nm) and high electrical conductivity (0.2 S m −1 ).