Linguistic sequence labeling is a general approach encompassing a variety of problems, such as part-of-speech tagging and named entity recognition. Recent advances in neural networks (NNs) make it possible to build reliable models without handcrafted features. However, in many cases, it is hard to obtain sufficient annotations to train these models. In this study, we develop a neural framework to extract knowledge from raw texts and empower the sequence labeling task. Besides word-level knowledge contained in pre-trained word embeddings, character-aware neural language models are incorporated to extract character-level knowledge. Transfer learning techniques are further adopted to mediate different components and guide the language model towards the key knowledge. Comparing to previous methods, these task-specific knowledge allows us to adopt a more concise model and conduct more efficient training. Different from most transfer learning methods, the proposed framework does not rely on any additional supervision. It extracts knowledge from self-contained order information of training sequences. Extensive experiments on benchmark datasets demonstrate the effectiveness of leveraging character-level knowledge and the efficiency of co-training. For example, on the CoNLL03 NER task, model training completes in about 6 hours on a single GPU, reaching F_1 score of 91.71+/-0.10 without using any extra annotations.

Recent advances in deep neural models allow us to build reliable named entity recognition (NER) systems without handcrafting features. However, such methods require large amounts of manually-labeled training data. There have been efforts on replacing human annotations with distant supervision (in conjunction with external dictionaries), but the generated noisy labels pose significant challenges on learning effective neural models. Here we propose two neural models to suit noisy distant supervision from the dictionary. First, under the traditional sequence labeling framework, we propose a revised fuzzy CRF layer to handle tokens with multiple possible labels. After identifying the nature of noisy labels in distant supervision, we go beyond the traditional framework and propose a novel, more effective neural model AutoNER with a new Tie or Break scheme. In addition, we discuss how to refine distant supervision for better NER performance. Extensive experiments on three benchmark datasets demonstrate that AutoNER achieves the best performance when only using dictionaries with no additional human effort, and delivers competitive results with state-of-the-art supervised benchmarks.

Low-light imaging capabilities are in urgent demand in many fields, such as security surveillance, night-time autonomous driving, wilderness rescue, and environmental monitoring. The excellent performance of SPAD devices gives them significant potential for applications in low-light imaging. This article presents a 64 (rows) × 128 (columns) SPAD image sensor designed for low-light imaging. The chip utilizes a three-dimensional stacking architecture and microlens technology, combined with compact gated pixel circuits designed with thick-gate MOS transistors, which further enhance the SPAD’s photosensitivity. The configurable digital control circuit allows for the adjustment of exposure time, enabling the sensor to adapt to different lighting conditions. The chip exhibits very low dark noise levels, with an average DCR of 41.5 cps at 2.4 V excess bias voltage. Additionally, it employs a denoising algorithm specifically developed for the SPAD image sensor, achieving two-dimensional grayscale imaging under 6 × 10−4 lux illumination conditions, demonstrating excellent low-light imaging capabilities. The chip designed in this paper fully leverages the performance advantages of SPAD image sensors and holds promise for applications in various fields requiring low-light imaging capabilities.

Polymer matrix composite memristors exhibit exceptional performances, including a straightforward structure, rapid operational speed, high density, good scalability, cost-effectiveness, and superior mechanical flexibility for wearable applications. This study utilizes sensitized chemical evaporation and spin coating carbonization techniques to fabricate composite nanofibers doped with Nickel-Cobalt coated multi-walled carbon nanotubes (SC-NCMTs). A novel polyimide matrix composite memory device was fabricated using in-situ polymerization technology. The transmission electron microscopy (TEM) and micro-Raman spectroscopy analyses validate the presence of dual interfaces structure locating between the Ni-Co-MWNTs, carbon nanofibers and PI matrix and a large number of defects in the SC-NCMTs/PI composite films, resulting in tunable ternary resistive switching behaviors of the composite memory device, exhibiting good ON/OFF current ratio of 10 4 and a retention time of 2500 s under operating voltages V onset ≤ 3 V. Based on the interface layer distribution and the defects in the composites, different physical models are comprised to investigate the charge transmission mechanism underlying the multilevel resistive switching behaviors. The studies on the impact of tunable multi-interfaces trap structures on multilevel resistive switching could enhance the data storage capabilities of polymer matrix memristors.

Abstract Despite widespread agreement in the scholarly community about the significance of academic title structure on research output, research on the underlying mechanisms remains insufficient. Social contribution and research resources were selected as mediating variables, panel data of the materials science and engineering discipline of 30 Chinese universities from 2016 to 2020 were chosen as the research samples, and a fixed-effects model was subsequently applied to conduct a chain mediating effect test. The results showed: (1) Both the proportion of national-level talents and that of senior titles can promote research output, with the former having a much greater effect, while the proportion of associate senior titles has an indistinctive negative correlation with research output. (2) Both the proportion of national-level talents and that of senior titles can significantly enhance research output through the chain mediating effect of social contribution and research resources, with national-level talents having a stronger ability to make social contributions and obtain research resources. (3) Social contribution is more effective than research resources in enhancing research output. Based on the findings, it is recommended to improve policies for introducing high-end talents and to increase support for researchers with associate senior titles. Furthermore, it is advisable to establish a research evaluation system based on social influence, guiding researchers to obtain research resources and enhance research output through social contributions.

For the first time, we experimentally demonstrate broadband coherent terahertz radiation generation through the interaction of colliding laser pulses with gas plasma.

Thermal management, in both electronic power devices and opto-electronic ultraviolet (UV) photodetectors based on gallium oxide (Ga2O3) materials, has been regarded an important technical approach to enable systems to operate...