Microscopic traffic flow modeling is crucial for predicting future traffic demand and optimizing the design of transportation systems. At the microscopic level, a well-crafted model is capable of describing the interactions and dynamic variations among vehicles with greater accuracy. The cell scale in the classical cellular automaton (CA) multi-lane traffic flow model is a critical parameter to accurately express the location relationship of vehicles. In this paper, a new method based on Symmetric Two-lane Cellular Automaton (STCA), entitled STCA-X, is proposed for the cell scale selection. Firstly, the position, velocity, acceleration, and interaction of vehicle operation in the urban multi-lane environment are analyzed, and a feature model is built based on CA. One important drawback of the existing models is that they do not match the vehicle movement in the actual lane. To handle this problem, a fine-scale CA multi-lane model is developed. Secondly, a new traffic flow model is created by redefining several key behaviors such as road following, lane changing, and blocking in the STCA model. The experimental results are analyzed and compared with several of the state-of-the-art methods. Analysis of the simulation results proves that STCA-X improves vehicle lane change frequency and lane utilization efficiency. However, the enhancements in the model have resulted in increased computational complexity. Consequently, future research will delve into novel approaches to boost computational efficiency, thereby propelling the progress of traffic flow modeling technology.

The design and fabrication of high-performance, inexpensive and durable electrocatalyst toward hydrogen evolution reaction (HER) is supremely significant for alleviating energy crisis and environmental concerns, but still remaining challenging. Herein, we develop an experimental work based on etching and reduction strategy to reveal the remarkable effect of cation/anion co-doping in CoMoO4 on its intrinsic HER activity. The CoMoO4 with Fe and B incorporation (Fe/B-CoMoO4) exhibits a current density of 10 mA cm−2 with strikingly low potential of 38 mV coupling with Tafel slope of 51 mV dec-1, and manifesting a robust durability for 100 h with no attenuation, which is comparable to the state-of-the-art commercial Pt/C catalyst. The collective experimental and theoretical findings concomitantly illustrate that the enhanced performances are due to the strong synergistic effect resulting from the co-doping of Fe and B, which plays a pivotal role in finely tuning the electronic structure of CoMoO4, further optimizing the adsorption free energy of H intermediates and shifting the center of the d-band of Fe/B-CoMoO4 away from the Fermi level. This fantastic work highlights the critical role of foreign element incorporating for optimizing electronic structure of transition metal oxides toward HER, and offers valuable guiding principles for rational design of more efficient energy conversion devices.

Thanks to advancements in artificial intelligence and brain-computer interface (BCI) research, there has been increasing attention towards emotion recognition techniques based on electro encephalogram (EEG) recently. The complexity of EEG data poses a challenge when it comes to accurately classifying emotions by integrating time, frequency, and spatial domain features. To address this challenge, this paper proposes a fusion model called DC-ASTGCN, which combines the strengths of deep convolutional neural network (DCNN) and adaptive spatiotemporal graphic convolutional neural network (ASTGCN) to comprehensively analyze and understand EEG signals. The DCNN focuses on extracting frequency-domain and local spatial features from EEG signals to identify brain region activity patterns, while the ASTGCN, with its spatiotemporal attention mechanism and adaptive brain topology layer, reveals the functional connectivity features between brain regions in different emotional states. This integration significantly enhances the model's ability to understand and recognize emotional states. Extensive experiments conducted on the DEAP and SEED datasets demonstrate that the DC-ASTGCN model outperforms existing state-of the-art methods in terms of emotion recognition accuracy.

Abstract Background Left ventricular enlargement (LVE) is a common manifestation of cardiac remodeling that is closely associated with cardiac dysfunction, heart failure (HF), and arrhythmias. This study aimed to propose a machine learning (ML)-based strategy to identify LVE in HF patients by means of pulse wave signals. Method We constructed two high-quality pulse wave datasets comprising a non-LVE group and an LVE group based on the 264 HF patients. Fourier series calculations were employed to determine if significant frequency differences existed between the two datasets, thereby ensuring their validity. Then, the ML-based identification was undertaken by means of classification and regression models: a weighted random forest model was employed for binary classification of the datasets, and a densely connected convolutional network was utilized to directly estimate the left ventricular diastolic diameter index (LVDdI) through regression. Finally, the accuracy of the two models was validated by comparing their results with clinical measurements, using accuracy and the area under the receiver operating characteristic curve (AUC-ROC) to assess their capability for identifying LVE patients. Results The classification model exhibited superior performance with an accuracy of 0.91 and an AUC-ROC of 0.93. The regression model achieved an accuracy of 0.88 and an AUC-ROC of 0.89, indicating that both models can quickly and accurately identify LVE in HF patients. Conclusion The proposed ML methods are verified to achieve effective classification and regression with good performance for identifying LVE in HF patients based on pulse wave signals. This study thus demonstrates the feasibility and potential of the ML-based strategy for clinical practice while offering an effective and robust tool for diagnosing and intervening ventricular remodeling.

We study the ultralow-temperature thermodynamics and thermal conductivity ($\kappa$) of the single-crystal rare-earth chalcogenides NaYbS$_2$ and NaYbSe$_2$, which have an ideal triangular lattice of the Yb$^{3+}$ ions and have been proposed to be quantum spin liquid candidates. The magnetic specific heat divided by temperature $C_{\rm{mag}}/T$ is nearly constant at $T <$ 200 mK, which is indeed the indication of the gapless magnetic excitations with a constant density of states. However, we observe a vanishingly small residual term $\kappa_0/T$, which points to the absence of mobile fermionic excitations in these materials. Both the weak temperature dependence of $\kappa$ and the strong magnetic-field dependence of $\kappa$ suggest the significant scattering between the spinons and phonons, which actually supports the existence of gapless or tiny-gapped quantum spin liquid. Moreover, the $\kappa(B)/\kappa(0)$ isotherms show a series of field-induced magnetic transitions for $B \parallel a$, confirming the easy-plane anisotropy, which is consistent with the results of ac magnetic susceptibility. We expect our results to inspire further interests in the understanding of the spinon-phonon coupling in the spin liquid systems.

The utilization of a Fenton reagent was implemented within this investigation to facilitate the oxidation of cuprite with the purpose of enhancing its leaching efficacy in sulfuric acid. The concentration of 0.007 mol/L Fenton reagent increased the extraction rate of cuprite from 69.43 to 91.53 %, which increased by 22.1 %. The XPS, AFM, SEM–EDS, and ToF-SIMS results showed that the leaching process of cuprite significantly enhanced its oxidation and the conversion of Cu(I) species to Cu(II) species by the Fenton reagent;Electrochemical tests revealed that as the concentration of the Fenton reagent increased, the strength of the oxidation reaction increased. After the adsorption of hydroxyl radicals (•OH) onto the cuprite surface, the population of Cu12-O12 decreased notably from 0.45 to 0.26, concomitantly with an expansion in bond length from 1.824 Å to 1.930 Å. As the population of Cu12-O7 decreased from 0.39 to 0.05, the bond length exhibited a notable increase from 1.849 Å to 2.241 Å. The findings indicated that following the adsorption of •OH on the cuprite (1 1 1) surface, structural instability ensued. The EPR test confirmed that the introduction of Fenton reagent into the reaction system generated •OH. Simultaneously, with the extension of reaction time, the concentration of •OH in the system decreased, resulting in a reduction of the signal peak intensity.