Abstract In order to properly utilize the abundant CO 2 and water resources, various catalytic materials have been developed to convert them into valuable chemicals as renewable fuels electrochemically or photochemically. Currently, most studies are conducted under mild laboratory conditions, but for some extreme environments, such as Mars and space stations, there is an urgent need to develop new catalysts satisfying such special requirements. Conventional catalytic materials mainly focus on metals and narrow bandgap semiconductor materials, while the research on wide and ultrawide bandgap materials that can inherently withstand extreme conditions has not received enough attention. Given the robust stability and excellent physico‐chemical properties of diamond, it can be expected to perform in harsh environments for electrocatalysis or photocatalysis that has not been investigated thoroughly. Here, this review summarizes the catalytic functionality of diamond‐based electrodes with various but tunable product selectivity to obtain the varied C 1 or C 2+ products, and discusses some important factors playing a key role in manipulating the catalytic activity. Moreover, the unique solvation electron effect of diamond gives it a significant advantage in photocatalytic conversions which is also summarized in this mini‐review. In the end, prospects are made for the application of diamond‐based catalysts under various extreme conditions. The challenges that may be faced in practical applications are also summarized and future breakthrough directions are proposed at the end.

Dataset condensation addresses the problem of data burden by learning a small synthetic training set that preserves essential knowledge from the larger real training set. To date, the state-of-the-art (SOTA) results are often yielded by optimization-oriented methods, but their inefficiency hinders their application to realistic datasets. On the other hand, the Distribution-Matching (DM) methods show remarkable efficiency but sub-optimal results compared to optimization-oriented methods. In this paper, we reveal the limitations of current DM-based methods from the inner-class and inter-class views, i.e., Persistent Training and Distribution Shift. To address these problems, we propose a new DM-based method named Dual-view distribution AligNment for dataset CondEnsation (DANCE), which exploits a few pre-trained models to improve DM from both inner-class and inter-class views. Specifically, from the inner-class view, we construct multiple ``mid encoders'' to perform pseudo long-term distribution alignment, making the condensed set a good proxy of the real one during the whole training process; while from the inter-class view, we use the expert models to perform distribution calibration, ensuring the synthetic data remains in the real class region during condensing. Experiments demonstrate the proposed method achieves a SOTA performance while maintaining comparable efficiency with the original DM across various scenarios. Source codes are available at https://github.com/Hansong-Zhang/DANCE.