Abstract Alzheimer's disease (AD) is an irreversible neurodegenerative disease, and the early diagnosis and effective intervention of AD is essential for patients and doctors. Intelligence diagnosis based on magnetic resonance imaging and deep learning has become one of the useful methods for AD identification. To improve the diagnosis effect of AD in early stages, a novel multi‐scale classification model of AD, called MSFNet‐2SE, is proposed. First, a new multi‐scale fusion (MSF) feature extraction module is designed based on the idea of the feature maps split into feature subsets of Res2Net. Second, a channel attention module is embedded into the MSF module through integrating two Squeeze‐and‐Excitation (SE) blocks. Finally, a gradient centralization Adam optimizer is used to improve the model classification performance. Experimental results illustrate that, compared with other available state‐of‐the‐art classification models of AD, the proposed model has excellent classification performance. It is helpful to improve the clinical diagnosis efficiency.

Solar evaporation has attracted great interest in water collection, gaining considerable attention recently. While many efforts have been made to enhance solar thermal conversion performance from materials design aspects, little attention has been given to the fundamental solar thermal gradient concept, which significantly affects local heating during evaporation. In this work, the polymer sponge evaporator was designed to control the solar thermal gradient by adding copper–carbon core–shell (Cu@C) nanoparticles with similar solar absorptance to understand the effect of solar thermal gradient or local heating on evaporation performance. The optimized solar evaporation can be 2.0 kg·m⁻²·h⁻¹ under 1000 W·m⁻² (one sun) with a Cu@C mass fraction of 0.5 wt.%, which was higher than that observed in cases with either higher or smaller Cu@C mass fraction. A too-small or large Cu@C mass fraction would enhance heat loss from the bottom or top parts, which was also confirmed by simulation results. Further outdoor water yield experiment showed that the optimized Cu@C mass fraction of 0.5 wt.% achieved the highest water collection (6.67 kg·m⁻²·d⁻¹) compared with the other cases, such as 5.92 kg·m⁻²·d⁻¹ for 0.1 wt.%, 5.29 kg·m⁻²·d⁻¹ for 1 wt.%. These results highlighted the impact of local heating on evaporation performance under the solar thermal gradient during the solar evaporation process.