Although functionally graded porous structures (FGPS) have been studied comprehensively due to their excellent mechanical and functional properties, the design process of FGPS with target stress response still dependent on continuous trial and error, which is not only time-consuming but also heavily relies on experience and intuition. This study proposes a novel inverse design framework of 2D FGPS with targeted dynamic stress-strain responses via a combination of conditional diffusion model and a residual neural network. Unlike traditional binary pixel representations, this approach utilizes nuclei position maps and color mapping technique to represent the structure configurations and cell wall thicknesses to improve the efficiency and performance of the model. Firstly, various functionally graded porous structures were constructed by employing Voronoi diagram techniques, and finite element simulations were conducted to calculate the nonlinear responses subjected to dynamic loadings. A dataset comprising 2100 FGPS and corresponding nonlinear stress-strain responses was established. Then, an inverse design framework is formulated by integrating a generator that uses a diffusion model to synthesize structures conditioned on specific target responses, with a predictor that employs a residual neural network to assess the responses of these structures. Finally, to demonstrate the effectiveness of the approach, the performance of the predictor and generator was thoroughly investigated. Structures with various target stress-strain responses were generated through the proposed method, and validated by finite element analysis. A detailed impact experiment was also carried out to verify the effectiveness of the proposed methods. The result shows that the framework can effectively generate new structures with objective nonlinear responses. This work offers a fast and efficient way to design FGPS that meet specific performance objectives.

Chiral Plasmonic nanomaterials have gradually illustrated intriguing circularly polarized light (CPL)-dependent properties in photocatalysis due to their unique chiral optical activity. However, the connection between chiral characteristics and catalytic performance of these materials in cooperative systems is rarely reported and remains a challenge task. In this work, branched AgAuPt nanoparticles induced by L/d-cysteine (Cys) with strong and perfectly symmetric circular dichroism (CD) signals are synthesized. Chiral branched AgAuPt nanoparticles firstly exhibit superior typical electrocatalytic performance. In the photoelectrocatalytic system, chiral branched AgAuPt nanoparticles demonstrate selective catalytic water splitting performance. Specifically, chiral branched AgAuPt with related CPL irradiation exhibits enhanced acidic hydrogen evolution reaction (HER) performance. Under the continuous irradiation of related CPL, the chiral catalyst generates more heat, which further increases the catalytic activity. This contribution of heat is supported by density functional theory (DFT) calculation results. The changes in chiroptical activity during this process are recorded by variable temperature CD spectra. This work provides a novel paradigm for designing chiral catalysis systems and emphasizes the profound promise of chiral plasmonic nanomaterials as chiral catalysts.

Despite the known influence of chemical composition on the mechanical properties of basalt fibers, a clear understanding of this relationship is lacking. Chemical composition analysis and mechanical property tests are performed on basalt fiber samples. Test data is collected from various countries and regions to expand the dataset. An improved Physics-Informed Neural Network (PINN) approach is specifically designed to address the complexities of this relationship. By incorporating physical models like the Makishima-Mackenzie model, Rocherulle model and a symbolic regression formula, the PINN leverages established physical principles to enhance its ability to understand the underlying mechanisms governing the influence of chemical composition on mechanical properties. This focus on physical mechanisms not only improves the interpretability of the model but also empowers it to make accurate predictions, as evidenced by the high squared correlation coefficients of 0.8767 and 0.8145 between predicted and experimental values of modulus and strength, respectively.

Type 1 diabetes mellitus (T1DM) is a metabolic disorder characterized by an absolute deficiency of insulin due to pancreatic failure. Diabetes ketoacidosis (DKA) has emerged as one of the most common complications of T1DM. Although exceedingly rare, the onset of T1DM with DKA may result in lipemia secondary to severe hypertriglyceridemia (HTG), accounting for several cases in the pediatric population. Along this line, plasma exchange treatment in children with DKA and severe hyperlipidemia has only been reported in some cases. In this case report, the diagnosis of an 11-year-old girl with diabetes ketoacidosis accompanied by severe HTG, along with subsequent plasma exchange treatment, is presented. Initially, the patient received initial management with crystalloid fluid bolus and intravenous insulin therapy. Despite rapid correction of acidosis, persistent HTG subsequently prompted the plasma exchange treatment. A total of three sessions were administered over 2 days, leading to a significant reduction in the triglyceride levels and corneal opacity resolution, indicating a successful therapeutic intervention.