Storage-class memory (SCM) combines the benefits of a solid-state memory, such as high performance and robustness, with the archival capabilities and low cost of conventional hard-disk magnetic storage. Such a device would require a solid-state nonvolatile memory technology that could be manufactured at an extremely high effective areal density using some combination of sublithographic patterning techniques, multiple bits per cell, and multiple layers of devices. We review the candidate solid-state nonvolatile memory technologies that potentially could be used to construct such an SCM. We discuss evolutionary extensions of conventional flash memory, such as SONOS (silicon-oxide-nitride-oxide-silicon) and nanotraps, as well as a number of revolutionary new memory technologies. We review the capabilities of ferroelectric, magnetic, phase-change, and resistive random-access memories, including perovskites and solid electrolytes, and finally organic and polymeric memory. The potential for practical scaling to ultrahigh effective areal density for each of these candidate technologies is then compared.

The rapid advancement of IoT (Internet of Things) technologies and sophisticated machine learning models is driving innovation in irrigation systems, laying the foundation for more effective and eco-friendly smart agricultural procedures. This systematic literature review strives to uncover the advancements and challenges in the advancement and implementation of IoT-based smart irrigation systems integrated with advanced machine learning techniques. By analyzing 43 relevant studies published between 2017 and 2024, the research focuses on the ability of these technologies have evolved to meet the challenges of modern agriculture irrigation system. Predictive analytics, anomaly detection, and adaptive control—that enhance irrigation precision and decision-making processes. Employing the PRISMA methodology, this review uncovers the strengths and limitations of current systems, highlighting significant achievements in real-time data utilization and system responsiveness. However, it also brings attention to unresolved issues, including the complexities of data integration, network reliability, and the scalability of IoT-based frameworks. Additionally, the study identifies crucial gaps in standardization and the need for flexible solutions that can adapt to diverse environmental conditions. By offering a comprehensive analysis, this review provides key insights for advancing smart irrigation technologies, emphasizing the importance of continued research in overcoming the existing barriers to wider adoption and effectiveness in various agricultural settings.

Plant disease detection is critical for ensuring agricultural productivity. Early and accurate identification of plant diseases can help in the timely application of remedies, reducing yield loss and improving crop quality. This paper presents a deep learning(DL) approach using Convolutional Neural Networks (CNN) for plant disease detection, combined with an advanced optimization technique named the Beluga Whale Optimization Mechanism (BWOM). The CNN is implemented to extract and features from plant images, providing a robust model capable of differentiating between healthy and diseased plants. The BWOM is utilized to optimize the CNN's hyper parameters and weights, enhancing model accuracy and efficiency by reducing overfitting and improving generalization. The BWOM mimics the social behaviour and echolocation techniques of beluga whales to navigate and optimize solution spaces effectively. By iterating through population-based exploration and exploitation phases, BWOM provides a balanced search mechanism to fine-tune CNN parameters. Further the results demonstrate the effectiveness of combining CNN with BWOM in achieving high accuracy rates for plant disease classification.

The vacancy ordered halide perovskites Tl2WX6 (X = Cl, Br and I) were investigated using first principles calculations along with Boltzmann theory to understand its structural, electronic, magnetic and spin based transport properties. The crystal structure of Tl2WX6 (X = Cl, Br and I) is optimized using Generalized Gradient approximation-Perdue Burke Ernzerhof sol (GGA-PBEsol) approximation where the ferromagnetic state is found to be stable. The Goldschmidt's tolerance factor confirms the cubic phase stability. The mechanical characteristics are demonstrated by Young's modulus, Bulk modulus, Shear modulus, and Poisson's ratio which shows that Tl2WX6 (X = Cl and Br) are brittle and Tl2WI6 is ductile. According to the spin polarized band structure calculation the Tl2WX6 (X = Cl, Br, and I) are half metallic ferromagnetic in nature, where the material acts like a metal in the majority spin channel and as a direct band gap semiconductor in the minority spin channel. The estimated band gaps of Tl2WCl6, Tl2WBr6 and Tl2WI6 are 2.77 eV, 1.885 eV, and 0.89 eV respectively. The electronic structures reveal the half metallic gap of Tl2WX6 (X = Cl, Br and I) as 0.481 eV, 0.413 eV and 0.279 eV respectively. The magnetic behaviour of the materials is solely due to 5d states of W and the double exchange mechanism resulting in an integer magnetic moment of 2.00 μB making them appropriate for spintronic applications. Moreover the evaluation of spin based transport properties of Tl2WX6 (X = Cl, Br and I) alloys exhibit high power factor, ultra low thermal conductivity and high ZT which are ideal characteristics for a good thermoelectric material.

A novel two-dimensional (2D) half-Heusler