Future many-core processors will require high-performance yet energy-efficient on-chip networks to provide a communication substrate for the increasing number of cores. Recent advances in silicon nanophotonics create new opportunities for on-chip networks. To efficiently exploit the benefits of nanophotonics, we propose Firefly - a hybrid, hierarchical network architecture. Firefly consists of clusters of nodes that are connected using conventional, electrical signaling while the inter-cluster communication is done using nanophotonics - exploiting the benefits of electrical signaling for short, local communication while nanophotonics is used only for global communication to realize an efficient on-chip network. Crossbar architecture is used for inter-cluster communication. However, to avoid global arbitration, the crossbar is partitioned into multiple, logical crossbars and their arbitration is localized. Our evaluations show that Firefly improves the performance by up to 57% compared to an all-electrical concentrated mesh (CMESH) topology on adversarial traffic patterns and up to 54% compared to an all-optical crossbar (OP XBAR) on traffic patterns with locality. If the energy-delay-product is compared, Firefly improves the efficiency of the on-chip network by up to 51% and 38% compared to CMESH and OP XBAR, respectively.

Ghost imaging (GI) facilitates image acquisition under low-light conditions by single-pixel measurements and thus has great potential in applications in various fields ranging from biomedical imaging to remote sensing. However, GI usually requires a large amount of single-pixel samplings in order to reconstruct a high-resolution image, imposing a practical limit for its applications. Here we propose a far-field super-resolution GI technique that incorporates the physical model for GI image formation into a deep neural network. The resulting hybrid neural network does not need to pre-train on any dataset, and allows the reconstruction of a far-field image with the resolution beyond the diffraction limit. Furthermore, the physical model imposes a constraint to the network output, making it effectively interpretable. We experimentally demonstrate the proposed GI technique by imaging a flying drone, and show that it outperforms some other widespread GI techniques in terms of both spatial resolution and sampling ratio. We believe that this study provides a new framework for GI, and paves a way for its practical applications.

Core-shell magnetic mesoporous silica microspheres (Magn-MSMs) with tunable large mesopores in the shell are highly desired in biocatalysis, magnetic bioseparation, and enrichment. In this study, a shearing assisted interface coassembly in n-hexane/water biliquid systems is developed to synthesize uniform Magn-MSMs with magnetic core and mesoporous silica shell for an efficient size-selective biocatalysis. The synthesis features the rational control over the electrostatic interaction among cationic surfactant molecules, silicate oligomers, and Fe3O4@RF microspheres (RF: resorcinol formaldehyde) in the presence of shearing-regulated solubilization of n-hexane in surfactant micelles. Through this multicomponent interface coassembly, surfactant-silica mesostructured composite has been uniformly deposited on the Fe3O4@RF microspheres, and core-shell Magn-MSMs are obtained after removing the surfactant and n-hexane. The obtained Magn-MSMs possess excellent water dispersibility, uniform diameter (600 nm), large and tunable perpendicular mesopores (5.0-9.0 nm), high surface area (498-623 m(2)/g), large pore volume (0.91-0.98 cm(3)/g), and high magnetization (34.5-37.1 emu/g). By utilization of their large and open mesopores, Magn-MSMs with a pore size of about 9.0 nm have been demonstrated to be able to immobilize a large bioenzyme (trypsin with size of 4.0 nm) with a high loading capacity of ∼97 μg/mg via chemically binding. Magn-MSMs with immobilized trypsin exhibit an excellent convenient and size selective enzymolysis of low molecular proteins in the mixture of proteins of different sizes and a good recycling performance by using the magnetic separability of the microspheres.

Using neural networks for effective emergency response planning is essential to safeguard nuclear power plants and their surroundings swiftly and accurately during fire emergencies. However, achieving precise training of neural networks for fire evacuation modeling necessitates the collection of labeled data encompassing a variety of fire scenarios and their corresponding evacuation times. The acquisition of this labeled training dataset involves direct engagement in experimental simulations of evacuation times for diverse fire scenarios, accomplished through the application of the consolidated fire and smoke transport (CFAST) simulator. However, the endeavor to amass a diverse pool of labeled data imposes significant time and financial costs. To overcome this challenge, we propose using self- and semi-supervised learning to construct a metamodel that approximates the simulator and to improve the ability of neural networks that accurately predicts evacuation times even in situations with limited labeled data. The effectiveness of our proposed framework is demonstrated through the experimental results conducted on CFAST datasets, thus emphasizing its potential to develop nuclear safety guidelines based on neural networks.

A common challenge in accelerated material design is to apply machine learning (ML) methods that can handle data with different structures and dimensions, and also provide physical interpretability. Unfortunately, most existing ML methods are 'black box' models incapable of providing physical interpretation or dealing with missing dimensions data that are often encountered in materials science. To overcome this challenge, we propose an interpretable and extensible machine learning framework based on thermodynamically informed graphs and deep data mining from graph neural networks. We demonstrate our framework on the problem of predicting the martensite start (Ms) temperature, which depends on various factors (composition, austenite grain size, and outfield conditions). We construct a thermodynamically informed graph that captures the quantitative relationships between these factors and the Ms temperature using limited and incomplete data. The prediction results indicate that our framework provides clear physical insights because the thermodynamic mechanisms are embedded in the thermodynamic representation graph. Our framework has several advantages: 1) it incorporates thermodynamic mechanisms into the graph structure, 2) it can handle missing dimensions data by filling in the gaps with graph information, and 3) it can be easily extended to new features without requiring much additional data for training. Moreover, we derive a general empirical equation for the Ms temperature prediction from the trained graph neural networks for practical applications.

Metalens can achieve arbitrary light modulation by controlling the amplitude, phase, and polarization of the incident waves and have been applied across various fields. This paper presents a color router designed based on metalens, capable of effectively separating spectra from visible light to near-infrared light. Traditional design methods for meta-lenses require extensive simulations, making them time-consuming. In this study, we propose a deep learning network capable of forward prediction across a broad wavelength range, combined with a particle swarm optimization algorithm to design metalens efficiently. The simulation results align closely with theoretical predictions. The designed color router can simultaneously meet the theoretical transmission phase of the target spectra, specifically for red, green, blue, and near-infrared light, and focus them into designated areas. Notably, the optical efficiency of this design reaches 40%, significantly surpassing the efficiency of traditional color filters.