Discovery of earth-abundant electrocatalysts to replace iridium for the oxygen evolution reaction (OER) in a proton exchange membrane water electrolyzer (PEMWE) represents a critical step in reducing the cost for green hydrogen production. We report a nanofibrous cobalt spinel catalyst codoped with lanthanum (La) and manganese (Mn) prepared from a zeolitic imidazolate framework embedded in electrospun polymer fiber. The catalyst demonstrated a low overpotential of 353 millivolts at 10 milliamperes per square centimeter and a low degradation for OER over 360 hours in acidic electrolyte. A PEMWE containing this catalyst at the anode demonstrated a current density of 2000 milliamperes per square centimeter at 2.47 volts (Nafion 115 membrane) or 4000 milliamperes per square centimeter at 3.00 volts (Nafion 212 membrane) and low degradation in an accelerated stress test.

Oxychalcogenides are receiving increasing interest as nonlinear-optical (NLO) materials because of the possible combination of advantages from oxides and chalcogenides. Here, two new pentanary oxythiogermanates Eu2MGe2OS6 [M = Zn (1), Cd (2)] were obtained by the facile metal oxide–boron–sulfur solid-state route. They crystallize with a melilite-type structure and feature {[MGe2OS6]4–}∞ layers built by Ge2OS6 dimers and MS4 tetrahedra. Their optical band gaps are 2.37 and 2.38 eV. As the first NLO rare-earth (RE)/d10 dual-metal oxychalcogenides, they exhibit phase-matchable NLO responses and enhanced laser-induced damage thresholds. Theoretical calculations show that the NLO responses are predominantly contributed by the EuOS7 motifs. This work provides the potential of RE/d10 dual-metal-based NLO materials.

Machine learning-based predictive models often face challenges, particularly biases and a lack of trust in their predictions when deployed by individual agents.Establishing a robust deployment methodology that supports validating the accuracy and fairness of these models is a critical endeavor.In this paper, we introduce a novel approach to deploying predictive models, such as pre-trained neural network models, in a public blockchain network using smart contracts.Smart contracts are encoded in our approach as self-executing protocols for storing various parameters of the predictive models.We develop efficient algorithms for uploading and retrieving model parameters from smart contracts on a public blockchain, thereby ensuring the trustworthiness and immutability of the stored models, making them available for testing and validation by all peers within the network.In addition, users can rate and comment on the models, which are permanently recorded in the blockchain.To demonstrate the effectiveness of our approach, we present a case study focusing on storing vehicle price prediction models and review comments.Our experimental results show that deploying predictive models on a public blockchain network provides a proficient and reliable way to ensure model security, immutability, and transparency.