近日，清华大学化学系王定胜教授、李亚栋院士领导的课题组在甲酸电氧化领域取得突破，相关工作以“负载在氮掺杂碳上的单原子Rh：一种甲酸氧化的电催化剂”（Single-atom Rh/N-doped carbon electrocatalyst for formic acid oxidation）为题在《自然·纳米技术》（Nature Nanotechnology）发表。 燃料电池是一种理想的能量来源，它可以以环境友好的方式将化学能转换为电能。氢氧燃料电池作为航空飞船的主要燃料，在上世纪80年代就已经得到了发展，近年来氢氧燃料电池在汽车上的应用也有了突飞猛进的提高。然而氢氧燃料电池需要用体积大且危险的高压氢气作为其燃料，这限制了氢氧燃料电池的发展。而直接甲酸燃料电池(DFAFCs)由于其体积小，毒性小，nafion@膜的穿透率低等优点，被认为是未来便携式电子设备最有前途的电源之一。在之前的研究中，负载型纳米级钯和铂通常被认为是DFAFCs的阳极反应甲酸电氧化（FOR）中最有效的催化剂，并得到了深入的研究。然而，由于FOR催化剂质量活性较低和一氧化碳抗毒性较差， DFAFCs阳极材料的发展达到了一个瓶颈，极大地阻碍了其应用。 SA-Rh/CN的合成路径示意图及其表征 在本工作中，研究人员使用主-客体合成策略成功地合成负载原子分散Rh的氮掺杂碳催化剂(SA-Rh/CN)，发现尽管Rh纳米颗粒对甲酸氧化活性很低，但是SA-Rh/CN却具有极好的电催化性能。与最先进的催化剂Pd/C和Pt/C相比，SA-Rh/CN的质量活性分别提高了28倍和67倍。有趣的是，在CO剥离实验中，我们发现虽然纳米级Rh催化剂对CO毒性十分敏感，但是SA-Rh/CN很难吸附CO并且可以在很低的电压下氧化CO，这说明SA-Rh/CN对CO毒化几乎免疫。经过长期反应的测试后，SA-Rh/CN中的Rh原子具有抗烧结的能力，并因此在30000s的CA测试或者20000圈ADT测试后活性几乎没有改变。在组装电池的实验中，SA-Rh/CN的质量比能量密度在不同温度下分别是商业钯碳催化剂的8.8倍（30oC），14.8倍（60oC）和14.1倍（80oC）,这也说明了SA-Rh/CN在DFAFCs的应用中具有很高的潜力。最后，研究者用密度泛函理论（DFT）计算了Rh单原子甲酸氧化的机理。研究者发现在SA-Rh/CN上，甲酸根路线更为有利。和Rh纳米颗粒具有较低的CO吸附能垒不一样，SA-Rh/CN上的Rh单原子吸附CO能垒较高，以及与CO的相对不利的结合，使SA-Rh/CN具有极高的CO抗毒性。 这一发现将传统的甲酸电氧化催化剂的质量比活性提高了一个数量级，并且很好地解决了传统纳米催化剂的CO毒化问题。该发现有助于在燃料电池领域取得突破，并有望应用于便携式电子设备上。 本论文的通讯作者是王定胜教授、李亚栋院士，清华大学博士后熊禹是本文的第一作者。本研究受到国家自然科学基金委和科技部的经费资助。 论文链接： https://www.nature.com/articles/s41565-020-0665-x

电现象资源箱  型号：QWD1209 实验清单： 摩擦起电实验 简单电路实验 导体与绝缘体判断实验 电能的转化实验

产品详细介绍

本发明公开了一种面向多核集群系统的数据流编译优化方法，包括：确定计算任务与处理核映射的任务划分与调度步骤；根据任务划分与调度结果构造集群节点间和集群节内核间的流水线调度表的层次流水线调度步骤；根据所述多核处理器的结构特性、集群节点间的通信情况和数据流程序在多核处理器上的执行情况做做基于 cache 的缓存优化步骤。本发明的方法结合了数据流程序与系统结构相关的优化技术，充分发挥高负载均衡性以及同步与异步混合流水代码在多核集群上的高并行性，而且针对多核集群上的缓存与通信方式，对程序的缓存访问和通信传输进

本系统结合深度学习等智能化算法机理，研究出一套云工作流智能管理与调度优化算法，面向复杂工业制造领域云工作流实现服务定制与灵活部署需求，达到云计算资源的集约利用和合理优化调度的目的，能够使大规模跨集群云数据中心资源得到充分利用。在不同典型应用场景下，尤其是在用户具有不同程度的偏好时，满足用户隐私安全保护和不同服务质量标准要求，大幅降低执行时间和耗费成本。

本平台实现交通数据的可视化、预测、关联性分析

本发明公开了一种纠删码存储集群中失效节点的重构方法，包 括：1）有节点失效时，根据节点的负载和网络带宽，初始化所有存活 节点的权重值；2）选取权重值最大的 K 个存活节点，作为恢复该失效 节点中的数据块读取分布，其中 K 为存储集群中数据节点的数目；3） 将上述 K 个存活节点的权重值分别减 1；4）判断权值大于 0 的节点数 量是否小于 K，若是则转到步骤 5），若否则转到步骤 2）；5）根据 所有数据块读取分布，

本发明公开了一种面向 GPU 集群的资源管理方法，包括：主管 理节点建立两张表：资源信息表和任务信息表；主管理节点接收到新 任务；判断任务是 CPU 任务还是 GPU 任务；主管理节点查找满足任 务需求的空闲资源；对于 CPU 任务，次管理节点对任务的数据进行预 处理，将数据片分发到其管理的所有节点进行计算，计算完成后，主 管理节点根据任务号回收次管理节点管理的所有节点的相关 CPU 资 源；对于 GPU 任务，在检