锂硫电池具有高理论比容量（1675 mAh g-1），且价格低廉、环境友好，有望成为下一代高能量密度储能体系。然而，较低的硫负载和利用率、缓慢的反应动力学以及较差的循环稳定性限制了其大规模实际应用。向硫正极引入电催化剂可加速锂硫电池电化学反应，提高正极活性物质利用率和循环稳定性。由单分散金属原子组成的单原子金属催化剂（SACs）具有理论上100%的原子利用效率，较传统块状或纳米颗粒催化剂具有更高的活性，已被引入锂硫电池以提升电化学性能。但目前针对锂硫电池SACs的研究往往通过催化剂制备-电子结构表征-电化学性能测试的流程，进行“试错”研发。发现标识催化反应活性的“描述符”，据此精确设计电催化剂表界面电子结构，是实现锂硫电池单原子金属催化剂高效研发的关键。近日，清华大学深圳国际研究生院材料研究院成会明院士/周光敏副教授团队提出SACs和多硫化物种之间的d-p轨道杂化状态，可以作为筛选锂硫电池高性能SACs的可靠描述符。研究人员发现，当SACs吸附锂硫中间物（多硫化锂和硫化锂）时，SACs的d轨道与硫的p轨道之间的杂化状态，将改变吸附物的电子结构，进而影响活化过程。从晶体场理论出发，研究人

化石燃料的过度使用引发了严重的能源和环境问题，寻求化石燃料的替代能源、实现碳中和成为当前全球社会的共同目标。氢能作为一种具有高能量密度的零碳排放能源，被认为是未来社会的理想能源之一。电解水是绿色制氢的重要技术，但由于其能耗大、催化剂价格高等原因，现阶段该技术较难推广。因此，开发高性能、低成本的催化剂，从而降低制氢的电能消耗和设备成本，是实现大规模制备绿氢的关键。镍基催化剂具有高催化活性、高导电性和低价格等优势，在电解水制氢中具有良好的应用前景。但其在大电流条件下的过电位较大、电耗高，阻碍了镍基催化剂的实际工业应用。近期，清华大学深圳国际研究生院刘碧录与中国科学院上海高等研究院张硕研究员合作，开发出一种在大电流条件下性能优异的镍基催化剂（h-NiMoFe），并结合原位光谱表征和理论计算阐明了其催化机理。研究人员采用水热反应结合高温热还原的两步法制备出h-NiMoFe催化剂。首先，该催化剂具有三维多孔结构，保证了催化剂在大电流条件下能够与电解液充分接触。其次，结合原位X-射线吸收谱和准原位X-射线光电子能谱，研究人员发现催化剂中的钼和铁显著调控了镍位点的电荷分布，提高了镍的价态。第三，催化

近日，跨医学影像计算（MIC）和计算机辅助介入（CAI）两个领域的综合性国际顶级学术会议：2021年国际医学图像计算与计算机辅助介入大会（International Conference on Medical Image Computing and Computer Assisted Intervention, MICCAI 2021）在法国斯特拉斯堡举行，信息科学与技术学部李秀教授团队和杨文明副教授团队的三篇论文审稿得分位列前13%，被会议提前接收。2017级控制科学与工程专业博士生严江鹏（指导老师：李秀教授）发表论文《层次注意力引导的多分辨率协同全场病理图像分割框架》（Hierarchical Attention Guided Framework for Multi-resolution Collaborative Whole Slide Image Segmentation），该论文的相关工作由我院李秀教授团队主导，腾讯AI Lab和上海东方肝胆医院共同完成。论文针对病理图像分辨率跨度大及联合分析困难的问题，提出了一种基于层次注意力引导的多分辨率病理图像互助分割框架，该框架能够在

人机交互领域的发展对人性化、沉浸式的人机界面（HMIs）提出了更高的要求。新型人机交互界面不仅需要简洁、高效的设计，更要求直观的操作方式和符合人类直觉的操作体验。在智能家居、辅助技术和智能安保等方面，直观且多功能的人机交互方式显得意义重大。手势作为可传达丰富意图的肢体语言，在人机交互中颇受青睐，基于手套的人机交互界面也被相继报道。而部分工作局限在提取手势的有限信息，不仅不利于开发多维人机交互，还会增加交互系统的复杂度，造成系统能耗和计算压力的升高，并降低用户的操作体验。另一方面，手势中包含的多维特征亟待提取利用，以开发结构简洁且功能多样的人机交互界面。近日,清华大学深圳国际研究生院、清华-伯克利深圳学院付红岩副教授团队和丁文伯助理教授团队合作，在新型人机交互界面研究中取得重要成果。该团队提出了一种结构简单且对弯曲角度敏感的摩擦纳米发电机（BA-TENG）,并设计了从柔性器件到实时无线通信模块、图形界面的智能人机交互系统。该弯曲角传感器能够检测手势中的多维信息，包括手指弯曲角度、弯曲速度和弯曲时间等。该研究通过柔性传感器和后端信号处理系统实现了手势的多维信号提取，并用于实现多维度直观和便

近日，我院信息科学与技术学部计算机科学与技术研究所博士后姜婧妍的学术论文《多版本模型与多数据模型自适应推理服务》（Joint Model and Data Adaptation for Cloud Inference Serving）入选第42届The IEEE Real-Time Systems Symposium (IEEE实时系统研讨会，以下简称RTSS），该论文指导老师为王智副教授和夏树涛教授。图1：姜静妍深度学习推理服务面临一大技术难题——如何有效地进行深度模型的大规模部署和请求调度，从而满足海量用户的推理需求，并获得延迟和准确率保障。该论文解决了传统推理系统局限于降低计算资源，而忽略准确率、延迟之间的关联关系的难题，提出了一种联合模型-数据的深度模型推理服务解决方案A2。该方法在满足用户对推理服务响应时间和准确性的基础上，利用计算资源和带宽资源之间的关联规律，进行模型版本和数据版本的联合规划，实现推理请求服务吞吐最大化。该论文具有以下主要创新点：首先，论文中提出的模型揭示了影响深度学习推理服务的准确性和延迟的重要因素是不同大小输入数据和多版本模型可以实现相似的延迟和准确率，