Abstract:
A method of forming a layered structure comprising a self-assembled material comprises: disposing a non-crosslinking photoresist layer on a substrate; pattern-wise exposing the photoresist layer to first radiation; optionally heating the exposed photoresist layer; developing the exposed photoresist layer in a first development process with an aqueous alkaline developer, forming an initial patterned photoresist layer; treating the initial patterned photoresist layer photochemically, thermally and/or chemically, thereby forming a treated patterned photoresist layer comprising non-crosslinked treated photoresist disposed on a first substrate surface; casting a solution of an orientation control material in a first solvent on the treated patterned photoresist layer, and removing the first solvent, forming an orientation control layer; heating the orientation control layer to effectively bind a portion of the orientation control material to a second substrate surface; removing at least a portion of the treated photoresist and, optionally, any non-bound orientation control material in a second development process, thereby forming a pre-pattern for self-assembly; optionally heating the pre-pattern; casting a solution of a material capable of self-assembly dissolved in a second solvent on the pre-pattern and removing the second solvent; and allowing the casted material to self-assemble with optional heating and/or annealing, thereby forming the layered structure comprising the self-assembled material.
Abstract:
Nanofluidic passages such as nanochannels and nanopores are closed or opened in a controlled manner through the use of a feedback system. An oxide layer is grown or removed within a passage in the presence of an electrolyte until the passage reaches selected dimensions or is closed. The change in dimensions of the nanofluidic passage is measured during fabrication. The ionic current level through the passage can be used to determine passage dimensions. Fluid flow through an array of fluidic elements can be controlled by selective oxidation of fluidic passages between elements.
Abstract:
Nanofluidic passages such as nanochannels and nanopores are closed or opened in a controlled manner through the use of a feedback system. An oxide layer is grown or removed within a passage in the presence of an electrolyte until the passage reaches selected dimensions or is closed. The change in dimensions of the nanofluidic passage is measured during fabrication. The ionic current level through the passage can be used to determine passage dimensions. Fluid flow through an array of fluidic elements can be controlled by selective oxidation of fluidic passages between elements.
Abstract:
Verfahren, aufweisend:Bereitstellen einer nanofluidischen Einheit (10; 30) mit einem nanofluidischen Durchgang (12; 32), der eine mit einem elektrochemisch aktiven Metall (22; 40) beschichtete Oberfläche und einen Elektrolyt (24) in dem nanofluidischen Durchgang aufweist; undAnlegen einer Spannung an die Oberfläche, um die Abmessungen des nanofluidischen Durchgangs durch eine elektrochemische Oxidation des Metalls zu verkleinern,wobei das Verfahren weiterhin die Schritte aufweist, wonach bewirkt wird, dass ein lonenstrom durch den nanofluidischen Durchgang fließt, und wonach der lonenstrom überwacht wird.
Abstract:
Vorliegend beschriebene Aspekte umfassen ein Verfahren zum Erzeugen dreidimensionaler (3D-) Spikes. Das Verfahren umfasst Empfangen eines Zeitreihendaten aufweisenden Signals und Erzeugen eines ersten zweidimensionalen (2D-) Gitters. Das Erzeugen des ersten 2D-Gitters umfasst Abbilden von Segmenten der Zeitreihendaten auf jeweilige Positionen des ersten 2D-Gitters und für jede Position erfolgendes Erzeugen eines dem jeweiligen abgebildeten Segment entsprechenden Spike-Train. Das Verfahren umfasst ferner Erzeugen eines zweiten 2D-Gitters, was für jede Position erfolgendes Durchführen einer mathematischen Operation an dem Spike-Train der entsprechenden Position des ersten 2D-Gitters umfasst. Das Verfahren umfasst ferner Erzeugen eines dritten 2D-Gitters, was Durchführen von räumlichem Filtern an den Positionen des zweiten 2D-Gitters umfasst. Das Verfahren umfasst ferner Erzeugen eines 3D-Gitters auf Grundlage einer Kombination aus dem ersten 2D-Gitter, dem zweiten 2D-Gitter und dem dritten 2D-Gitter. Das 3D-Gitter weist einen oder mehrere 3D-Spikes auf.
Abstract:
Ein Verfahren zum Herstellen multipler Einzelmolekülrezeptoren in einer Nanoporenstruktur umfasst das Abscheiden eines ersten Materials und eines zweiten Materials durch physikalische Gasphasenabscheidungs-(PGA-)Technik auf verschiedene ausgewählte Innenflächen eines Nanokanals und das Funktionalisieren einer Oberfläche des ersten Materials, des zweiten Materials oder beider, der ersten und zweiten Materialien mit einer chemischen Verbindung, die mindestens zwei funktionelle Gruppen aufweist. Die ersten und zweiten Materialien können gleich oder verschieden sein und Flecke bilden, die Durchmesser von etwa 1 bis etwa 100 Nanometern (nm) aufweisen. Ebenfalls offenbart sind Ausführungsformen einer Nanoporenstruktur, die mehrere Einzelmolekülrezeptoren umfasst.
Abstract:
Nanofluidic passages such as nanochannels and nanopores are closed or opened in a controlled manner through the use of a feedback system. An oxide layer is grown or removed within a passage in the presence of an electrolyte until the passage reaches selected dimensions or is closed. The change in dimensions of the nanofluidic passage is measured during fabrication. The ionic current level through the passage can be used to determine passage dimensions. Fluid flow through an array of fluidic elements can be controlled by selective oxidation of fluidic passages between elements.
Abstract:
A method of generating three-dimensional (3D) spikes. The method comprising receiving a signal comprising time-series data and generating a first two- dimensional (2D) grid. Generating the first 2D grid comprises mapping segments of the time-series data to respective positions of the first 2D grid, and generating, for each position, a spike train corresponding to the respective mapped segment. The method further comprises generating a second 2D grid including performing, for each position, a mathematical operation on the spike train of the corresponding position of the first 2D grid. The method further comprises generating a third 2D grid including performing spatial filtering on the positions of the second 2D grid. The method further comprises generating a 3D grid based on a combination of the first 2D grid, the second 2D grid, and the third 2D grid. The 3D grid comprises one or more 3D spikes.
Abstract:
Ein Modell mit maschinellem Lernen (ML) kann optimiert werden, um auf Grundlage von Hardware-Spezifikationen der Einheit auf einer Einheit bereitgestellt zu werden. Ein bestehendes Modell wird bezogen und bereinigt, um einen Hardware-Ressourcenverbrauch des Modells zu verringern. Das bereinigte Modell wird dann auf Grundlage von Trainingsdaten trainiert. Das bereinigte Modell wird auch auf Grundlage einer Sammlung von „Lehrer“-Modellen trainiert. Danach wird eine Leistung des trainierten Modells evaluiert und mit Leistungsanforderungen verglichen, die auf den Hardware-Spezifikationen einer Einheit beruhen können.
Abstract:
Erkennen und/oder Vorhersagen von Epilepsieanfällen mindestens durch Ausführen von Folgendem: Leiten mehrerer Eingangssignale von Sensoren zum Erkennen von Epilepsieanfällen durch mehrere Klassifizierungsmodelle und Anwenden von Gewichten auf Ausgaben von jedem der Klassifizierungsmodelle, um eine endgültige Klassifizierungsausgabe zu erzeugen. Die Gewichte werden angepasst, um den relativen Ausgabebeitrag von jedem Klassifizierungsmodell abzustimmen, damit die Genauigkeit der endgültigen Klassifizierungsausgabe verbessert wird, wobei der Stromverbrauch aller Klassifizierungsmodelle verringert wird. Das Erkennen und/oder Vorhersagen von Epilepsieanfällen wird mit den angepassten Gewichten durchgeführt. Ein weiteres Verfahren verwendet Datenströme von Sensoren zum Erkennen von Epilepsieanfällen, um die Klassifizierungsmodelle zu trainieren und zu erzeugen, wobei die Gewichte nach dem Trainieren fest sind. Informationen, die die Klassifizierungsmodelle mit festen Gewichten definieren, werden an tragbare Computerplattformen zum Erkennen und Vorhersagen von Epilepsieanfällen übertragen. Die Datenströme können von mehreren Personen stammen und auf eine Einzelperson angewendet werden.