Stray Field NMR: un metodo potente per misurare le dinamiche alla scala dei millisecondi

Stray Field NMR: Una Nuova Prospettiva sulle Dinamiche Molecolari

La comprensione delle proprietà di trasporto in fluidi e sistemi confinati è fondamentale in numerosi contesti scientifici e tecnologici, dalla geologia alle scienze ambientali, dalla biologia allo stoccaggio dell’energia fino ai processi di separazione basati su membrane. La Risonanza Magnetica Nucleare (NMR) offre uno strumento unico e non distruttivo per indagare queste proprietà, attraverso misurazioni specifiche per specie dei coefficienti di autodiffusione.

Sebbene la NMR con gradiente di campo pulsato (PFG-NMR) sia ampiamente utilizzata, il suo accesso ai tempi di diffusione è tipicamente limitato a valori non inferiori a circa 10 ms, restringendo la sua applicabilità a sistemi con dinamiche rapide e tempi di rilassamento lunghi. La NMR di diffusione in un gradiente di campo magnetico permanente (STRAFI) offre un approccio complementare e multiscala, consentendo misurazioni di diffusione su un intervallo temporale esteso, da poche centinaia di microsecondi a diverse decine di secondi. Nonostante il suo forte potenziale, questa tecnica rimane raramente implementata a causa di sfide sperimentali e metodologiche.

Questo studio presenta una metodologia STRAFI robusta e versatile, che include una configurazione sperimentale appositamente progettata, sequenze di impulsi ottimizzate e un’analisi rigorosa dei dati, consentendo l’estrazione accurata dei coefficienti di autodiffusione per un’ampia gamma di nuclei. Le capacità dell’approccio sono illustrate attraverso diverse applicazioni, tra cui lo studio di elettroliti concentrati utilizzando nuclei “NMR-esotici” ($^{35}$Cl, $^{79}$Br/$^{81}$Br, $^{127}$I, $^{17}$O) e la caratterizzazione della porosità su scala micrometrica nelle membrane.


Paper: ArXiv.org

SceneFoundry: Generazione di Mondi 3D Interattivi e Infiniti

SceneFoundry: Generazione di Mondi 3D Interattivi e Infiniti

La capacità di generare automaticamente ambienti 3D su larga scala, interattivi e fisicamente realistici è fondamentale per l’avanzamento dell’apprendimento robotico e dell’intelligenza incarnata. Tuttavia, gli approcci generativi esistenti spesso non riescono a catturare la complessità funzionale degli interni del mondo reale, in particolare quelli contenenti oggetti articolati con parti mobili essenziali per la manipolazione e la navigazione.

Questo articolo presenta SceneFoundry, un framework di diffusione guidato dal linguaggio che genera mondi 3D su scala appartamento con mobili funzionalmente articolati e layout semanticamente diversi per l’addestramento robotico. Da prompt in linguaggio naturale, un modulo LLM controlla la generazione del layout del pavimento, mentre il campionamento a posteriori basato sulla diffusione popola in modo efficiente la scena con risorse articolate da repository 3D su larga scala.

Per garantire l’usabilità fisica, SceneFoundry utilizza funzioni di guida differenziabili per regolare la quantità di oggetti, prevenire le collisioni di articolazione e mantenere uno spazio percorribile sufficiente per la navigazione robotica. Ampie sperimentazioni dimostrano che il nostro framework genera ambienti strutturalmente validi, semanticamente coerenti e funzionalmente interattivi in diversi tipi di scene e condizioni, consentendo una ricerca su larga scala sull’IA incarnata.


Paper: ArXiv.org