XiaoMi-AI文件搜索系统
World File Search System二元
Bodipy-硝酸二元组中增强系统交叉的距离依赖性
在过去的几年中，在光激发的发色团中，增强的跨系统交叉（EISC）1-3的过程经常被利用，这些传播的发色团经常被用作进入有机彩色团的高旋转状态的一种手段。示例包括二酰亚胺（PDI）4的三胞胎状态或各种发色团 - 自由基化合物的四重奏或五重状态。5 - 10，除了具有基本兴趣之外，后者在新兴的分子旋转基质中的应用也可能具有有希望的特性。例如，已经表明，PDI - 自由基化合物的分子四重奏状态可以用作多级别自旋Qubits，即qudits，用于量子信息科学中的应用。11,12共价连接的发色团中的三重态产量增加 - 稳定的自由基系统对于像沉重的无原子无原子感官感官的应用也有吸引力 - 三胞胎 - 三重三元光子上转化或光动力疗法。13 - 16
使用二元分类的心脏病预测
CSUSB Scholarworks研究生办公室将该项目带给您免费和公开访问。已被CSUSB Scholarworks的授权管理人所接受，将其纳入电子论文，项目和论文。有关更多信息，请联系Scholarworks@csusb.edu。
超越二元对立——酷儿人工智能，共创包容未来
许多人工智能系统都依赖于标签，即在给定输入后，从一系列标签中选择一种来描述它。面部识别技术也是如此，其输入是一张脸，标签通常基于二进制系统，将数据分为男性/女性、儿童/成人和人类/动物等类别。近年来，计算机科学、人工智能和信息学领域的学者们对面部识别技术在种族和性别方面存在的问题进行了批判性研究，并指出了该技术存在的问题 [1,2,3,4]。先前的研究已经发现了一些关键问题，这些问题引发了人们对该技术的可靠性甚至实用性的担忧。例如，用于训练这些系统的数据通常不具代表性。在大多数情况下，绝大多数是白人和男性，这意味着肤色较深的女性被误分类的比例不成比例，正如对面部识别性别分类系统的综合分析所发现的那样 [1]。此外，训练数据集通常由从社交媒体 [5] 中抓取的图像组成，这意味着（除了隐私问题之外）它们只捕获那些使用社交媒体的人，具体
使用T2 MRI脑图像和CNN二元分类器和DWT
摘要：目的：放射线学家使用磁共振成像（MRI）数据对脑肿瘤进行了手动和无创诊断和非侵入性分类。可能由于人为因素（例如缺乏时间，疲劳和相对较低的经验）而存在误诊的风险。深度学习方法在MRI分类中变得越来越重要。为提高诊断准确性，研究人员强调需要通过使用深度学习方法（例如卷积神经网络（CNN））来开发基于人工智能（AI）系统的计算机辅助诊断（CAD）计算诊断，并通过将其与其他数据分析工具（如波动型波现变换）相结合来改善CNN的性能。在这项研究中，开发了一个基于CNN和DWT数据分析的新型诊断框架，用于诊断大脑中的神经胶质瘤肿瘤以及其他肿瘤和其他疾病，并进行了T2-SWI MRI扫描。这是一种二元CNN分类，将“神经胶质瘤肿瘤”视为阳性，而其他病理为阴性，导致非常不平衡的二元问题。该研究包括对经过MRI的小波变换数据而不是其像素强度值的CNN进行比较分析，以证明CNN和DWT分析在诊断脑胶质瘤时的性能提高。还将提出的CNN体系结构的结果与使用DWT知识的VGG16传输学习网络和SVM机器学习方法进行了比较。此外，没有对原始图像应用预处理。使用的图像是与轴向平面平行的T2-SWI序列的MRI。方法：为了提高CNN分类器的准确性，拟议的CNN模型用作知识，通过将原始MRI图像转换为频域而提取的空间和时间特征，通过执行离散小波转换（DWT），而不是传统上使用的原始扫描以Pixel Intomesition的形式进行。首先，对每次MRI扫描进行了一个压缩步骤，该DWT施加了三个级别的分解级别。这些数据用于训练2D CNN，以将扫描分类为显示神经胶质瘤。拟议的CNN模型对MRI切片进行了培训，该模型源自382名各种男性和女性成年患者，显示出疾病选择的健康和病理图像（显示出神经胶质瘤，脑膜瘤，垂体，垂体，坏死，水肿，非onsence肿瘤，肿瘤，出血性焦点，水肿，缺血性，缺血性区域等）。这些图像由医学图像计算和计算机辅助干预（MICCAI）的数据库以及缺血性的中风病变细分（ISLE）对脑肿瘤细分（BRATS）挑战2016和2017的挑战以及2017年和2017年的挑战，以及在Chania，Crete，Crete，Crete，Crete，Crete，Crete，Saint George中保存的许多记录。结果：通过检查源自190名不同患者的MRI切片（未包含在训练集中），在实验中评估了所提出的框架，其中56％的胶质瘤显示了最长的两个轴小于2 cm，而44％的轴是其他病理效应或健康的病例。结果表明，当使用AS信息时，令人信服的性能是原始扫描提取的空间和时间特征。使用拟议的CNN模型和DWT格式的数据，我们实现了以下
o r i g i n a l r e s a r c h二元纳米糖递送系统设计用于白血病疗法：适体和转铁蛋白补充的daunorubicin-和
目的：本研究旨在开发一个装饰有适体（APS）和转铁蛋白（TF）的二元纳米夹纸系统，并装有daunorubicin（drn）和叶黄素（LUT）（LUT）来治疗白血病。方法：分别设计和合成寡核苷酸AP和含TF的配体。AP装饰的DRN纳米颗粒（AP-DRN NP）和TF-LUT NP。通过AP-DRN NPS和TF-LUT NP的自组装制备AP和LUT-CORODAD的DRN和LUT-CORODAR-CORODAD的纳米递送系统（AP/TF-DRN/LUT NPS）。与单个配体装饰，单个药物 - 负载和自由药的配方相比，在白血病细胞系和含细胞小鼠模型上评估了系统的体外和体内效率。结果：AP/TF-DRN/LUT NP是球形和纳米化的（187.3±5.3 nm），并装有约85％的药物。AP/TF-DRN/LUT NP的体外细胞毒性高于单个配体装修的细胞毒性。 双药物载有AP/TF-DRN/LUT NP的肿瘤细胞抑制比单一药物抑制更高，这表现出两种药物的协同作用。 ap/tf-drn/lut nps达到了最有效的抗血性活性和体内毒性。 结论：本研究表明，由于这两种药物在该系统中的协同作用，AP/TF-DRN/LUT NP是一种有前途的药物分娩系统，用于对白血病的靶向治疗。 该系统的局限性包括在大规模生产过程中的稳定性以及从长凳到床边的应用。 关键字：急性髓细胞白血病，daunorubicin，Luteolin，Aptamer，Transferrin，nanodrug-delivery SystemAP/TF-DRN/LUT NP的体外细胞毒性高于单个配体装修的细胞毒性。双药物载有AP/TF-DRN/LUT NP的肿瘤细胞抑制比单一药物抑制更高，这表现出两种药物的协同作用。ap/tf-drn/lut nps达到了最有效的抗血性活性和体内毒性。结论：本研究表明，由于这两种药物在该系统中的协同作用，AP/TF-DRN/LUT NP是一种有前途的药物分娩系统，用于对白血病的靶向治疗。该系统的局限性包括在大规模生产过程中的稳定性以及从长凳到床边的应用。关键字：急性髓细胞白血病，daunorubicin，Luteolin，Aptamer，Transferrin，nanodrug-delivery System
修正：人工智能的二元性、自适应变换能力及其对动荡时期绩效的影响
更正至：章节“人工智能的双元性、自适应转换能力及其对动荡时期绩效的影响”，载于：S. Papagiannidis 等人（编辑）：数字技术在塑造后疫情世界中的作用，LNCS 13454，https://doi.org/10.1007/978-3-031-15342-6_3
二元量子缺陷的计算设计...
免责声明 本文件为美国政府机构赞助工作的记录。美国政府、劳伦斯利弗莫尔国家安全有限责任公司及其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或劳伦斯利弗莫尔国家安全有限责任公司对其的认可、推荐或支持。本文表达的作者观点和意见不一定代表或反映美国政府或劳伦斯利弗莫尔国家安全有限责任公司的观点和意见，不得用于广告或产品代言目的。
从密度泛函理论系统地调整二元 III-V 半导体的应变诱导带隙
III-V 半导体带隙性质和大小的改变对于光电应用具有重要意义。应变可用于系统地在很宽的范围内调整带隙，并引起间接到直接 (IDT)、直接到间接 (DIT) 和其他带隙性质的变化。在这里，我们建立了一种基于密度泛函理论的预测从头算方法来分析单轴、双轴和各向同性应变对带隙的影响。我们表明系统性变化是可能的。对于 GaAs，在 1.52% 各向同性压缩应变和 3.52% 拉伸应变下观察到 DIT，而对于 GaP，在 2.63 各向同性拉伸应变下发现 IDT。我们还提出了一种通过将双轴应变与单轴应变相结合来实现直接-间接转变的策略。确定了应变 GaSb、InP、InAs 和 InSb 的进一步转变点，并与元素半导体硅进行了比较。因此，我们的分析为二元 III-V 半导体中的应变诱导带隙调整提供了一种系统且可预测的方法。
用于二元模式分类的量子神经网络的负对称性
尽管量子神经网络 (QNN) 近期在解决简单的机器学习任务方面表现出良好的效果，但 QNN 在二元模式分类中的行为仍未得到充分探索。在这项工作中，我们发现 QNN 在二元模式分类中有一个致命弱点。为了说明这一点，我们通过展示和分析嵌入在具有完全纠缠的 QNN 系列中的一种新对称形式（我们称之为负对称），从理论上洞察了 QNN 的属性。由于负对称性，QNN 无法区分量子二进制信号及其负对应信号。我们使用 Google 的量子计算框架，通过实证评估了 QNN 在二元模式分类任务中的负对称性。理论和实验结果均表明，负对称性是 QNN 的基本属性，而经典模型并不具备这种属性。我们的研究结果还表明，负对称性在实际量子应用中是一把双刃剑。