XiaoMi-AI文件搜索系统
World File Search System全学
AI学习数据质量提升支持工具
AI学习数据质量改进支持工具将物体检测中误识别或未检测的原因可视化，从而轻松提高识别率。 通过在深度学习过程中使用此工具，可以缩短使用 RZ/V 系列的视觉 AI 应用程序的开发时间。
<全国读书推广日>基地领导朗读
2023 年 3 月 7 日 作者：参谋军士Braden Anderson 第 374 空运联队公共事务 在全国阅读推广日之际，第 374 空运联队的指挥官和其他管理人员最近为横田空军基地的儿童保育设施 Yume 儿童发展中心揭幕。孩子们。 这个周年纪念日是由国家教育协会于1998年设立的，是一个向孩子们传达阅读乐趣的日子。之所以选择3月2日，是因为这是图画书作者苏斯博士的生日。 横田图书馆一直参与国防部福利服务管理局的暑期阅读计划，该计划旨在鼓励年轻人在暑假期间养成阅读的习惯。允许日本员工使用图书馆。
从全分辨率全分辨率全分辨率SMRI扫描
摘要 - 阿尔茨海默氏病（AD）是痴呆症最为流行的形式，比前列腺癌和乳腺癌杀死更多的人。结构磁共振成像（SMRI）广泛用于分析进行性脑部加重及其在区分AD方面的临床实用性。即使尚不存在有效治愈，早期发现对于减轻症状恶化的速度也是至关重要的。因此，本工作的目的是提出端到端3D卷积长的短期记忆（ConvlSTM）的基于全分辨率全分辨率全脑SMRI扫描的AD的框架。提出的框架应用于属于OASIS和ADNI数据库的427个全分辨率全分辨率全分辨率SMRI扫描，以提供较少的数据集特定于方法。的结果表明，我们的框架在区分AD的框架与认知上的Normal（CN）患者方面表现良好，达到86％的分类精度，敏感性为96％，F1评分为88％，AUC为88％，AUC的AUC为93％。测试是在可扩展的GPU云服务上进行的，并可以公开使用以保证可重复性。由于所提出的框架在没有AD的领域特定知识以及计算成本的过程（例如分割）的情况下表现良好，因此可以使用全脑SMRI扫描作为输入数据将其应用于其他精神疾病。索引术语 - Alzheimer病，深度学习，诊断，端到端方法，可扩展的GPU云，结构磁共振成像，3D卷积长的短期记忆
利用大规模多摩学确定全基因组关联研究的治疗靶标
等级标准非常高铅golof变体；或与2个数据集中的靶基因的molqtl共定位（H4 pp> 80％）；调节元件的最大ABC得分与铅变体高铅编码变体重叠；或相关（P <1x10 -6）Golof变体；或与> 2个数据集中的靶基因的molqtl共定位（H4 pp> 80％）或与蛋白质QTL显着的MR（Q值<0.05）；与靶基因的MOLQTL（H4 pp> 80％）或具有范围全基因组蛋白质QTL（Q -Value <0.05）的MOLQTL重叠的调节元件（p <1x10 -6）相关变体的最高ABC评分中等共定位，或与元素重叠的ABC分数（Q -Value <0.05）或较大的ABC分数（P <1靶基因（H4 pp> 30％）或最接近铅变体或最大ABC分数的元素重叠相关变体（p <1x10 -6）或ABC链接（任何分数）或元素之间的元素之间的元素和目标基因与eqTL或ABC链接之间非常弱的铅基因与eqtl或abc链路之间重叠的元素重叠的元素重叠和目标变量
六方氮化硼超表面实现全可见光谱高品质纳米光子学
振幅[3,4]光散射的方向性[5,6]自旋[7,8]和轨道角动量[9,10]，而不受金属基方法固有材料损耗的限制。特别是，由近场增强驱动的应用，如生物分子传感，依赖于高共振品质因数（Q）（定义为共振波长除以线宽），因此需要高的电磁近场强度来实现最大样本灵敏度。[11,12]从米氏理论等中得知，共振品质因数和共振器折射率[13]之间的固有相关性，因此推动了基于高折射率材料体系（如硅[14,15]锗[16,17]或磷化镓）的全电介质纳米光子学的发展。 [18,19] 尽管这些材料在近红外 (NIR) 和红外 (IR) 光谱区域具有出色的高 Q 共振特性，但由于它们的带隙能量处于中间水平，因此在整个可见光谱范围内都伴随着较高的材料固有带间吸收损耗。由于这些基本的材料限制，在整个可见光谱范围内都缺乏无损高折射率材料。[20–23] 特别是，对于可见波长范围，存在大带隙和无损材料的竞争
sc tokai应用物理学会学术演讲（JSAP SCTS 2014）
简介：在过去的几十年中，碳纳米材料（例如碳纳米纤维（CNF）和石墨烯）由于其宏伟的特性而引起了强烈的科学兴趣[1，2]。关于石墨烯的大部分研究都是针对合成高质量和大面积石墨烯方法的探索。有希望的方法是脉搏激光沉积和化学蒸气沉积。虽然在理解石墨烯合成方面已经取得了重要成就，但它们的形成机制尚不清楚。现场技术的最新进展现在为研究原子水平研究固相相互作用的新可能性提供了新的可能性。在这里，我们报告了通过原位透射电子显微镜（TEM）直接观察到铜含有铜纳米纤维（CU-CNFS）的结构转化。实验：使用kaufmann型离子枪制造Cu-CNF（iontech。Inc. Ltd.，模型3-1500-100FC）。所使用的样品是尺寸为5x10x100 µm的市售石墨箔。通过在CNFS生长过程中连续供应Cu，在室温下用1 keV ar +离子辐射石墨箔的边缘。在其他地方详细描述了离子诱导的CNF生长机理的细节[3]。然后将Cu-CNF安装在200 kV的TEM（JEM2010，JEOL CO.，JEOL CO.）的阴极微探针上，并研究了Cu-CNFS向石墨烯的结构转化，在电流 - 电压（I-V）测量过程中进行了研究。结果和讨论：在I-V测量过程中，高温是通过Cu-CNF结构中的Joule加热获得的。焦耳CNF的加热导致其表面石墨化，最后在转化为严重扭曲的石墨烯中。tem图像表明，最初，CNF在本质上是无定形的，而I-V过程中的电流流动引起了CNF的晶体结构的急剧变化，形成了石墨烯的薄层（1-3层）。作为结果，在产生的电流大大增加的情况下，改进了结构的电性能，比初始值高1000倍（从10 -8到10 -5 a）。该过程采用三个步骤进行：Cu纳米颗粒的聚集，无定形碳扩散到Cu中，以及在进一步加热下的Cu纳米颗粒的电迁移。
考虑叫牌的麻将AI - 信息科学广场
摘要：近年来，人工智能在将棋、黑白棋等具有完美信息的游戏中已经可以与顶级职业选手相媲美，但在具有不完美信息的游戏中却只取得了部分成功。例如，一些研究人员已经在扑克游戏中实现了与顶级职业选手相媲美的人工智能，但在麻将游戏中却未能实现，麻将是一种信息不完美且复杂度高于扑克的游戏。Mizukami 等人(2013, 2014) 构建了一个接近顶级职业麻将水平的人工智能。但是，这种人工智能无法夺取一张牌来为每个 Yaku 构建一个组合。另一方面，Harada 等人构建了麻将人工智能——全手牌提取（CHE），该人工智能考虑了高概率构建的役牌。基于此工作，我们将 CHE 应用于麻将人工智能，该人工智能可以认领一张牌，从而为每个役牌构建一个组合。在使用 CHE 的麻将游戏中，所提出的人工智能的有效性得到了证实。