XiaoMi-AI文件搜索系统
World File Search System化机
自动认知2.0：通过自动化机器学习在医疗保健中诊断和预后建模
诊断和预后模型在医学中越来越重要，并为许多临床决策提供了信息。最近，通过以数据驱动的方式更好地捕获患者协变量之间的复杂相互作用，机器学习方法比传统建模技术进行了改善。但是，机器学习的使用引入了技术和实际挑战，这些挑战迄今已限制了在临床环境中广泛采用此类技术的挑战。为了应对这些挑战并赋予医疗保健专业人员的能力，我们提出了一个开源机器学习框架Autopoarposis 2.0，以促进诊断和预后模型的发展。自动化机器学习中的最新进展来开发优化的机器学习管道，结合模型的解释性工具，并可以部署临床演示者，而无需大量的技术专业知识。为了证明自动认知2.0，我们提供了一个说明性的应用，在其中使用英国生物库为糖尿病的预后风险评分构建了502,467个人的前瞻性研究。我们的自动框架产生的模型比专家临床风险评分获得了更大的糖尿病歧视。我们已将风险评分作为一种基于网络的决定支持工具，可以由患者和临床医生公开访问。通过开放我们的框架作为社区的工具，我们旨在为临床医生和其他医生提供可访问的资源，以使用机器学习技术来开发新的风险分数，个性化诊断和预测。软件：https：//github.com/vanderschaarlab/autapoprognosis
中游供应链基础设施和新兴液化天然气市场的优化机会
液化的天然气（LNG）是一个主要的能源市场，经历了巨大的供应链进化。供应条款从长期和有约束力的合同逐渐变化为较短的和灵活的条款，考虑到需求不确定性。这种情况正在对液化天然气基础设施的风险，昂贵且不可逆转地进行大量投资。重点是转向小规模的中游设施，以发展小型市场。本文根据市场规模和该领域的最新技术发展对液化天然气供应链进行了全面分析。它解决了经典指导的供应链的局限性，并调查了适合新兴市场的最佳实践。如果正确执行，这些物流替代方案使新兴市场能够在短期内使用较低的投资访问LNG。目的是最大程度地提高附加值，同时最大程度地减少成本和运营风险。这项工作表明，通过浮动存储重新设备和卡车在中游市场中的浮动储存单元和卡车交付，替代了陆上终端和管道交付的替代供应链过程。为替代供应链模型进行了优势，劣势，机会和威胁分析，展示了机会和威胁以及机会和威胁。结果和讨论部分为液化天然气寻找新的发展机会和更快的增长而开发了战略和运营供应链决策的主要方面。
迈向绿色自动化机器学习：现状和未来方向
自动化的机器学习（AUTOML）努力自动配置Ma-Chine Learning算法及其组合成整体（软件）解决方案（一种机器学习管道），这是针对手头学习任务（数据集）量身定制的。在过去的十年中，Automl已发展为具有数百个贡献的独立研究领域。同时，AutoML因其高度消耗的高度消耗而受到批评，因为许多方法都依赖于许多机器学习管道的（昂贵）评估，以及许多数据集和方法上昂贵的大规模实验。本文以绿色AI的最新作品精神，提出了绿色Automl，这是使整个汽车过程更加环保的范式。因此，我们首先详细介绍了如何量化汽车工具的环境足迹。之后，如何设计和基准Automl工具W.R.T.的不同策略不同总结了他们的“绿色”，即可持续性。最后，我们详细阐述了如何对环境足迹保持透明，以及哪些研究激励措施可以指导社区朝着更可持续的汽车研究方向指导。作为其中的一部分，我们建议将可持续的清单附加到每个汽车纸上，其中包含绿色汽车的所有核心方面。
使用新型自动化机器学习诊断工具通过 MRI 检测颈椎后纵韧带骨化
目的目前，CT 被认为是诊断后纵韧带骨化 (OPLL) 的金标准。本研究的目的是开发人工智能 (AI) 软件和一个经过验证的模型，用于在 MRI 上识别和表示颈椎 OPLL (C-OPLL)，从而无需进行脊柱 CT 检查。方法对一家三级转诊医院在 36 个月内（2017 年 1 月至 2020 年 7 月之间）因任何临床指征而接受颈部 CT 和 MRI 检查的所有成年患者的连续影像学研究进行回顾性评估。C-OPLL 由一组神经外科医生和一名神经放射科医生确定。然后使用 MATLAB 软件创建一个用于诊断 C-OPLL 的 AI 工具，该方法使用卷积神经网络方法识别 MR 图像上的特征。进行了一项读者研究，以使用标准测试性能指标将 AI 模型的性能与诊断面板的性能进行比较。使用 Cohen 的 kappa 评分评估观察者之间的差异。结果 900 名连续患者被发现有资格接受放射学评估，其中 65 名被确诊为 C-OPLL 携带者。利用 MRI 图像的 AI 模型能够准确分割椎体、PLL 和椎间盘复合体，并检测出 C-OPLL 携带者。AI 模型又识别出了 5 名最初未被发现的 C-OPLL 患者。基于 MRI 的 AI 模型的性能为敏感性为 85%、特异性为 98%、阴性预测值为 98% 和阳性预测值为 85%。该模型的总体准确率为 98%，kappa 得分为 0.917。结论 本研究开发的新型 AI 软件对于在 MRI 上识别 C-OPLL 具有高度特异性，无需使用 CT。该模型可以避免进行 CT 扫描，同时保持足够的诊断准确性。随着进一步发展，这种基于 MRI 的 AI 模型有可能辅助诊断各种脊柱疾病，并且其自动化层可能为 C-OPLL 的 MRI 特定诊断标准奠定基础。
由特定能量输入控制的等离子体活化机制：潜力和前景
20 世纪 70 年代末，Yasuda 进一步阐述了等离子体聚合的概念。[4] 在低 SEI 条件下，等离子体聚合物薄膜的沉积速率通常随能量输入线性增加，在较高能量下接近饱和。从沉积速率与 SEI 关系的总体趋势来看，高于表观活化能的行为可以用类阿伦尼乌斯方程来描述，以 SEI 代替温度。[5] 同时，该方法被证明适用于许多不同的单体，即可聚合分子，从而实现等离子体聚合。[6-11] 此外，该概念还包括使用功率调制，通过施加开/关脉冲来降低等离子体中的平均功率输入，旨在增强单体的结构保留。 [ 12,13 ] 同样，按照阿伦尼乌斯形式用 SEI 代替温度可能对等离子体转化、等离子体催化和等离子体喷射烧结有用 [ 14 – 16 ] — — 尽管这仍然是一个有争议的话题。[ 17 ]
自动化机器学习 - Strathprints
人们意识到在当今快节奏和竞争极其激烈的市场中，人工智能驱动的决策是不可或缺的，这极大地提高了人们对工业机器学习 (ML) 应用的兴趣。目前对分析专家的需求远远超过供应。解决这个问题的一个方法是提高 ML 框架的用户友好性，使非专家更容易使用它们。自动化机器学习 (AutoML) 试图通过提供完全自动化的现成模型选择和超参数调整解决方案来解决专业知识问题。本文分析了 AutoML 在商业分析应用方面的潜力，这有助于提高 ML 在所有行业的采用率。在三个真实数据集上，H2O AutoML 框架与手动调整的堆叠 ML 模型进行了基准测试。手动调整的 ML 模型在实验中使用的所有三个案例研究中都可以达到性能优势。尽管如此，H2O AutoML 包被证明是相当强大的。它速度快、易于使用，并且提供可靠的结果，接近专业调整的 ML 模型。H2O AutoML 框架目前的功能是支持快速原型设计的宝贵工具，可以缩短开发和部署周期。它还可以弥合 ML 专家的现有供需差距，是朝着业务分析自动化决策迈出的一大步。最后，AutoML 有可能在快速变得更加自动化和数字化的世界中促进人类赋权。
致密碳化硼基陶瓷的强韧化机理研究进展
Liu 等 [36] 在 1950 ℃ 和 50 MPa 压力的 SPS 过 程中，发现随着 TiB 2 的添加量由 5 mol% 增至 30 mol% ，复合陶瓷的硬度降低，断裂韧性增加。 除裂纹偏转和 TiB 2 的钉扎效应使 B 4 C 晶粒细化 ( 从 1.91 μm 减至 1.67 μm) 外，两相间位错的产生， 是 B 4 C 陶瓷增强、增韧的次要原因，其在陶瓷断 裂前吸收能量，造成局部强化 [37–38] 。研究发现， 添加 20 mol% TiB 2 时，复合陶瓷的相对密度为 97.91% ，维氏硬度为 (29.82±0.14) GPa ，断裂韧性 为 (3.70±0.08) MPa·m 1/2 。 3.1.2 Ti 单质引入 与直接添加 TiB 2 相比，在烧结过程中原位反 应生成 TiB 2 可以在较低的烧结温度下获得更高 的密度和更好的机械性能。 Gorle 等 [39] 将 Ti-B( 原 子比 1:2) 混合粉体以 5 wt.% 、 10 wt.% 和 20 wt.% 的比例加入到 B 4 C 粉末中，研磨 4 h 后通过 SPS 在 1400 ℃ 下获得致密的 B 4 C 复合陶瓷。由于 WC 污染，获得了由被 (Ti 0.9 W 0.1 )B 2 和 W 2 B 5 的细颗粒 包裹的 B 4 C 颗粒组成的无孔微结构。当 Ti-B 混合 物的量从 5 wt.% 增至 20 wt.% 时，烧结活化能从 234 kJ·mol −1 降至 155 kJ·mol −1 。含 5 wt.% Ti-B 混 合物的 B 4 C 复合材料的最大硬度为 (3225±218) HV 。由于 TiB 2 的原位形成反应是高 度放热并释放大量能量的自蔓延反应，因此，原 料颗粒界面间的实际温度预计高于 SPS 烧结温 度，同时，液相 W 2 B 5 的形成润湿了 B 4 C 表面， 有助于降低 B 4 C 晶粒的界面能，并加速了沿晶界
具有程序化机械响应的液晶弹性体支架的熔融电写
通过在喷嘴和喷嘴之间施加高电压，将喷嘴挤出的聚合物熔体电吸向收集器，从而无需任何溶剂即可形成聚合物纤维。[6] 与 MES 不同，MEW 引入了计算机辅助打印头相对于接收基板的相对运动，从而能够对生成的纤维进行数字控制定位，从而形成边界明确的微结构。与通常生产直径超过 100 微米的纤维的传统挤出数字沉积技术相比，MEW 可轻松产生从数百纳米到数十微米的定位良好的纤维。[2,3,5,7,8] 此外，由于静电吸引，该技术可以精确堆叠纤维，从而形成边界明确的高壁。[1] 凭借所有这些特性，MEW 已被证明是一种制备超细纤维基生物支架的强大技术，在组织工程和再生医学中具有巨大潜力。[8–12]
创新与标准化机制...
摘要。数字经济背景下，数据改变了全球价值链的特征。标准和创新是数字经济的关键推动因素。考虑创新与标准化的协同发展，本文构建了创新与标准化水平对企业竞争力影响的理论模型。进一步分析了创新与标准化耦合协调性对两个因素的调节作用。共选取171家数字经济领域上市公司作为研究对象。研究结果表明，企业的创新与标准化水平影响企业竞争力。此外，研究发现创新与标准化之间是一种协调发展的关系，而非传统意义上的促进或阻碍关系。本文还对企业参与全球价值链竞争提出了一些针对性的建议。
3C样蛋白酶抑制剂阻止体外冠状病毒复制，并改善了MERS-COV感染的小鼠的存活率 会议系列 内建立的超构成相互作用使高安全性实用 在全球电气化和限制资源下，用于钴和稀土元素的综合供应链分析 有效的状态矢量模拟器和量子算法... 定向能量沉积添加剂制造（... Cu2O/cus纳米复合材料通过二氧化碳的电化学还原 独立光震件：三维的多功能模板 的proceeigs 将振荡器编码为许多振荡器 1个超临界二氧化碳周期的质量优化... 1通过实验驱动的自动化机器学习... 宽带正交平方的真空和非经典光子数量相关性来自纳米光子设备
病原性冠状病毒是对全球公共卫生的主要威胁，例如严重的急性呼吸综合症冠状病毒（SARS-COV），中东呼吸综合症冠状病毒（MERS-COV）和新出现的SARS-COV-2，是冠心病2019（Covirus 2019）（Covirus nipery 2019）。我们在本文中描述了冠状病毒3C样蛋白酶（3CLPRO）的一系列抑制剂的结构引导优化，这是一种对病毒复制必不可少的酶。优化化合物在酶测定中使用HUH-7和VERO E6细胞系中的几种人冠状病毒和基于细胞的测定中的几种人冠状病毒有效。两种选定的化合物在培养的原代人气道上皮细胞中显示出对SARS-COV-2的抗病毒作用。在MERS-COV感染的小鼠模型中，病毒感染后1天的铅化合物从0增加到100％，并减少了肺病毒滴度和肺部组织病理学。这些结果表明，这一系列化合物有可能进一步发展为针对人冠状病毒的抗病毒药物。