XiaoMi-AI文件搜索系统
World File Search System和相
scmild：单细胞多个实例学习，用于样本分类和相关的亚群发现
单细胞转录组学可以研究细胞异质性，但是当前的无监督策略使将单个细胞与样品条件相关联的挑战。我们提出了SCMILD，这是一个基于多个实例学习的弱监督学习框架，该框架利用样本级标签来识别与条件相关的细胞亚群。SCMILD采用双分支结构来同时执行样本级分类和细胞级表示。，我们使用与CRISPR扰动细胞的对照模拟研究验证了该模型对条件相关细胞的可靠鉴定。对包括狼疮，COVID-19和溃疡性结肠炎在内的各种单细胞RNA-seq数据集进行了评估，SCMILD始终超过了最先进的模型，并确定了与原始研究的发现一致的条件特异性细胞亚群。这证明了SCMILD探索各种生物学条件及其在不同疾病环境中的适用性的细胞异质性的潜力。
CAIRS：用于数字心理健康的因果人工智能推荐系统 Mathew Varidel，博士 a；Victor An a，Ian B. Hickie a，医学博士，Sally Cripps b，c，博士，Roman Marchant b，c，博士，Jan Scott d，博士，Jacob J. Crouse a，博士，Adam Poulsen a，博士，Bridianne O'Dea e，博士，Frank Iorfino a，博士 a 悉尼大学大脑与思维中心，澳大利亚新南威尔士州。 b 悉尼科技大学人类技术研究所，澳大利亚新南威尔士州。 c 悉尼科技大学数学与物理科学学院，澳大利亚新南威尔士州悉尼。 d 纽卡斯尔大学神经科学研究所学术精神病学，英国纽卡斯尔。 e 弗林德斯大学心理健康与福祉研究所，弗林德斯大学，南澳大利亚阿德莱德，澳大利亚。 * 通讯作者：Mathew Varidel，5 楼，1 King Street，Newtown，新南威尔士州 2042，mathew.varidel@sydney.edu.au 摘要 数字心理健康工具有望增强和扩大有需要的人获得医疗服务的机会。一些工具向个人提供干预建议，通常使用简单的静态规则系统（例如，if-else 语句）或结合预测性人工智能。然而，干预建议需要基于对不同干预措施下未来结果的比较来做出决定，这需要考虑因果关系。在这里，我们开发了 CAIRS，这是一个因果人工智能推荐系统，它使用个人的当前表现和领域之间学习到的动态来提供个性化的干预建议，以识别和排名对未来结果影响最大的干预目标。我们的方法应用于从数字心理健康工具收集的两个时间点（从基线开始 1 周 - 6 个月）的多个心理健康和相关领域的纵向数据。在我们的例子中，心理困扰被发现是影响多个领域（例如个人功能、社会联系）的关键影响领域，因此在多个领域不健康的复杂情况下，心理困扰通常是首选目标。我们的方法广泛适用于因果关系很重要的推荐环境，并且该框架可以纳入实时应用程序中以增强数字心理健康工具。关键词：因果关系；人工智能；决策理论；幸福感；心理困扰；功能；睡眠；社会支持
CAIRS：用于数字心理健康的因果人工智能推荐系统 Mathew Varidel，博士 a；Victor An a，Ian B. Hickie a，医学博士，Sally Cripps b，c，博士，Roman Marchant b，c，博士，Jan Scott d，博士，Jacob J. Crouse a，博士，Adam Poulsen a，博士，Bridianne O'Dea e，博士，Frank Iorfino a，博士 a 悉尼大学大脑与思维中心，澳大利亚新南威尔士州。 b 悉尼科技大学人类技术研究所，澳大利亚新南威尔士州。 c 悉尼科技大学数学与物理科学学院，澳大利亚新南威尔士州悉尼。 d 纽卡斯尔大学神经科学研究所学术精神病学，英国纽卡斯尔。 e 弗林德斯大学心理健康与福祉研究所，弗林德斯大学，南澳大利亚阿德莱德，澳大利亚。 * 通讯作者：Mathew Varidel，5 楼，1 King Street，Newtown，新南威尔士州 2042，mathew.varidel@sydney.edu.au 摘要 数字心理健康工具有望增强和扩大有需要的人获得医疗服务的机会。一些工具向个人提供干预建议，通常使用简单的静态规则系统（例如，if-else 语句）或结合预测性人工智能。然而，干预建议需要基于对不同干预措施下未来结果的比较来做出决定，这需要考虑因果关系。在这里，我们开发了 CAIRS，这是一个因果人工智能推荐系统，它使用个人的当前表现和领域之间学习到的动态来提供个性化的干预建议，以识别和排名对未来结果影响最大的干预目标。我们的方法应用于从数字心理健康工具收集的两个时间点（从基线开始 1 周 - 6 个月）的多个心理健康和相关领域的纵向数据。在我们的例子中，心理困扰被发现是影响多个领域（例如个人功能、社会联系）的关键影响领域，因此在多个领域不健康的复杂情况下，心理困扰通常是首选目标。我们的方法广泛适用于因果关系很重要的推荐环境，并且该框架可以纳入实时应用程序中以增强数字心理健康工具。关键词：因果关系；人工智能；决策理论；幸福感；心理困扰；功能；睡眠；社会支持
量子金属有机框架和相关...
金属有机框架（MOF）由有机配体连接的金属簇组成。虽然MOF经常在化学应用中讨论它们，但量子MOF的新兴领域探索了它们作为量子材料的潜力[1]。与传统的量子材料（其特性依赖电荷，自旋，轨道和晶格）不同，MOF引入了独特的自由度，包括分子屈曲，扭转，旋转和互穿，可以通过超分子化学化学定制。一种可能的量子效应是超导性，在二维MOF CU-BHT中已经观察到，并受其强电子相关性的控制[2]。Hubbard模型捕获的相关电子问题以其分析性棘手性而臭名昭著。一种有希望的方法涉及使用准确的可解决模型，例如Hatsugai-Kohmoto（HK）模型[3]。最近的工作表明，HK模型是打破费米液体的粒子孔对称性的最小模型，并且与Hubbard模型相同的普遍性类别[4]。这使其成为研究相关系统（包括相关超导体）的通用性能的理想框架。此步骤是在[5]中进行S波旋转单线配对的。我们将这些结果扩展到更复杂的配对对称性，以便可以考虑MOF的更精致的电子结构。
婴儿低频脑电图皮质功率、皮质追踪和相位-幅度耦合可预测一年后的语言能力
研究表明，皮质信号可以追踪连续语音的声学和语言特性。这种现象在儿童和成人中都有测量，反映了成人的语音理解能力以及注意力和预测等认知功能。此外，在患有语音困难（发育性阅读障碍）的儿童中也发现了非典型的低频皮质语音追踪。因此，低频皮质信号可能在语言习得中发挥关键作用。Attaheri 等人（2022 年）[1] 最近对婴儿进行了一项研究，探究了 4、7 和 11 个月大婴儿在听歌唱时的皮质追踪机制。时间响应函数 (TRF)、相位-幅度耦合 (PAC) 和动态 θ-δ 功率 (PSD) 分析的结果表明 delta 和 θ 神经信号的语音包络追踪和刺激相关功率 (PSD)。此外，在所有年龄段都发现了由 delta 和 theta 驱动的 PAC，其中 theta 阶段表现出比 delta 更强的 PAC 和高频振幅。本研究测试这些先前的发现是否在参与这项纵向研究的整个婴儿队列（N = 122）的后半部分中得到重复（前半部分：N = 61，(1)；后半部分：N = 61）。除了展示良好的复制效果之外，我们还使用婴儿主导和父母估计的测量方法以及多变量和单变量分析来调查生命第一年的皮质追踪是否可以预测整个队列（招募的 122 名婴儿，保留的 113 名）以后的语言习得。单变量分析中 delta 皮质追踪的增加、~2Hz PSD 功率的增加和多变量和单变量分析中更强的 theta-gamma PAC 与更好的语言结果相关（使用婴儿主导和父母估计的测量方法）。相比之下，多变量分析中~4Hz PSD 功率的增加、delta-beta PAC 的增加以及多变量分析中更高的 theta/delta 功率比与语言能力下降有关
“抽象空间” 2023。Chiara Passa 的 AR 和人工智能艺术作品。“抽象空间”通过整面墙的投影，将一个虚构的极简环境（我使用 Chat GPT API 创建）与真实空间重叠，而这个空间一旦被观众使用 AR-AI 应用程序修改，就会神秘、怪异或有时不完整地重新出现在我们周围。观众在这个新的不稳定空间中，通过观看由几何体积阴影构成的新 AI 空间，体验到一种缺失或空虚的感觉，这些阴影是根据缓冲过程沿光源方向挤压图元轮廓而创建的。还提供视频手册（屏幕 7'）版本。视频预览：https://youtu.be/zzAaf7hxTYI Android 应用程序和相关矩阵可供下载。每个动画持续 6'.30''。 https://play.google.com/store/apps/details?id=com.ChiaraPassa.AbstractSpace&hl=en https://play.google.com/store/apps/details?id=com.ChiaraPassa.AbstractSpace2&hl=en https://play.google.com/store/apps/details?id=com.ChiaraPassa.AbstractSpace3&hl=en https://play.google.com/store/apps/details?id=com.ChiaraPassa.AbstractSpace4&hl=en
“抽象空间” 2023。Chiara Passa 的 AR 和人工智能艺术作品。“抽象空间”通过整面墙的投影，将一个虚构的极简环境（我使用 Chat GPT API 创建）与真实空间重叠，而这个空间一旦被观众使用 AR-AI 应用程序修改，就会神秘、怪异或有时不完整地重新出现在我们周围。观众在这个新的不稳定空间中，通过观看由几何体积阴影构成的新 AI 空间，体验到一种缺失或空虚的感觉，这些阴影是根据缓冲过程沿光源方向挤压图元轮廓而创建的。还提供视频手册（屏幕 7'）版本。视频预览：https://youtu.be/zzAaf7hxTYI Android 应用程序和相关矩阵可供下载。每个动画持续 6'.30''。 https://play.google.com/store/apps/details?id=com.ChiaraPassa.AbstractSpace&hl=en https://play.google.com/store/apps/details?id=com.ChiaraPassa.AbstractSpace2&hl=en https://play.google.com/store/apps/details?id=com.ChiaraPassa.AbstractSpace3&hl=en https://play.google.com/store/apps/details?id=com.ChiaraPassa.AbstractSpace4&hl=en
b'摘要\xe2\x80\x94准确估计充电状态 (SOC) 对于储能应用中电池管理系统 (BMS) 的有效和相对运行至关重要。本文提出了一种结合卷积神经网络 (CNN)、门控循环单元 (GRU) 和时间卷积网络 (TCN) 的新型混合深度学习模型，该模型结合了 RNN 模型特征和电压、电流和温度等非线性特征的时间依赖性，以与 SOC 建立关系。时间依赖性和监测信号之间的复杂关系源自磷酸铁锂 (LiFePO4) 电池的 DL 方法。所提出的模型利用 CNN 的特征提取能力、GRU 的时间动态建模和 TCN 序列预测强度的长期有效记忆能力来提高 SOC 估计的准确性和鲁棒性。我们使用来自 In\xef\xac\x82ux DB 的 LiFePO4 数据进行了实验，经过处理，并以 80:20 的比例用于模型的训练和验证。此外，我们将我们的模型的性能与 LSTM、CNN-LSTM、GRU、CNN-GRU 和 CNN-GRU-LSTM 的性能进行了比较。实验结果表明，我们提出的 CNN-GRU-TCN 混合模型在 LiFePO4 电池的 SOC 估计方面优于其他模型。'
b'摘要\xe2\x80\x94准确估计充电状态 (SOC) 对于储能应用中电池管理系统 (BMS) 的有效和相对运行至关重要。本文提出了一种结合卷积神经网络 (CNN)、门控循环单元 (GRU) 和时间卷积网络 (TCN) 的新型混合深度学习模型，该模型结合了 RNN 模型特征和电压、电流和温度等非线性特征的时间依赖性，以与 SOC 建立关系。时间依赖性和监测信号之间的复杂关系源自磷酸铁锂 (LiFePO4) 电池的 DL 方法。所提出的模型利用 CNN 的特征提取能力、GRU 的时间动态建模和 TCN 序列预测强度的长期有效记忆能力来提高 SOC 估计的准确性和鲁棒性。我们使用来自 In\xef\xac\x82ux DB 的 LiFePO4 数据进行了实验，经过处理，并以 80:20 的比例用于模型的训练和验证。此外，我们将我们的模型的性能与 LSTM、CNN-LSTM、GRU、CNN-GRU 和 CNN-GRU-LSTM 的性能进行了比较。实验结果表明，我们提出的 CNN-GRU-TCN 混合模型在 LiFePO4 电池的 SOC 估计方面优于其他模型。'
生命科学中的共聚焦拉曼成像和相关技术
在调查的第二部分中，对活着的斑马鱼胚胎进行了拉曼实验。这些动物被菌丝菌的野生型（WT）和突变菌株（ΔRD1）感染，作为结核病疾病的模型。通过拉曼伊斯兰（Raman Imaging）追踪了他们的感染和伤口愈合。通过检查扫描前后的生命体征，在85 MW（785 nm激光器）的成像过程中的生存能力得到了证实。分枝杆菌簇（图8a）通过其独特的拉曼光谱模式来识别（图8b），其中包含用于蛋白质（1004和1665 cm -1），DNA（789和1581 cm -1）和脂质（1065、1128、1128、1298、1439、1439和1450 cm -1）的特征带。对于两种细菌菌株，重新确定了微妙的代谢差异。最后，使用感染区域中体积拉曼扫描的时间序列用于测量和表征伤口组织区域。有关研究的更多信息和结果可在开放式出版物中获得[12]。