XiaoMi-AI文件搜索系统
World File Search System大型
大型生物样本的原位 X 射线辅助电子显微镜染色
近来，生物组织电子显微镜的成像吞吐量空前提高，使对整个大脑等大型组织块的超微结构分析成为可能。然而，对大型生物样本进行均匀、高质量的电子显微镜染色仍然是一项重大挑战。到目前为止，评估电子显微镜的染色质量需要对样本进行端到端的整个染色方案，对于大型样本来说，这可能需要数周甚至数月的时间，这使得此类样本的方案优化效率低下。在这里，我们提出了一种原位延时 X 射线辅助染色程序，它打开了电子显微镜染色的“黑匣子”，可以实时观察单个染色步骤。使用这种新方法，我们测量了浸入不同染色溶液中的大型组织样本中重金属的积累。我们表明，固定组织中测得的锇积累量在经验上服从孵育时间和样本大小之间的二次依赖关系。我们发现，亚铁氰化钾（四氧化锇的经典还原剂）在锇染色后可使组织变得透明，并且组织在四氧化锇溶液中会膨胀，但在还原锇溶液中会收缩。X 射线辅助染色让我们能够了解原位染色动力学，并使我们能够开发出一种扩散-反应-平流模型，该模型可以准确模拟组织中锇的测量积累。这些是朝着计算机染色实验和模拟引导优化大样本染色方案迈出的第一步。因此，X 射线辅助染色将成为开发可靠染色程序的有用工具，用于大样本（例如小鼠、猴子或人类的整个大脑）。
Bethan Laura Wood大型印刷指南，请返回...
是什么让我们选择一个对象而不是另一个对象？Bethan Laura Wood对我们与日常物体的联系着迷。作为一个狂热的收藏家，伍德的作品深入研究了我们如何以及为什么渴望某些作品。她的目标是将她设计的作品与历史，意义，个性和怀旧之情。通过探索成为我们日常工作不可或缺的对象，伍德试图设计人们想要保留的东西，并在每次使用时都会给人以仪式的感觉。
博士学位：用于大型天线的轨内制造，组装和操作的创新建模，原位识别和主动控制方法（MIC
大型孔径天线不仅可以为传统的通信服务和雷达提供帮助，还可以实现新的通信，遥感，深空探测和电力传输航天器的新方法。较高的天线孔可保证更高的信号分辨率和信噪比，而其精度则驱动其空间分辨率和灵敏度。在过去，开发高孔径天线是一项技术挑战，受到高刚度和重组件而针对发射限制的部署的限制，但最近在轨道上自主制造和组装方面的进步为直接在太空中直接开发的大型和光线结构的发展打开了大门。但是，如果许多文献中的许多作品都集中在空间中的大型天线制造上，那么[1]中的许多工程挑战，例如表面准确性，航天器稳定性和部署可靠性，仍然对这些技术的实际去风险施加限制。拟议的项目具有提出大型天线的欧洲端到端轨内组装方案的发展，并通过小规模的实验基准表明其关键技术挑战。通过利用团队中可用的技能建模和控制大型柔性结构[2，3]和天线技术[4，5]，该项目将重点放在：
通过可解释的自动化机器学习迈向大型工业数据挖掘
抽象工业系统资源能够生成大量数据。这些数据通常采用异质格式并分发，但它们表示可以挖掘可以允许部署智能管理工具进行生产活动的信息。为此，有必要使用人工智能（AI）模型来实施知识提取和预测过程，但是对于非专家用户而言，对预期AI模型的选择和配置往往越来越复杂。在本文中，我们提出了一种方法和一个软件平台，该方法可能允许不熟悉AI的工业参与者选择和配置算法，以最佳地适应他们的需求。因此，该方法基本上是基于自动化的机器学习。产生的平台有效地可以在AI算法和超参数配置的组合之间做出更好的选择。也可以提供重新塑造算法和模型的解释性的功能，从而提高这些模型在实践用户社区中的可占用性。所提出的方法已应用于预测维护的领域。当前测试是
自动机器人任务计划通过将大型语言模型与基因编程集成
摘要 - 准确的任务计划对于控制自主系统（例如机器人，无人机和自动驾驶车辆）至关重要。行为树（BTS）被认为是任务计划中最突出的控制政策定义框架之一，由于其模块化，灵活性和可重复性。为机器人系统生成可靠，准确的基于BT的控制策略仍然具有挑战性，并且通常需要域专业知识。在本文中，我们提出了利用大语言模型（LLM）和遗传编程（GP）的LLM-GP-BT技术，以使BTS的生成和配置自动化。LLM-GP-BT技术处理以人类自然语言表达的机器人任务命令，并以计算效率和用户友好的方式将其转换为基于BT的准确和可靠的任务计划。该提出的技术是通过仿真实验系统地开发和验证的，这表明了其简化自主系统任务计划的潜力。
脚手架：一种基于脚手架的大型语言改进
药物优化变得越来越多。尽管如此，它还是具有挑战性的，因为它需要保留原始药物的有益特性，同时增强其范围的所需属性。在这项工作中，我们旨在通过引入S Caffold GPT来应对这一挑战，这是一种新型的大型语言模型（LLM），设计用于基于分子SCAF-FOLL的药物优化。我们的工作包括三个关键组成部分：（1）一种三阶段的药物优化方法，可以整合预训练，填充和解码优化。（2）一种独特设计的两相增量训练方法，用于预训练药物优化的基于LLM的发电机，以增强性能。（3）代币级的解码优化策略T OP-N，该策略可以使用预验/填充的LLMS启用受控的，奖励引导的生成。fi-nyly，通过对共证和癌症基准进行全面的评估，我们表明，Caffold GPT的表现优于药物优化基准中的基线，同时在保持原始的功能型支架方面表现出色。
探索大型语言模型以缓解偏见和公平
人工智能（AI）已成为我们日常生活中不可或缺的一部分，从虚拟分析到推荐系统为各种应用提供了动力。但是，随着AI系统越来越多地与人互动并做出决定，对公平和偏见的担忧已经走向了最前沿。这些系统经常在大型数据集中受过培训，并不总是清楚地确保数据收集过程中数据质量的准则，可以无意中学习和延续这些数据集中存在的偏见，从而导致不公平的结果。一个众所周知的例子是美国刑事司法系统中使用的Compas系统，该系统预测被告再犯罪的可能性。Propublica的一项研究发现，该系统对非裔美国人被告有偏见，因为即使没有事先定罪，他们也更有可能被标记为高风险。应对这些挑战，AI研究界的一部分一直在探索各种策略，以确保偏见并确保公平。已经出现了大量方法，其中一些涉及重新处理用于培训此类系统的数据，而另一些方法涉及根据预定义的公平指标选择最佳模型，或者其他涉及为决策制定程序提供更透明的方法。而LLM是AI中最突出的突破之一，在广泛的