XiaoMi-AI文件搜索系统
World File Search System定量测量
通过从输入输出示例中学习的自动化CPU设计
设计中央处理单元（CPU）需要有才华的专家的大量手动工作，才能从设计规范中启动电路逻辑。尽管已在电子设计自动化（EDA）方面取得了长足的进步，以减轻Human的努力，但所有现有的工具都需要手工制作的正式程序代码（例如Verilog，Chisel或C）作为输入。为了自动化使用人类编程的CPU设计，我们有动力从仅输入输出（IO）检查中学习CPU设计，这是根据设计规范的测试案例生成的。关键挑战是，学识渊博的CPU设计对不准确性的公差几乎为零，这使得众所周知的近似算法（例如神经网络）无效。，我们提出了一种新的AI方法，以大规模布尔功能的形式生成CPU设计，仅从外部IO示例而不是for-mal程序代码中生成CPU设计。此方法采用一种称为二进制投机图（BSD）的新型图形结构来准确近似CPU尺度布尔功能。我们提出了一种基于布尔距离的有效的BSD扩展方法，这是一个新的指标，用于定量测量布尔函数之间的结构相似性，逐渐地将设计准确性提高到100％。我们的AP-PRACH在5小时内生成了工业规模的RISC-V CPU设计，将设计周期降低了约1000倍，而无需人工参与。AI设计的世界第一款CPU胶带芯片，Enlightenment-1成功地运行了Linux操作系统，并与人设计的Intel 80486SX CPU进行了比较。我们的方法甚至自主地发现了人类对冯·诺伊曼建筑的知识。
一种用于快速，低成本检测细菌
在医疗中，在疾病早期阶段的病原体检测是建立适当诊断的关键步骤。为了实现这一目标，已经详细阐述了几种技术，以进行诊断点诊断。最先进的方法之一是生物传感器设备的应用。通过其相对敏感性，速度和便携性，可确保从流体样本中适当地检测病原体，从而提供适当的病原体，从而为传统诊断技术提供可行且负担得起的替代方案。本研究的目的是通过廉价的电光生物传感器来满足这些需求，以在临床诊断中进行快速测试。因此，创建了由介电网状表面电极，肋波导和微流体通道组成的集成微型系统，用于从流体样品中对细菌进行无标记的光学检测。为了建模传感器的效率，我们通过观察到波导附近的活的大肠杆菌细胞散布的光，进行了定量测量。即使使用中等放大倍率的目标（x10，x4.7），也观察到散射光模式的明显变化，这意味着也可以通过低成本摄像机来实现这种类型的细胞感应。还建立了在介电性细胞收集过程中使用的最佳频率。使用这个新型系统，检测极限为ca。10 2 CFU×ML - 1，这与体液中的特征性病原体浓度有关，例如尿液。我们的进一步计划是在其他高度敏感的集成光传感器构建体中利用这种细胞收集方法。该介电原则的工作原理可以从其悬浮液中增强对大肠杆菌细胞的检测，这使我们有一个低成本和快速感应的改变本地人，但可以经常使用，但时间和货币耗尽的其他方法。因此，我们希望它很容易适用于护理点诊断，作为快速测试的基础，以鉴定各种体液中的一般病原体。
从2维到三维：通过深度学习
前室深度（ACD）是角度闭合疾病的主要危险因素，并且已用于各种人群的角度闭合筛查。但是，ACD是根据眼部生物计或前部光学相干断层扫描（AS-OCT）测量的，它们是昂贵的，在初级保健和社区环境中可能不容易获得。因此，这项概念验证研究旨在使用深度学习（DL）从低成本前部照片（ASP）预测ACD。我们包括2,311对ASP和ACD测量，用于算法开发和验证，以及380对算法测试。我们捕获了安装在缝隙灯泡生物显微镜上的数字摄像机的ASP。在用于算法开发和有效性的数据中，用眼部生物计（Iolmaster700或Lenstar LS9000）测量前腔深度，并在用于测试的数据中使用AS-OCT（Visante）。DL算法是从Resnet-50体系结构中修改的，并使用平均绝对误差（MAE），系数确定（R 2），Bland-Altman图和类内相关系数（ICC）进行评估。在验证中，我们的算法预测ACD的MAE（标准偏差）为0.18（0.14）mm； r 2 = 0.63。预测的ACD的MAE在眼睛开放角度为0.18（0.14）mm，眼睛闭合的眼睛为0.19（0.14）mm。实际和预测的ACD测量之间的ICC为0.81（95％CI 0.77，0.84）。在测试中，我们的算法预测ACD的MAE为0.23（0.18）mm； r 2 = 0.37。显着性地图突出显示了学生的余量，作为ACD预测中使用的主要结构。这项研究证明了通过DL预测ASP的ACD的可能性。该算法模仿了眼光进行预测的眼光，并为预测与角度闭合筛选相关的其他定量测量提供了基础。
细菌病原体的发病机制、毒力因素
微生物学讲座 日期：2023 年 10 月 18 日 细菌病原体的发病机制、毒力因子 如果一种微生物能够引起疾病，它就被称为病原体。幸运的是，自然界中众多微生物中只有少数是致病的。有些生物具有高毒性，即使接种量很少也会导致健康个体患病，而有些生物只会在防御力较弱的受损个体中致病。后者被称为机会性生物，因为它们利用宿主防御力下降的机会引起疾病。这些机会主义者通常是人体正常菌群的成员。 感染的一般方面 毒力 毒力是致病性的定量测量，与生物体的产毒潜力和侵袭性有关。毒力可以通过引起疾病所需的微生物数量来衡量，并被指定为 LD50 或 ID50：LD50（50% 致死量）是杀死一半宿主所需的微生物数量，而 ID50（50% 感染量）是导致一半宿主感染所需的微生物数量。这些值是通过接种实验动物确定的。 传染病 如果感染在宿主之间传播，则被称为“传染病”。许多感染（但不是全部）都是传染性的；例如，结核病是传染性的，因为它通过咳嗽产生的空气飞沫传播，但葡萄球菌食物中毒不是，因为微生物产生的并存在于受污染食物中的外毒素只会影响食用该食物的人。如果一种疾病具有高度传染性，则被称为“传染病”（例如水痘）。根据社区中传染病的发病率和流行程度，传染病可称为地方性传染病、流行病或大流行性传染病： • 地方性传染病在特定人群中持续低水平存在（例如，某些非洲国家的地方性疟疾）。 • 如果传染病发生频率远高于正常水平（例如，冬季的流感流行），则该传染病为流行病。
材料进步-RSC出版
几乎所有生物都主要由水组成，这是驱动身体的基本和重要成分。目前，快速工业化导致化学废物及其副产品的排放到淡水体中。这导致水体中有害污染物的数量增加，这对水生生态系统具有毁灭性影响，并严重影响人类健康，从而导致许多水传播疾病以及神经学，血液学和皮肤病学障碍。1–3鉴于环境与人类生物学之间的键是密不可分的，因此应定期检测环境污染物和生物分析物，以确保通过各种疾病的早期诊断来监测环境污染物和医疗保健保护。此外，目前的年龄目睹了许多慢性疾病，例如癌症和肿瘤，不仅是由于环境和生物污染物的暴露，例如重金属离子，化学战剂（CWA），爆炸物，有毒气体和微病，而且由于不健康的生活方式，不健康的食物，因此，来自环境和卫生机构的合作努力都强调了对环境污染物和生物危害的定量测量和检测，例如微生物，肿瘤细胞，水，食物和体内和体内的生物分子。4,5但是，检测这些有毒分析物的传统和早期方法是基于复杂且昂贵的仪器，通常需要熟练的技术人员和长时间的运营期。4尽管这些方法给出了准确的结果，但由于缺乏资金，生物医学设施和熟练的人员，它们在欠发达和发展中国家中的使用受到限制。因此，为了解决上述问题，研究人员致力于以提高灵敏度和选择性的提高，致力于开发具有成本效益和便捷的感应探针。在过去的几十年中，纳米制作和设计的出现和进步彻底改变了感测领域。6–12，微/纳米材料作为感应工具的利用具有
开放式对象检测的生成区域训练
在最近的研究中，已对开放式摄制对象检测任务进行了大量关注，旨在概括训练期间标记的类别的有限级别，并检测推理时任意类别名称所描述的对象。与常规对象检测相比，打开的词汇对象检测在很大程度上扩展了对象检测类别。但是，它依赖于计算图像区域与一组具有验证视觉和语言模型的任意类别名称之间的相似性。这意味着，尽管具有开放式的性质，但该任务仍然需要在推理阶段的预定义对象类别。这提出了一个问题：如果我们在推理中对对象类别没有确切的了解，该怎么办？在本文中，我们称之为新的设置为生成性开放式对象检测，这是一个更普遍和实际的问题。为了解决它，我们将对象检测形式为生成问题，并提出了一个名为generateu的简单框架，该框架可以检测密集的对象并以自由形式的方式生成其名称。尤其是，我们采用可变形的DETR作为区域促成生成器，其语言模型将视觉区域转换为对象名称。为了评估自由形式的对象划分任务，我们介绍了一种评估方法，旨在定量测量生成量的性能。广泛的实验表明我们的生成量强烈的零射击性能。代码可在以下网址获得：https：//github.com/foundationvision/generateu。例如，在LVIS数据集上，我们的GenerateU在推理过程中属于类别名称，即类别名称无法看到类别名称，即使类别名称看不见类别名称，我们的GenerateU也可以与开放式唱机对象检测方法GLIP相当。
同样的伤害，不同的结果？调查治疗时的犹豫
william.y.pike.civ@mail.mil 摘要 本研究的目的是确定在对不同性别的士兵应用战术战斗伤亡护理时是否存在犹豫。作为美国陆军作战能力发展司令部 - 士兵中心、模拟和训练技术中心 (CCDC-SC STTC) 执行的一项研究的一部分，开发了允许以男性为中心的人类患者模拟器复制以女性为中心的模型的覆盖层。这些“性别改装套件”旨在支持战斗医务人员和战斗救生员的训练。在测试这些原型时，观察到了明显的犹豫，但未进行定量测量（Mazzeo 等人，2018 年）。本研究旨在通过调查将战术战斗伤亡护理应用于男性和女性训练模拟人体模型的相关表现来量化这种先前观察到的犹豫。在 2（伤亡者性别）x 2（参与者性别）的受试者内研究设计中，参与者需要识别并治疗每个人体模型胸部区域的两处枪伤。相关测量包括反应时间、暴露时间（参与者将手放在伤亡者身上到伤口完全暴露的时间，以秒为单位）、暴露成功率（胸部两处伤口完全暴露）、总时间（反应时间、暴露时间和治疗时间的总和）和准确性。暴露时间结果显示出令人担忧的趋势，表明存在对治疗女性伤亡者的犹豫[测试区一（女性 M = 42.8，SD = 35.80；男性 M = 37.85，SD = 44.63）；测试区二（女性 M = 21.27，SD = 35.16；男性 M = 12.94，SD = 31.94）]。此外，胸腔密封应用的常见错误和参与者在评估后调查中所做的轶事陈述表明需要进行针对性别的医疗培训。实施针对性别的医疗培训可以确保所有士兵都知道如何并感到舒适地执行医疗程序，无论性别如何，可以减少因训练不足而导致的战斗死亡。
使用多模态 MRI 的放射纹理特征描述符来区分复发性脑肿瘤与放射性坏死
尽管采取了化学放射疗法和手术切除等多模式积极治疗，多形性胶质母细胞瘤 (GBM) 仍有可能复发，这被称为复发性脑肿瘤 (rBT)。在多种情况下，良性和恶性病变在放射影像上可能看起来非常相似。其中一个例子就是放射性坏死 (RN)（放射治疗的中度良性影响），在结构磁共振成像 (MRI) 上，它们在视觉上几乎与 rBT 无法区分。因此，需要在常规获取的脑部 MRI 扫描中识别可靠的非侵入性定量测量：对比前 T1 加权 (T1)、对比后 T1 加权 (T1Gd)、T2 加权 (T2) 和 T2 液体衰减反转恢复 (FLAIR)，可以准确区分 rBT 和 RN。在这项工作中，复杂的放射纹理特征用于在多模式 MRI 上区分 rBT 和 RN，以进行疾病表征。首先，提取随机多分辨率放射组学描述符，该描述符可捕获体素级纹理和结构异质性以及强度和直方图特征。随后，这些特征用于机器学习设置，以从四个 MRI 序列（包含 30 个 GBM 病例（12 个 RN，18 个 rBT）的 155 个成像切片）中表征来自 RN 的 rBT。为了减少准确度估计的偏差，我们使用留一交叉验证 (LOOCV) 和分层 5 倍交叉验证与随机森林分类器来实现模型。在本研究中，我们的模型使用多分辨率纹理特征区分 rBT 与 RN，对于 LOOCV 提供 0.967 ± 0.180 的平均准确度，对于分层 5 倍交叉验证提供 0.933 ± 0.082 的平均准确度。我们的研究结果表明，与文献中的其他研究相比，复杂的纹理特征可以更好地区分 MRI 中的 rBT 和 RN。关键词：复发性脑肿瘤，放射性坏死，放射组学特征，多模态磁共振成像
使用 LF-OCT 表征硅胶凝胶下键合线的电-热-机械变形
摘要：键合线是电力电子模块 (PEM) 中最容易发生故障的部件之一，通常使用硅胶包裹键合线。为了研究硅胶包裹键合线的变形，本文报告了使用线场光学相干断层扫描 (LF-OCT) 技术精确测量键合线的电-热-机械 (ETM) 变形的方法。由于 LF-OCT 系统具有有利的并行检测方案，因此我们开发了一种 LF-OCT 系统，该系统可一次性捕获键合线样品的整个横截面图像 (B 扫描)。结合傅里叶相位自参考技术，可以定量测量键合线的变形，精度可达 0.1 nm。当将相机成像尺寸设置为 1920×200 像素时，实现的变形测量的最大采样率（帧率）为 400 Hz，为监测键合线的 ETM 变形动态提供 2.5 ms 的时间分辨率。我们发现凝胶包裹的键合线的 ETM 变形比裸键合线的 ETM 变形大约小三倍。这些结果首次实验证明，LF-OCT 可成为研究硅凝胶包裹键合线随时间变化的 ETM 变形的有用分析工具。索引术语-键合线可靠性、硅凝胶、电-热-机械变形、线场光学相干断层扫描 (LF-OCT) I. 引言电力电子模块 (PEM) 广泛用作可再生能源发电和运输电气化中的开关半导体器件 [1]。由于 PEM 通常应用于安全和关键任务场景，如电力列车、航空航天和海上风电，因此 PEM 的可靠性受到学术界和工业界的广泛关注 [2-4]。引线键合技术是目前最广泛使用的封装方法
激光束在大气中传播的波前像差
用于定向能和自由空间光通信应用的激光束在通过大气传播时可能会因光学湍流而严重扭曲。这些扭曲主要源于大气边界层，该边界层通常延伸至约 2 公里高，包含大气质量的 75%。其影响包括光束偏移、光束增宽和辐照度波动。自适应光学技术的使用可以减轻湍流的影响，此类系统在天文应用中广为人知，但在定向能应用中的实现和性能仍然不太为人所知。任何自适应光学系统的目标都是通过使用波前传感器测量误差、计算适当的校正并将此校正应用于可变形镜来消除光路变化导致的光波前扭曲。为了满足时间带宽要求，该反馈回路每秒执行数百次。要确定自适应光学系统的特性，必须模拟大气湍流对波前的影响。激光系统性能的评估取决于传播预测代码中使用的大气模型的精度。经过几十年的研究，一些分析理论例如几何光学 1 、Rytov方法和马尔可夫近似 2-4 已经发展起来，用于计算激光束传播的特性。但这些方法在某些条件下是近似的，因此它们的适用性有限，并且闪烁统计数据的理论计算非常困难，特别是当强度波动变大时。因此，开发了数值方法来更真实地表示大气湍流对激光束传播的影响。这些方法被称为光束传播方法 5 。这些方法的其他名称是分步傅里叶技术 6 和随机相位屏方法 7,8 。这里我们介绍激光束传播代码 LAtmoSim，它使我们能够评估大气对激光束波前的影响，并通过使用上述方法确定 AO 系统的设计参数。在本文中，我们还介绍了预测大气湍流强度的工作成果。光学湍流强度的定量测量称为折射率结构参数 C n