XiaoMi-AI文件搜索系统
World File Search System实际困难
2023 年东盟能源转型
水泥、钢铁、航空、海运和长途货运等行业是碳排放大户，但在将可再生能源纳入其运营方面面临实际困难。[10] 这些行业对东盟很重要。例如，东盟钢铁行业生产的长材和板材占东南亚消费量的 77% 和 30%。[11] 越南和印度尼西亚也是大型水泥生产国，国内生产能力约为 1 亿吨。泰国生产 6000 万吨，马来西亚和菲律宾生产约 3300 万吨。这些国家的产量都等于或超过其国内需求，这意味着这些行业是东盟实现更大基础设施发展愿望的关键。[12] 尽管碳定价可能会鼓励碳捕获装置，但这些行业仍无法达到所需的规模，转而使用天然气和替代可再生能源技术。因此，这些行业仍然严重依赖化石燃料。使用生物燃料作为转型过程的一部分必将成为解决方案的一部分，正如航空领域正在探索的那样（见侧边栏）。
用于无线生理监测的柔软多孔结构皮肤集成设备，可用于新生儿重症监护室
每年，美国有超过 48 万名婴儿和儿童被送入重症监护病房 (ICU)。1 岁以下的婴儿，尤其是极低出生体重的早产儿，患病率和死亡率很高。[1–3] 对于这些脆弱的患者，实时监测他们的生命体征是护理的一个重要方面。新生儿和儿科重症监护病房 (NICU 和 PICU) 中用于此类目的的传统系统涉及多个电极和传感器，它们使用胶带连接到身体的各个部位。硬线与外部电子处理和存储单元形成互连。这些平台可以提供高质量的数据，但它们具有明显的缺点。对于皮肤尚未成熟的新生儿和儿科患者，电极/传感器和粘合剂可能会导致医源性损伤和随后的疤痕。[4–6] 这种硬件还会阻碍自然运动，给患者带来实际困难
军事应用中的深度学习：威胁和机遇
人工智能的最新进步，尤其是在深度学习技术中，加速了不同应用领域的创新和开发。深度学习技术的发展对军事发展趋势产生了深远的影响，从而导致战争形式和模式发生了重大变化。在本文中，我们概述了深度学习的历史和建筑。然后，我们审查相关工作，并在两个主要军事应用中广泛描述深度学习：情报操作和自主平台。最后，我们讨论相关威胁，机遇，技术和实际困难。主要发现是，人工智能技术不是万能的，需要仔细地应用其局限性，网络安全威胁以及在OODA决策循环中对人类监督的强烈需求。在战略决策水平上需要某些保障机制。在这种情况下，最重要的方面之一与军官人员的教育，培训和选择有关。
SafeTug - NASA 航空研究所
机场拥堵是国际空域最突出的问题之一。尤其是，增加用于滑行的地面面积容量是一项重大的后勤挑战。传统上，机场通过增加跑道和滑行道来解决容量问题。这种解决方案的副作用是增加了航空终端运营的复杂性。这增加了人力工作量，从而降低了系统的效率，限制了地面扩张的潜在好处。复杂性的增加也增加了人为失误的风险，导致潜在的危险情况。此外，滑行飞机数量的增加将大大增加燃油消耗和排放。燃料燃烧量以及二氧化碳、碳氢化合物、氮氧化物、硫氧化物和颗粒物等各种污染物的产生量会随着飞机滑行时间的增加而增加，同时也会随着油门设置、发动机运行数量以及飞行员和航空公司在延误期间关闭发动机的决定而变化。通过机场扩建来增加容量的实际困难引发了人们通过智能利用现有资源来提高机场地面活动效率的愿望。
政府的效率 - 官方 - ...
7政府已经取得了汇总采购的进展，以从集体购买公共部门的普通商品和服务中获取好处，但这还有更多要做的事情。在2016年，GCF创建了一个政府职能标准，该标准为政府组织制定了通过汇总需求和使用协作采购渠道来最大化其购买力的步骤。ccs告诉我们，它有助于汇总福利，因为供应商在其框架上竞争地竞标，以期获得预期的公共部门业务总体规模的一部分。ccs告诉我们，自从我们上次查看其2017年的运营以来，它通过与供应商协商定价协议来实现进一步的汇总福利，这些供应商可以确保数量折扣，并运行在特定产品类别（包括水，技术和车队）中汇集客户需求的活动。CCS尚未以更广泛的规模实施此聚合。但是，现在正在开发五个飞行员来探索额外的聚合机会。在我们的野外工作期间，政府部门的商业董事报告说，安排采购的实际困难，并且没有足够的数据来帮助做出集体购买的决定（段落1.16至1.17）。
域距离适应1.5T MR脑图像的超分辨率重建
摘要。快速磁共振成像（MRI）序列在临床环境中高度要求。但是，成像信息不足会导致诊断困难。MR图像超分辨率（SR）是解决此问题的一种有希望的方法，但是由于获取配对的低分辨率和高分辨率（LR和HR）图像的实际困难，其性能受到限制。大多数现有的方法都使用倒数采样的LR IMENES，由于俯瞰域距离或由未知和复杂的降解引起的近似差而可能不准确。在这项研究中，我们提出了一个基于真实但未配对的HR/LR图像的1.5T MR脑图像的域距离调整SR框架。我们的框架工作利用了学习任意未配对图像的抽象表示并适应域间隙的能力，从而使其可行，以证明现实的下采样。此外，我们提出了一个新颖的生成对抗网络（GAN）模型，该模型集成了包含编码器，骨干和解码器的发电机，以及一个基于UNET的歧视器和多尺度感知损失。这种方法产生了令人信服的纹理，并成功地恢复了众所周知的公共数据集上过时的1.5T MRI数据，在感知和定量评估中的最先进的SR方法表现优于最先进的SR方法。
DDASR：域距离自适应超分辨率重建 MR 脑图像
摘要 — 临床环境对高细节和快速磁共振成像 (MRI) 序列的需求很高，因为成像信息不足会导致诊断困难。MR 图像超分辨率 (SR) 是一种很有前途的解决此问题的方法，但由于获取成对的低分辨率和高分辨率 (LR 和 HR) 图像的实际困难，其性能受到限制。大多数现有方法通过下采样 HR 图像来生成这些对，这个过程通常无法捕获复杂的退化和特定于域的变化。在本研究中，我们提出了一个域距离自适应 SR 框架 (DDASR)，其中包括两个阶段：域距离自适应下采样网络 (DSN) 和基于 GAN 的超分辨率网络 (SRN)。DSN 在下采样过程中结合了未配对 LR 图像的特征，从而能够生成域自适应的 LR 图像。此外，我们提出了一种具有增强注意力 U-Net 和多层感知损失的新型 GAN。所提出的方法产生了视觉上令人信服的纹理，并成功恢复了来自 ADNI1 数据集的过时 MRI 数据，在感知和定量评估中均优于最先进的 SR 方法。代码可在 https://github.com/Yaolab-fantastic/DDASR 上找到。
DDASR：域距离自适应的 MR 脑图像超分辨率重建
摘要 — 临床环境对高细节和快速的磁共振成像 (MRI) 序列有很高的要求，因为成像信息不足会导致诊断困难。MR 图像超分辨率 (SR) 是解决此问题的一种有前途的方法，但由于获取成对的低分辨率和高分辨率 (LR 和 HR) 图像的实际困难，其性能受到限制。大多数现有方法通过下采样 HR 图像来生成这些对，而这个过程通常无法捕捉到复杂的退化和特定于域的变化。在本研究中，我们提出了一个域距离自适应 SR 框架 (DDASR)，其中包括两个阶段：域距离自适应下采样网络 (DSN) 和基于 GAN 的超分辨率网络 (SRN)。DSN 在下采样过程中结合了未配对 LR 图像的特征，从而能够生成域自适应的 LR 图像。此外，我们提出了一种具有增强注意力 U-Net 和多层感知损失的新型 GAN。所提出的方法可产生视觉上令人信服的纹理，并成功恢复 ADNI1 数据集中过时的 MRI 数据，在感知和定量评估方面均优于最先进的 SR 方法。代码可在 https://github.com/Yaolab-fantastic/DDASR 上找到。
模拟学生：用于教师培训的 AI 聊天机器人
摘要：本文介绍了一种聊天机器人的开发，该聊天机器人旨在模拟 3D 虚拟环境中的学生，用于职前教师培训。研究人员使用基于生成预训练的 Transformer 的深度神经网络模型，使用来自真实课堂对话的语言资源数据创建了一个人工智能聊天机器人。结果表明，聊天机器人需要通过额外的编程进行微调。该程序旨在用于未来虚拟模拟教师培训的研究。简介 虚拟 3D 环境为职前教师培训提供了一个方便且身临其境的空间。在这些虚拟空间中，职前教师可以练习课堂话语和课堂管理，而无需在实际课堂环境中与真实学生一起进行此类培训的实际困难（Dieker 等人，2014 年）。目前，大多数 3D 虚拟教师培训环境严重依赖木偶学生化身，以避免与机器生成的话语相关的自然语言处理的复杂性（例如，Cohen 等人，2020 年）。木偶化身会降低对话的真实性，并且还会耗费大量资源，因为必须雇用个人来扮演学生的角色。因此，本研究开发了一种聊天机器人，可用于对学生虚拟代理进行编程，以模拟真实的科学、技术、工程和数学 (STEM) 课堂环境以用于培训目的。
对使用纳米技术的自我修复沥青的最新进步的全面审查
由于年龄，磨损等因素以及与人行道表面接触的雨，阳光和化学物质等因素，传统的沥青材料很容易受到降解的影响。为了克服这一点，使用纳米技术，其自我修复机制的首选可以修补裂纹并保留材料的结构完整性。这篇评论的主要目标是详细概述基于纳米技术的自我修复沥青的最新发展。使用了最近的文章，所有这些文章均在Web of Science索引期刊上发表。在综述中强调了纳米填充剂的利用，可以将其纳入沥青矩阵中以提高其机械特性和自我修复能力。出现裂缝时，这些材料的较大表面积和反应性有助于加快愈合过程。审查还解决了分布在整个沥青粘合剂中的包封的愈合剂的功能，例如恢复活力和恢复的微胶囊。这些愈合化学物质会在裂纹形成并努力解决损坏的情况下释放，从本质上是通过恢复其完整性。总而言之，使用纳米技术的自我修复沥青已证明对持久和可持续的沥青路面有很大的希望。将纳米填充剂与封装的愈合剂结合起来，在增强材料的机械性能和修复裂纹方面表现出令人鼓舞的结果。为了最大程度地提高愈合效率，创建标准化的测试程序，并处理广泛实施自我修复沥青的实际困难，需要进一步的研究。