XiaoMi-AI文件搜索系统
World File Search System密集
针对SI的密集垂直III – V纳米线的定向自组装及其对栅极全能沉积的影响
由于材料之间的晶格错误匹配，SI底物上窄带III – V材料的大规模整合仍然是一个挑战。[1,2]纳米级开口的外延生长降低了源自III – V/SI界面以传播到活动设备的缺陷的可能性，并证明了表现优势。[3]其他剩余的挑战是模式技术，[4]小型大小，高模式密度和经济高效的处理具有吸引力。高密度模式的一种可能的光刻溶液是块共聚物（BCP）光刻。[5–7]该技术依赖于自组装，这意味着该分辨率不是由clas的局限性设置的，例如辐射波长或接近度效应。[8,9] BCP光刻分辨率极限主要是由其总体聚合度和组成块不信用的程度设定的。[10]该技术是低成本的，允许在高图案密度下转移图案转移 - 至少至12 nm螺距。[11,12]一种特殊的材料，聚（苯乙烯） - 块-poly（4-乙烯基吡啶）（PS-B -P4VP），是所谓的高χBCP，即块之间具有很高的缺失性，这使自组件能够最低10 nm lamelar powd。[13]通过控制聚合物分子量，聚合物块的不混溶，聚合物块的体积分数，底物表面能和表面形象，如果向聚合物链提供足够的迁移率，则可以实现自组装。[14]可以通过添加热量来提供所需的迁移率，[15]通过介入聚合物可溶性蒸气，[16,17]或两者的组合。[18]许多设备应用程序受益于模式对齐，为此，可以使用定向自组装（DSA）来控制模式的定位。[5,6,19–22]然后，通常使用电阻的电子或光子暴露创建引导模式，并且指导是通过改变表面能量或创建不同地形来完成的。[19]
爱尔兰是欧洲无形资产最密集的经济体吗？
摘要：评估无形投资对增长的贡献对任何国家来说都是一项具有挑战性和复杂的任务。然而，对于爱尔兰经济而言，确定经济表现的确切规模及其构成变得越来越困难。这主要是由于在爱尔兰管辖范围内运营的少数跨国公司的某些扭曲交易的影响。在本文中，我们通过详细评估无形资产和有形资产对爱尔兰增长故事的贡献来解决这一问题。我们控制了官方投资数据系列中的扭曲，同时还纳入了目前未包含在国民账户中的无形资产。我们的结果表明，官方无形投资的空前增长对爱尔兰实际劳动生产率增长的贡献相对较小。一旦消除扭曲，爱尔兰劳动生产率增长将由有形资本推动。更有趣的是，非国民账户无形资本对劳动生产率增长具有相当大的顺周期影响。
使用密集高效网络进行脑肿瘤分类
摘要：脑肿瘤在儿童和老年人中最为常见。它是一种严重的癌症，由颅骨内无法控制的脑细胞生长引起。众所周知，肿瘤细胞由于其异质性而难以分类。卷积神经网络 (CNN) 是视觉学习和脑肿瘤识别中最广泛使用的机器学习算法。本研究提出了一种基于 CNN 的密集 EfcientNet，使用最小-最大规范化将 3260 张 T1 加权对比增强脑磁共振图像分为四类（神经胶质瘤、脑膜瘤、垂体和无肿瘤）。开发的网络是 EfcientNet 的变体，添加了密集层和 drop-out 层。同样，作者将数据增强与最小-最大规范化相结合，以增加肿瘤细胞的对比度。密集 CNN 模型的好处是它可以准确地对有限的图片数据库进行分类。因此，所提出的方法提供了出色的整体性能。实验结果表明，所提出的模型在训练期间的准确率为 99.97%，在测试期间的准确率为 98.78%。新设计的 EfficientNet CNN 架构具有较高的准确率和良好的 F1 分数，可以成为脑肿瘤诊断测试研究中有用的决策工具。
数据密集型创新与国家：来自中国人工智能公司的证据
开发人工智能技术需要数据。在许多领域，政府数据的数量和范围远远超过私营部门收集的数据，人工智能公司在向国家提供服务时经常获得此类数据的访问权。我们认为，这种访问可以刺激商业人工智能创新，部分原因是数据和训练有素的算法可以在政府和商业用途之间共享。我们收集了有关中国人脸识别人工智能行业公司和公共安全采购合同的全面信息。我们通过衡量公安机构收集监控视频的能力来量化可通过合同获取的数据。使用三重差异策略，我们发现与数据稀缺的合同相比，数据丰富的合同会促使接收公司开发出更多商业人工智能软件。我们的分析表明，政府数据对中国人脸识别 AI 公司的崛起做出了贡献，并且各州的数据收集和提供政策可能会影响 AI 创新。
将因果发现应用于密集的纵向数据
密集纵向数据 (ILD) 可以解决心理学中的两个问题：1) 在传统实验和调查研究中，研究结果不一定代表所研究的现实生活中的结构和关系，2) 群体层面的分析通常会错误描述或模糊个人关系。然而，目前心理学中流行的分析方法还不能很好地使用 ILD 进行因果发现和因果推断。我们对 ILD 进行了第一次因果发现分析，遇到了一些挑战，并针对这些挑战开发了一些解决方案。本文描述了我们将因果发现应用于示例 ILD 数据集，并解决了出现的两个特殊挑战：1) 如何处理在不同时间线上测量的变量，2) 个人层面分析需要多少观察值。关键词：因果发现、密集纵向数据、生态瞬时评估、精准医疗、酒精使用、情绪
热浪人工智能：使用密集神经网络预测印度的热浪
1.引言 干旱是指由于降水突然减少而导致水和土壤水分严重短缺，从而导致水资源供应不足和农作物减产。在印度次大陆，干旱通常是由于西南季风延迟到来和/或提前撤退，并伴有降水不足而发生的 [1]。虽然降水不足是干旱的一个驱动力，但热浪导致的异常气温上升也会引发和加剧干旱 [2]。降水不足和极端高温共同导致的干旱更加严重，对农业造成的破坏更大，导致农作物产量大幅下降，就像 2003 年欧洲的情况一样 [3]。干旱和半干旱气候地区更容易发生干旱，因为它们对降水不足和极端温度更敏感。降雨和温度都可能在干旱的发生、发展和持续中发挥重要作用，尤其是对于植被和农业干旱。热浪被定义为空气和地表温度的突然升高，连续几天高于正常值（长期平均值）。印度的热浪发生在夏季或季风前期（4 月至 5 月）以及 6 月初雨季开始时。此类热浪通常
推动能源和排放密集型产业向零排放转型的产业政策框架
摘要 零排放目标为工业和产业政策设立了新标准。二十一世纪的产业政策必须以实现能源和排放密集型行业零排放为目标。钢铁、水泥和化学品等行业迄今为止基本上不受气候政策的影响。我们需要进行重大转变，从主要保护工业的当代产业政策转向改变工业的政策战略。为此，我们借鉴了工程、经济、政策、治理和创新研究等广泛的文献，提出了一个全面的产业政策框架。该政策框架依赖于六大支柱：方向性、知识创造和创新、创造和重塑市场、建设治理和变革能力、国际一致性以及对逐步淘汰的社会经济影响的敏感性。必须在整个价值链中并行推行依赖于技术、组织和行为变革的互补解决方案。当前的政策仅限于支持一些选择，例如能源效率和回收利用，一些地区也采用碳定价，尽管大多数情况下，能源和排放密集型行业不受碳定价影响。还必须采取更广泛的选择，例如需求管理、材料效率和电气化，以实现零排放。需要新的政策研究和评估方法来支持和评估进展，因为这些行业迄今为止在国内气候政策和国际谈判中基本上被忽视了。
MRI脑肿瘤分割，使用具有密集编码器块和残留解码器块的3D U-NET
磁共振成像（MRI）自动脑肿瘤分割的主要任务是自动分割脑肿瘤水肿，腹部水肿，内窥镜核心，增强肿瘤核心和3D MR图像的非增强肿瘤核心。由于脑肿瘤的位置，大小，形状和强度差异很大，因此很难自动分割这些脑肿瘤区域。在本文中，通过结合Densenet和Resnet的优点，我们提出了一个新的3D U-NET，具有密集的编码器块和残留的解码器块。我们在编码器部分中使用了密集的块和解码器部分中的残留块。输出特征图的数量随编码器的收缩路径中的网络层增加而增加，这与密集块的特征一致。使用密集的块可以减少网络参数的数量，加深网络层，增强特征传播，减轻消失的梯度和扩大接收场。在解码器中使用残差块来替换原始U-NET的卷积神经块，这使网络性能更好。我们提出的方法在BRATS2019培训和验证数据集上进行了培训和验证。我们在BRATS2019验证数据集上分别获得了整个肿瘤，肿瘤核心和增强肿瘤核心的骰子得分，分别为0.901、0.815和0.766。我们的方法比原始的3D U-NET具有更好的性能。我们的实验结果表明，与某些最新方法相比，我们的方法是一种竞争性的自动脑肿瘤分割方法。
可解释人工智能的知识密集型语言理解
人工智能系统已在各个领域得到广泛应用。与此同时，由于无法完全信任人工智能系统不会伤害人类，因此某些领域的进一步应用受到阻碍。除了公平性之外，隐私、透明度和可解释性也是建立对人工智能系统的信任的关键。正如在描述值得信赖的人工智能 (https://www.ibm.com/watson/trustworthy-ai) 中所述，“信任源于理解。理解人工智能主导的决策是如何做出的以及其中包括哪些决定性因素至关重要。”解释人工智能系统的子领域被称为 XAI。可以解释人工智能系统的多个方面；这些包括数据可能存在的偏差、示例空间特定区域缺少数据点、收集数据的公平性、特征重要性等。然而，除此之外，至关重要的是要有以人为本的解释，这些解释与决策直接相关，类似于领域专家如何根据“领域知识”做出决策，其中还包括完善的、同行验证的明确指南。为了理解和验证 AI 系统的结果（如分类、推荐、预测），从而建立对 AI 系统的信任，有必要涉及人类理解和使用的明确领域知识。当代的 XAI 方法尚未解决能够像专家一样做出决策的解释。图 1 展示了 AI 系统在现实世界中的应用阶段。