XiaoMi-AI文件搜索系统
World File Search System层次
交换关联函数的层次结构在计算岩盐和闪锌矿半导体晶格热导率中的应用
晶格热导率（κL）是晶体固体的一个重要特性，对热管理、能量转换和热障涂层具有重要意义。基于密度泛函理论（DFT）的计算工具的进步使得能够有效利用基于声子准粒子的方法来揭示各种晶体系统的潜在物理原理。虽然高阶非谐性通常用于解释晶体中的异常传热行为，但DFT中的交换关联（XC）函数对描述非谐性的影响却在很大程度上被忽视了。XC 函数对于确定 DFT 描述固体和分子中电子/离子之间相互作用的准确性至关重要。然而，固体物理中大多数XC泛函主要侧重于计算只需要原子偏离平衡态很小位移（在谐波近似内）的性质，如谐波声子和弹性常数，而非谐性则涉及较大的原子位移。因此，对于XC泛函来说，在非谐性水平上准确描述原子相互作用更具挑战性。本研究采用多种XC泛函,如局部密度近似(LDA)、Perdew-Burke-Ernzerhof(PBE)、固体和表面的修正PBE(PBEsol)、优化的B86b泛函(optB86b)、修正的Tao-Perdew-Staroverov-Scuseria(revTPSS)、强约束和适当范数泛函(SCAN)、正则化SCAN(rSCAN)和正则化恢复SCAN(r2SCAN)以及不同的扰动阶数,包括谐波近似内的声子(HA)加三声子散射(HA+3ph)、用自洽声子理论计算的声子(SCPH)加三声子散射(SCPH+3ph)、SCPH声子加三声子和四声子散射,系统地研究了16种具有岩盐和闪锌矿结构的二元化合物的室温κL。 (SCPH+3,4ph)。结果表明，XC 函数与扰动阶表现出强纠缠，计算出的 κ L 的平均相对绝对误差 (MRAE) 受 XC 函数和扰动阶的强烈影响，导致误差抵消或放大。在 HA+3ph 级别的 revTPSS (rSCAN)、在 SCPH+3ph 级别的 SCAN (r 2 SCAN) 和在 SCPH+3,4ph 级别的 PBEsol (rSCAN) 中实现了最小 (最大) MRAE。在这些函数中，PBEsol 在最高扰动阶下表现出最高的精度。SCAN 相关函数表现出中等精度，但存在数值不稳定性且计算成本高的问题。此外，所有 XC 函数都识别出了四次非谐性对岩盐和闪锌矿结构中 κ L 的不同影响，这归因于这两种结构中不同的晶格非谐性。这些发现对于选择合适的泛函来描述非谐声子提供了有价值的参考，并为高阶力常数计算提供了见解，有助于开发更精确的固体材料XC泛函。
气候变化的多层次治理...
应对气候变化需要在国家，地区，地区和地方层面进行改编2和适应3的范式转移和改编3措施，政策连贯性，机构安排和协调。多层次治理，包括经营辅助性原则4的常用策略，是全球努力打击气候变化的基础，因为他们认识到有效的行动需要在各个政府层面以及非国家参与者之间进行协作和协调。公平原则需要应用于解决气候变化的现有多层次治理安排的设计，尤其是当成本和收益通常高度集中时。它强调了在决策过程中考虑公平的重要性以及分配资源以有效，公平地解决气候变化的重要性。
手动姿势和动作建模的生成层次临时变压器
摘要。我们提出了一个新颖的统一框架，该框架同时可以解决人体姿势和动作建模的未来预测。以前的作品通常为识别或预测提供了孤立的解决方案，这不仅增加了实际应用中整合的复杂性，而且更重要的是，无法证明双方的协同作用并在各自领域中遭受次优的性能。为了解决这个问题，我们提出了一个具有代表性的变压器VAE架构来模拟手动姿势和动作，在该构图中，编码器和解码器捕获识别和预测会重新恢复，并且它们通过VAE瓶颈进行了联系，要求学习从过去到未来的一致手动运动的学习，并反复使用。此外，为了忠实地对手姿势和动作的语义依赖性和不同的时间粒度建模，我们将框架分解为两个级联的vae块：第一个和后者的区块分别模拟了短跨度的姿势和长跨度的动作，并通过代表一个子second seraps saps sand Hand Poses的中级特征连接起来。将这种分解为块级联反应有助于捕获姿势和动作模型的短期和长期时间规律性，并使训练可以分别训练两个块，以充分利用具有不同时间粒度注释的数据集。我们跨多个数据集训练和评估我们的框架；结果表明，我们对识别和预测的联合建模可以改善孤立的解决方案，并且我们的语义和时间层次结构有助于长期姿势和动作模型。
2D层次的双氢氧化物和过渡金属二核苷用于应用可再生氢的电化学生产基因工程噬菌体作为新型纳米材料：抗菌剂以外的应用USP44过表达通过表观遗传重编程驱动神经母细胞瘤中的MYC样基因表达程序
神经母细胞瘤是一种胚胎癌，在幼儿死亡造成了成比例的疾病。测序数据在该癌症中很少有反复突变的基因，尽管表观遗传途径与病原体相关。我们使用了基于表达的计算屏幕，该屏幕揭示了去泛素化酶对患者生存的影响，以识别潜在的新靶标。，我们将His-Tone H2B去泛素化酶USP44视为神经母细胞瘤患者生存最大影响的酶。高水平的USP44与转移性疾病，不利组织学，晚期患者年龄和MYCN扩增显着相关。表达高水平USP44的肿瘤患者的子集的生存率明显较差，包括缺乏MYCN扩增的肿瘤。我们从经验上表明，USP44调节神经母细胞瘤细胞的增殖，
远见：2030年的多层次气候政策
定性场景开发过程旨在从多个纪律角度借鉴意见，以及替代假设，期望和世界观。由于单个偏见会导致单方面或线性的外推性思维，因此最好在小组交流的参与式过程中构建此类情况。参与性场景构建的方法论过程促进了情景开发过程的关键反应，并允许主体间性，有助于共同的含义和理解，从而扩大了可疑的可想象的期货范围。隔离的场景构建为结构化通信提供了一个平台，以促进有关可能未来的跨歧视或跨歧视思维。（Gabriel 2014：5 - 7）。
单细胞转录组学揭示了细胞层次结构和1
抽象动机：识别抗原表位在医疗应用中至关重要，例如免疫诊断试剂发现，疫苗设计和药物开发。计算方法可以补充低吞吐量，耗时和代价高昂的表位实验确定。当前可用的预测方法在预测表位上具有适度的成功，这限制了其适用性。表位预测可能会使多个表位位于相同的抗原上，并且完全不可用的实验数据更加复杂。结果：在这里，我们介绍了抗原表位预测程序ISPIPAB，该程序结合了来自两种基于特征方法的信息和一种基于对接的方法。我们证明，ISPIPAB的表现优于其每个分类器以及其他最先进的方法，包括专门为表位预测设计的方法。通过将预测算法与层次聚类相结合，我们表明我们可以有效捕获与可用的实验数据一致的表位，同时还揭示了未来实验研究的其他新颖目标。联系人：raji@yu.edu补充信息：可通过BioInformatics在线获得补充数据。
层次结构，分布式和大脑启发的物联网系统的学习
摘要 - 在本文中，我们提出了Edgehd，这是一种层次结构 - 意识到的学习解决方案，以高度分布，具有成本效益的方式进行在线培训和推断。我们使用受脑启发的高维（HD）计算作为关键启用器。HD计算在高维空间上执行计算任务，以模仿人类记忆的功能，例如数据间关系推理和信息聚集。EdgeHD利用高清计算有效地学习各个设备上的分类模型，并通过层次结构的IoT节点组合模型，而没有高通信成本。我们还提出了一种硬件设计，该设计可以加速低功耗FPGA平台上的EdgeHD。我们评估了各种现实分类应用程序的EdgeHD。评估表明，EdgeHD通过降低的通信提供了高度有效的计算。例如，与集中的学习方法相比，EdgeHD平均达到3.4×和11.7×（1.9×和7.8×）的加速和能量效率提高（推断）。，培训的沟通成本降低了85％，推理降低了78％。I. i ntroduction机器学习方法已被广泛用于为许多认知任务提供高质量。运行复杂的学习任务需要高计算成本来处理大量学习数据。一个常见的解决方案是将云和数据中心用作主要的中央计算单元。在物联网系统中，部署了大量嵌入式设备以从环境中收集数据并产生信息。然而，随着物联网（IoT）的出现，集中式方法面临着针对高性能计算的几个可扩展性挑战[1]，[2]，[3]，[4]，[4]，[5]，[6]。需要汇总部分数据才能执行IoT网络中的目标学习任务，例如家庭或城市规模。因此，它导致高潜伏期的高沟通成本，将所有数据点传输到集中式云。最近的研究工作研究了如何以分布式方式扩展学习任务，其中数据是从不同设备收集的。研究的主流通常被称为联邦学习[7]，[8]，[9]，[2]。例如，[10]中的研究在多个设备上训练一个中央深神经网络（DNN）模型，在这些设备中，每个设备的数据具有相同的功能集。但是，在物联网层次结构中有效学习仍然是一个悬而未决的问题。我们认识到以下技术挑战
哺乳动物前脑中多个时间尺度的层次梯度
皮质回路的许多解剖和生理特征，从突触的生物物理特性到不同神经元类型之间的连接模式，都表现出从感觉区域到联想区域的层级轴的一致变化。值得注意的是，静息状态下神经活动的时间相关性尺度（称为内在时间尺度）在灵长类动物和啮齿动物中都沿着这一层级系统地增加，类似于空间受体场的规模和复杂性不断增加。然而，任务相关活动的时间尺度如何在大脑区域间变化，以及它们的层级组织是否在不同哺乳动物物种中一致出现仍未得到探索。在这里，我们表明，内在时间尺度和任务相关活动的时间尺度在猴子、大鼠和小鼠的皮质中都遵循类似的层级梯度。我们还发现，这些时间尺度在皮层和基底神经节中以类似的方式共同变化，而丘脑活动的时间尺度比皮层时间尺度短，并且不符合其皮层投影预测的层次顺序。这些结果表明，皮层时间尺度的层次梯度可能是哺乳动物大脑皮层内回路的普遍特征。
层次结构融合为反应性机器人控制的推断
摘要 - 混乱，密集和染色环境中的运动产生是机器人技术中的一个核心话题，被视为多目标决策问题。当前的安全性和性能之间的权衡。一方面，反应性策略保证了对环境变化的快速响应，其风险次优行为。另一方面，基于计划的运动产生提供可行的轨迹，但是高计算成本可能会限制控制频率，从而限制安全性。为了结合反应性策略和计划的好处，我们提出了一种分层运动方法。此外，我们采用概率推理方法来形式化层次模型和随机优化。我们将这种方法视为随机，反应性专家政策的加权产品，在该策略中，计划用于适应任务范围内的最佳权重。这种随机优化避免了局部优点，并提出了可反应性计划，以发现混乱且致密的环境中的路径。我们在平面导航和7DOF操作中进行的广泛实验研究表明，我们提出的层次运动生成方法的表现优于近视反应性控制器和在线重新规划方法。其他材料可在https://sites.google.com/view/hipbi上找到。
基于多模态生理信号的跨主体情绪识别多层次解缠网络
基于多模态生理信号的情绪识别受到越来越多的关注，然而如何处理多模态生理信号的一致性和异质性，以及不同主体之间的个体差异，是跨主体情绪识别的两个重要挑战。本文提出了一种多级解缠结网络MDNet，用于基于多模态生理信号的跨主体情绪识别。具体而言，MDNet由模态级解缠结模块和主体级解缠结模块组成。模态级解缠结模块将多模态生理信号投影到模态不变子空间和模态特定子空间，捕获模态不变特征和模态特定特征。主体级解缠结模块从多模态数据中分离出不同主体间主体共享特征和主体私有特征，从而促进跨主体情绪识别。在两个多模态情感数据集上进行的实验表明，MDNet 优于其他最先进的基线。