XiaoMi-AI文件搜索系统
World File Search System常用方法
利用 Autler-Townes 效应进行声子数状态的单次测量
捕获离子量子信息处理的常用方法是利用电子态存储信息，而离子链共享的运动模式可实现纠缠操作[1]。然而，运动模式可以发挥更积极的作用。例如，运动自由度可用于存储量子信息[2]，从而允许使用捕获离子进行连续变量的量子信息处理。运动模式也是量子逻辑谱学中非常重要的工具[3]，这使得精确的原子钟成为可能[4]。此外，在计量学中，非经典离子运动状态可以发挥优势[5 – 7]。从更基本的方面来看，捕获离子运动在量子热力学研究中充当工作介质[8 – 10]。研究陷阱势变化时声子对产生的动力学可以模拟粒子的产生，从而建立量子信息处理和宇宙学之间的联系[11]。最后，局部声子的测量及其跟踪使得运动自由度的量子模拟成为可能[12,13]。捕获离子的运动可以用各种方法测量[8,12,14 – 19]，包括通过交叉克尔非线性[18,20,21]和复合脉冲序列[12]。还有使用快速绝热通道（RAP）[22,23]和受激拉曼绝热通道（STIRAP）[24]序列或多色振幅调制的方案
3DProtDTA：基于残基水平蛋白质图的药物靶标亲和力预测的深度学习模型
管道。在这方面，评估药物靶标结合能力 (DTA) 的计算方法非常有趣 4，因为 DTA 通常被认为是预测药物效果的最佳指标之一。准确预测 DTA 对于筛选出低效分子并防止其进入临床试验至关重要，因此近年来开发了大量计算 DTA 技术。最准确的 DTA 计算估计可以通过原子分子动力学模拟（经典、量子或混合）与计算配体结合自由能的现代技术之一相结合获得。5 然而，准确性是以非常高的计算需求为代价的，这使得这些方法通常不适用于大规模虚拟筛选。这就是为什么在现代药物发现中估计 DTA 的常用方法是分子对接，它在准确性和计算效率之间提供了合理的折衷。 6 然而，人们普遍认为，分子对接中使用的经验评分函数已经接近实际的准确度极限，如果不引入额外的计算负担，这一极限不太可能得到改善。为了解决这些缺点，开发了用于确定 DTA 的经典机器学习 (ML) 方法。这些方法不依赖于计算目标蛋白质和配体之间的物理相互作用。它们纯粹基于知识，依赖于类似配体倾向于
用于解码脑电图运动意象的最佳传感器组
摘要 — 脑机接口可用于通过从大脑活动中检测人的意图来操作设备。从脑电图 (EEG) 信号解码运动想象 (MI) 是实现此目的的常用方法。为了从 EEG 信号中可靠地识别 MI，通常需要足够数量的传感器。然而，大量的传感器会增加区分 MI 类别的计算成本。此外，与医疗或研究级设备相比，测量 EEG 信号的消费级设备通常采用较少数量的传感器。在这项实验研究中，我们研究了从有限数量的 EEG 传感器解码 MI 时准确性和复杂性之间的权衡。为此，使用成熟的解码方法，使用不同子集的电极位置对 EEG 数据训练了几个解码管道。我们发现，使用较少的传感器时，平均解码准确度没有显著差异 (p=[0.18–0.91])。单个人的最大性能损失是当使用 64 个可用传感器中的 8 个时，平均解码准确度降低了 0.1。因此，从有限数量的传感器解码 MI 是可行的，这凸显了为此目的使用商业传感器设备以降低金钱和计算成本的潜力。
使用光电化学生物传感器检测食源性病原体检测的最新进展：从光活性材料到传感策略
对食源性病原体引起的疾病的快速评估和预防是各个国家所面临的现有食品安全监管问题之一，它受到了社会各部门的广泛关注。食物中食源性病原体的含量高于极限标准并以某种方式传播时，它会引起疾病爆发，这会严重威胁人类健康或生命安全。开发一种新颖的方法来准确和迅速地检测出食物的病原体是重要的。由于复杂步骤的局限性，耗时，低灵敏度或常用方法的选择性差，因此开发了基于电化学的光电化学（PEC）生物传感器。其优点包括低背景信号，快速响应和简单操作。它也具有广泛的传感应用程序，这引起了广泛的关注。然而，尚未报道最新的PEC生物传感器的有组织的摘要。因此，这篇综述介绍了使用PEC生物传感器的食源性病原体检测的最新进展，如下所示：（i）PEC生物传感器的构建，（ii）PEC生物传感器在检测食物生病原体和（iii）该领域未来发展方向的研究状态。希望这项研究将为制定更成熟的生物敏感策略提供一些见解，以满足食源性病原体监测的实际需求。
BeefBot：利用先进的 LLM 和 RAG 技术为牛肉生产商提供科学技术解决方案
我们提出了 BeefBot，这是一款专为牛肉生产商设计的由 LLM 驱动的聊天机器人。它检索最新的农业技术 (AgTech)、实践和科学见解，以提供快速、特定领域的建议，帮助有效应对农场挑战。虽然像 ChatGPT 这样的通用大型语言模型 (LLM) 对于信息检索很有用，但它们往往会产生幻觉，无法根据牛肉生产商的特定需求提供定制的解决方案，包括特定品种的策略、操作实践和区域适应。在 LLM 应用程序中合并领域特定数据有两种常用方法：检索增强生成 (RAG) 和微调。然而，它们各自的优点和缺点还不太清楚。因此，我们实现了一个流程，使用 BeefBot 中的开源 LLM 应用 RAG 和微调，并评估权衡。通过这样做，我们能够选择最佳组合作为 BeefBot 的后端，提供可操作的建议，提高牛肉生产商的生产力和可持续性，同时减少幻觉。BeefBot 的主要优势包括其作为与任何浏览器兼容的基于 Web 的平台的可访问性、通过 RAG 不断更新知识、通过本地部署实现机密保证以及通过交互式网站提供的用户友好体验。BeefBot 的演示可在 https://www.youtube. com/watch?v=r7mde1EOG4o 上访问。
用于解码脑电图运动意象的最佳传感器组
摘要 — 脑机接口可用于通过从大脑活动中检测人的意图来操作设备。从脑电图 (EEG) 信号解码运动想象 (MI) 是实现此目的的常用方法。为了从 EEG 信号中可靠地识别 MI，通常需要足够数量的传感器。然而，大量的传感器会增加区分 MI 类别的计算成本。此外，与医疗或研究级设备相比，测量 EEG 信号的消费级设备通常采用较少数量的传感器。在这项实验研究中，我们研究了从有限数量的 EEG 传感器解码 MI 时准确性和复杂性之间的权衡。为此，使用成熟的解码方法，使用不同子集的电极位置对 EEG 数据训练了几个解码管道。我们发现，使用较少的传感器时，平均解码准确度没有显著差异 (p=[0.18–0.91])。单个人的最大性能损失是当使用 64 个可用传感器中的 8 个时，平均解码准确度降低了 0.1。因此，从有限数量的传感器解码 MI 是可行的，这凸显了为此目的使用商业传感器设备以降低金钱和计算成本的潜力。
Consensify：一种从古基因组数据集生成伪单倍体基因组序列并降低错误率的方法
摘要：古基因组分析的标准做法是将映射的短读数据转换为伪单倍体序列，通常是从映射读堆栈中随机选择一个高质量的核苷酸。这可以控制由于差异测序覆盖率而导致的偏差，但不能控制差异率和测序错误类型，这些错误在从古代样本获得的数据集中通常很大且多变。这些错误可能会扭曲系统发育和种群聚类分析，并误导使用 D 统计量的混合测试。我们介绍了一种生成伪单倍体序列的方法 Consensify，它可以控制由差异测序覆盖率导致的偏差，同时大大降低错误率。错误校正直接来自数据本身，无需额外的基因组资源或简化假设（例如同时采样）。对于系统发育和种群聚类分析，我们发现与基于单读采样的方法相比，Consensify 受人工制品的影响较小。对于 D 统计量，Consensify 对假阳性的抵抗力更强，并且与其他常用方法相比，不同实验室协议导致的偏差似乎影响较小。尽管 Consensify 是针对古基因组数据开发的，但它适用于任何低到中等覆盖率的短读数据集。我们预测，Consensify 将成为未来古基因组研究的有用工具。
诊断牛乳腺炎的实用指南：综述
乳腺炎是影响奶牛养殖可行性的主要疾病之一，它会造成与低产奶量和低质量相关的直接和间接损失。本综述旨在提供关于牛乳腺炎现场和实验室诊断常用方法的综合文献。搜索过程使用 Google Scholar 电子数据库进行。关键词为“牛乳腺炎”和“诊断”。研究结果表明，在现场条件和实验室条件下，可以使用各种测试来早期发现乳腺炎。传统方法包括体细胞计数、微生物牛奶培养和加州乳腺炎测试。微生物组技术和显色平板被认为是与简单的细菌培养方法相比可以产生更好结果的方法。聚合酶链反应和基质辅助激光解吸/电离飞行时间主要被报道为牛乳腺炎诊断的参考测试。据报道，生物传感器、机器学习和 16srRNA 的使用为牛乳腺炎的诊断提供了前景。总体而言，结果表明，乳腺炎诊断技术在早期病原体检测、促进及时治疗和减少乳腺炎传播方面发挥着至关重要的作用。可以得出结论，牛乳腺炎在奶牛中普遍存在，给世界各地的奶牛场带来了巨大的经济负担。因此，准确的疾病诊断是制定针对性干预措施以管理乳房健康的关键一步。
找到共享自主
摘要：共享的自动驾驶电动汽车（SAEV）电流和车辆到网格（V2G）策略都具有减少温室气体排放的巨大潜力。这些概念具有互补的价值，它们甚至更有前途。据我们所知，尚未对具有V2G可行性的SAEV进行充电基础架构进行研究。对于这种构建，挑战在于，移动性需求（主要用于SAEV）和能源（用于收费基础设施的任何安装）都对此问题产生了重大影响。必须考虑具有V2G操作的SAEV的最佳充电基础架构（CI）分配，必须考虑移动性要求和网格约束。在本文中，我们发现优化模型是解决CI分配问题的最常用方法。我们对文献中已经提出的V2G和SAEVS位置优化模型进行了单独的检查，用于使用该模型，并考虑了哪些约束（对于移动性和电网）。我们发现SAEV和V2G模型具有重叠的元素，但在各自的角度仍然脱节。SAEVS的CI分配主要考虑到移动性，但倾向于忽略网格限制或影响。另一方面，V2G的CI分配专注于分销网络和网格，忘记了移动性需求。要利用SAEV-V2G潜力，未来的研究应结合流动性和网格方面，以找到具有V2G可行性的SAEV的最佳CI位置。
高能效率LSTM加速器体系结构
摘要：修剪和量化是加速LSTM（长短期内存）模型的两种常用方法。但是，传统的线性量化通常会遇到梯度消失的问题，而现有的修剪方法都有产生不希望的不规则稀疏性或大型索引开销的问题。为了减轻消失梯度的问题，这项工作提出了一种归一化的线性量化方法，该方法首先将操作数正常化，然后在局部混合最大范围内进行量化。为了克服不规则的稀疏性和大型索引开销的问题，这项工作采用了排列的块对角掩模矩阵来产生稀疏模型。由于稀疏模型高度规律，因此可以通过简单的计算获得非零权重的位置，从而避免了大型索引开销。基于由排列的块对角面胶质矩阵产生的稀疏LSTM模型，本文还提出了高能耐加速器的Permlstm，该材料全面利用了有关基质 - 载体乘积的重量，激活和产品的稀疏性，从而导致55.1％的动力减少。与先前报道的其他基于FPGA的LSTM加速器相比，与先前报道的其他基于FPGA的LSTM加速器相比，该加速器已在以150 MHz运行的ARRIA-10 FPGA上实现，并达到2.19×〜24.4×能量效率。