XiaoMi-AI文件搜索系统
World File Search System接近度
![arXiv:2003.08126v1 [quant-ph] 2020 年 3 月 18 日](/simg/c\c6d01874017c7d6f6947dc0a7a998c392e725488.webp)
arXiv:2003.08126v1 [quant-ph] 2020 年 3 月 18 日
摘要：准确确定粒子径迹重建参数将成为高亮度大型强子对撞机 (HL-LHC) 实验面临的主要挑战。HL-LHC 同时发生的碰撞数量预计会增加，探测器占用率也会随之提高，这将使径迹重建算法对时间和计算资源的要求变得极为苛刻。撞击数量的增加将增加径迹重建算法的复杂性。此外，由于探测器的分辨率有限以及撞击的物理“接近度”，将撞击分配给粒子径迹的模糊性也会增加。因此，带电粒子径迹的重建将成为正确解释 HL-LHC 数据的主要挑战。目前使用的大多数方法都基于卡尔曼滤波器，这些滤波器被证明是稳健的，并能提供良好的物理性能。然而，它们的扩展性预计会比二次方差。设计一种能够在命中级别减少组合背景的算法，将为卡尔曼滤波器提供更“干净”的初始种子，从而大大减少总处理时间。量子计算机的显着特征之一是能够同时评估大量状态，使其成为在大型参数空间中进行搜索的理想工具。事实上，不同的研发计划正在探索量子跟踪算法如何利用这些功能。在本文中，我们介绍了我们在实现基于量子的轨迹查找算法方面的工作，该算法旨在减少初始播种阶段的组合背景。我们使用为 kaggle TrackML 挑战设计的公开数据集。
ATD-300 - 飞机云杉
ATD-300 交通监视系统是一种无源接收器，能够检测附近飞机的应答器应答，并在 8 字符点阵黄色 LED 显示屏上显示其范围和高度。它还提供与交通接近度相关的独特语音警告。ATD-300 的检测范围为 5 海里。该系统由接收器/指示器单元、天线、电源线和耳机线组成。接收器安装在一个小铝盒中，便于在驾驶舱内定位。ATD-300 为不同范围的交通提供独特的语音警告。当设置为 FAR 模式并且交通在 3 海里和垂直间隔 +1,000 英尺以内时，将发出“交通”警报。当交通距离接近 1nm 左右且垂直间隔在 +1000ft 以内时，消息将更改为“附近交通”。当设置为 NEAR 模式时，只有垂直间隔在 1nm 和 +500ft 以内的交通才会显示“附近交通”。当设置为 MUTE 时，不会出现任何交通警告消息，但仍会显示交通范围和 MSL 高度。当没有交通活动时，ATD-300 将自动显示主机应答器 MSL 压力高度或应答机代码。设备底部有一个可用螺丝刀调节的音量控制。设备背面提供音频输出至扬声器（8 欧姆）或耳机（300 欧姆）。ATD-300 具有内置电压警告指示器，可让您知道飞机电源电压是否超出范围。此功能始终在后台运行，并在发动机启动后激活。如果存在超出范围的情况，ATD-300 会通过语音和文本发出通知。
![arXiv:2201.09508v2 [q-bio.QM] 2022 年 8 月 9 日](/simg/b\b192213e1dcdb06b52f1fb0928ecbcd6ca74dfe1.webp)
arXiv:2201.09508v2 [q-bio.QM] 2022 年 8 月 9 日
药物-靶标相互作用 (DTI) 的发现是一个非常有前途的研究领域，具有巨大的潜力。通过计算方法准确识别药物和蛋白质之间的可靠相互作用，通常利用从不同数据源检索到的异构信息，可以促进有效药物的开发。尽管随机游走和矩阵分解技术在 DTI 预测中被广泛使用，但它们有几个局限性。基于随机游走的嵌入生成通常以无监督的方式进行，而矩阵分解中的线性相似性组合会扭曲不同观点提供的个体见解。为了解决这些问题，我们采用多层网络方法来处理不同的药物和靶标相似性，并提出了一种新的优化框架，称为基于多相似性 DeepWalk 的矩阵分解 (MDMF)，用于 DTI 预测。该框架统一了嵌入生成和交互预测，学习药物和靶标的向量表示，不仅可以在所有超层中保持高阶接近度和层特定的局部不变性，还可以近似其内积的相互作用。此外，我们开发了一种集成方法 (MDMF2A)，该方法集成了 MDMF 模型的两个实例，分别优化了精确召回曲线下面积 (AUPR) 和受试者工作特征曲线下面积 (AUC)。对现实世界 DTI 数据集的实证研究表明，我们的方法在四种不同设置中实现了比当前最先进的方法具有统计显著改进。此外，对高排名非相互作用对的验证也证明了 MDMF2A 发现新型 DTI 的潜力。
使用多图正则化核范数最小化预测药物-靶标相互作用
在制药科学中，识别药物和靶标蛋白之间的潜在相互作用至关重要。在基因组药物发现中，相互作用的实验验证费力且昂贵；因此，需要高效、准确的计算机模拟技术来预测潜在的药物-靶标相互作用，以缩小实验验证的搜索空间。在这项工作中，我们提出了一个新框架，即多图正则化核范数最小化，它从三个输入预测药物和靶标蛋白之间的相互作用：已知的药物-靶标相互作用网络、药物之间的相似性以及靶标之间的相似性。所提出的方法侧重于寻找一个低秩相互作用矩阵，该矩阵由图编码的药物和靶标的接近度构成。先前关于药物靶标相互作用 (DTI) 预测的研究表明，结合药物和靶标的相似性有助于通过保留原始数据的局部几何形状更好地学习数据流形。但是，对于哪种相似性以及哪种组合最能帮助完成预测任务，目前还没有明确的共识。因此，我们建议使用各种药物间相似性和靶标间相似性作为多图拉普拉斯（药物/靶标）正则化项，以详尽地捕获近似值。使用标准评估指标（AUPR 和 AUC）对四个基准数据集进行的大量交叉验证实验表明，所提出的算法提高了预测性能，并且大大优于最近最先进的计算方法。软件可在 https://github.com/aanchalMongia/ MGRNNMforDTI 上公开获取。
耳部脑电图传感器验证工具包
摘要：支持 EEG 的耳塞代表着超越传统实验室测试的脑活动监测领域的一个有前途的前沿。它们的离散外形和与大脑的接近度使它们成为第一代离散非侵入式脑机接口 (BCI) 的理想候选。然而，这项新技术需要全面的特性描述，才能被广泛用于消费者和健康相关领域。为了满足这一需求，我们开发了一个验证工具包，旨在促进和扩大对耳-EEG 设备的评估。该工具包的第一个组件是一个桌面应用程序（“EaR-P Lab”），它控制几个 EEG 验证范例。此应用程序使用实验室流层 (LSL) 协议，使其与大多数当前 EEG 系统兼容。该工具包的第二个元素将幻影评估概念的改编引入了耳-EEG 领域。具体而言，它利用测试对象耳朵的 3D 扫描来模拟耳朵周围和内部的典型 EEG 活动，从而可以对不同的耳-EEG 外形和传感器配置进行受控评估。每种 EEG 范例都使用湿电极耳部 EEG 记录进行验证，并与头皮 EEG 测量结果进行对比。耳部 EEG 模型成功获取了硬件特性的性能指标，揭示了基于电极位置的性能差异。此信息用于优化电极参考配置，从而提高了听觉稳态响应 (ASSR) 功率。通过这项工作，我们开发了耳部 EEG 评估工具包，旨在促进对新型耳部 EEG 设备从硬件到神经信号采集的系统评估。
μMAP光焦性标记启用小分子结合位点映射
摘要：配体结合模式的表征是药物发现过程中的关键步骤，在表型筛选引起的运动中尤其重要，在表型筛选中，蛋白质靶标和结合模式一开始就未知。阐明目标结合区域通常是通过X射线晶体学或光亲和力标记（PAL）方法实现的；但是，这些方法带来了重大挑战。X射线晶体学是一种支柱技术，它彻底改变了药物发现，但是在许多情况下，结构表征具有挑战性或不可能。PAL还通过肽和氨基酸级分辨率启用了结合位点映射；但是，化学计量激活模式可能导致居民结合口袋的信号和覆盖率较差。此外，每个PAL探针都可以具有其自身的碎片模式，从而使质谱法分析变得复杂。在这里，我们为蛋白质结合位点的映射建立了强大而一般的光催化方法，我们将其定义为鉴定与配体结合袋的残基。利用催化激活模式，我们在靶蛋白结合位点的接近度中获得了一组标记的氨基酸。我们使用这种方法在体外绘制六个蛋白质靶标的结合位点，包括几种激酶和分子胶靶标，然后研究STAT3抑制剂MM-206的结合位点，这是一种未知晶体结构的配体。最后，我们证明了活细胞中药物结合位点的成功映射。这些结果将μMAP建立为生成氨基酸和肽级目标参与数据的有力方法。
人工智能的治理
OECD 将 AI（人工智能）系统定义为“一种基于机器的系统，它可以通过为给定的一组目标产生输出（预测、建议或决策）来影响环境。它使用机器和/或基于人类的数据和输入来（i）感知真实和/或虚拟环境；（ii）通过自动（例如，使用机器学习）或手动分析将这些感知插入模型；（iii）使用模型推理来制定结果选项。人工智能系统旨在以不同程度的自主性运行”（OECD，2019a）。这一定义将人工智能与最近引起技术进步兴奋的技术类型联系起来：机器学习。机器学习是计算统计学的一个分支，专注于设计算法来根据新数据进行预测，而无需明确编程解决方案。自 2012 年以来，机器学习作为一种预测技术的使用大幅增长。机器学习现在已经很常见：Pandora 学习如何根据用户的喜好做出更好的音乐推荐； Google 学会了如何根据在线翻译的文档将内容自动翻译成不同的语言；Facebook 则学会了如何根据已知用户的数据库识别照片中的人物。一组称为“深度学习”的机器学习算法已被证明对各种预测任务特别有用且具有商业可行性。深度学习算法是一种神经网络，它几乎不需要程序员的指导就能解决大型复杂数据集中的问题。神经网络是一种程序，它使用权重和阈值的组合将一组数据输入转换为输出预测，测量这些预测与现实的“接近度”，然后调整它使用的权重以缩小预测与现实之间的距离。通过这种方式，神经网络可以在输入更多数据时进行学习。它之所以被称为“深度”学习，是因为程序会自动生成多个网络作为数据的抽象层来识别模式。1
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]
计算方法的基准，用于纠正CRISPR-CAS9筛选数据中已建立和未知来源的偏差
抽象背景：CRISPR-CAS9辍学屏幕是用于研究以前所未有的精度和规模研究生物学的强大工具。但是，数据的偏见会导致对解释和损害总体质量的潜在混杂影响。CAS9的活性受到目标位点的结构特征的影响，包括拷贝数放大（CN偏置）。更令人担忧的是，近端靶向基因座倾向于产生与CRISPR-CAS9靶向（接近度偏差）的基因无关的反应，这可能是由于CAS9引起的整个染色体臂截断或其他基因组结构特征和不同的染色质访问性水平。结果：我们对八种计算方法进行了基准测试，严格评估了它们在迄今为止两个最大的公开可用的CRISPR-CAS9屏幕中减少CN和接近性偏置的能力。我们还通过评估处理后的数据允许准确检测真正的阳性基本基因的程度，确定的肿瘤遗传成瘾以及已知的癌症依赖性生物标志物，来评估每种方法保持数据质量和异质性的能力。我们的分析阐明了每种方法在不同情况下纠正偏见的能力。当共同处理具有可用CN信息的模型的多个模型屏幕时，AC-CHRONOS的校正CN和CORXIM偏差的其他方法都超过了其他方法，而CRISPRCHEANR是单个屏幕的最佳性能方法，或者是CN信息的最佳性能。此外，计时和AC-CHRONOS产生的最终数据集能够更好地概括已知的必需基因和非必需基因。结论：总的来说，我们的调查根据其优势，劣势和实验环境，为选择最合适的偏见方法的选择提供了指导。
都柏林港口绿道
都柏林港口托尔卡河口绿道是沿着港口北部北部的专用周期和行人路线，可俯瞰托尔卡河口。Greenway是一种变革性的公共便利设施，可打开都柏林港口。这个2公里的绿道为步行，跑步和骑自行车提供了一个安全而热情的空间，以既可以访问又令人愉悦的方式将人们与以前工业化的区域联系起来。该项目的关键方面是其对可持续性的承诺。。Greenway的混凝土由我们的South Bank Road工厂提供，距离现场仅10-15分钟。这种接近度减少了运输排放，并确保了传递到绿道的混凝土的一致性和质量。使用的混凝土使用混凝土生产，最少30％的胶结含量被GGB代替。我们的电气混凝土卡车也提供了该项目，它在减少基尔萨兰的碳足迹方面发挥了作用。混凝土墙的设计采用板标记的饰面，被选为在裸露的混凝土上创建天然木制质地。使用专门的建筑级混凝土混合物为该元素设计，以确保捕获谷物的复杂细节，同时保持所需的强度和耐用性。对于这种高质量的视觉混凝土，成分的质量和比例至关重要。严格控制骨料分级，颗粒形状，水分含量和清洁度，可以增强混凝土饰面的外观。对输入材料的一致控制（超过传统现成混凝土所需的）对于实现高级混凝土外观至关重要。最终结果是一种质地惊人的表面，可以提高绿道的设计，这表明了混凝土将耐用性和功能与美学吸引力相结合的潜力。