XiaoMi-AI文件搜索系统
World File Search System收敛的
3D印刷材料的各向异性弹性塑料相位场断裂建模
提出了通过3D打印过程获得的各向异性，弹性碎裂模型的相位场模型。开发了各向异性相位的延伸到弹性性模型。该模型能够描述从准脆性到弹性塑料断裂行为的过渡，具体取决于微观结构在外部载荷方面的层角度。这种特征特别是描述分层印刷材料中各向异性断裂行为。本模型引入了两个相字段变量，一个散装断裂损伤和一个微界面损伤变量，描述了两种不同的微损伤机制。最后，我们提出了一种原始方法，以使用代表性体积元素上的数值均质化来识别宏观应变密度作为微界面损伤变量的函数。数值研究表明，目前的模型相对于网状修复是收敛的，并允许描述分层弹性塑料结构中的复杂裂纹启动和传播。提供了实验比较，以验证将这种模型用于3D打印聚合物材料的使用。
低频漂移波在磁性喷嘴中驱动非经典运输中的作用
在磁性喷嘴中研究了不稳定模式的存在。静电探针用于表征稳态的特性，探针对有偏见，用于在三个维度上测量波传播。在低流量和高流量条件下重复该实验。在这两种情况下都观察到了不一致的模式，并确定了较低的杂化漂移不稳定性的描述。在下游形成푚= 1模式的低流案例中也观察到低频模式。理论上，这波可能是抗漂移不稳定。异常碰撞频率是为每个波的定义的，并在电子横侧传输和推进器性能的背景下进行了讨论。发现不一致的模式在两种工作条件下在不同的电子种群中都具有很强的效果，但是在低流量的情况下，几个数量级强。低频模式的影响似乎显着少于抗漂移不稳定性理论下的不连贯模式。但是，观察到在上游区域中与不一致的模式相反，这意味着它可能诱导收敛的电子传输。讨论了这两种模式对结论和推力产生的含义。
用于脑机接口的人工神经网络始终能够产生比线性方法更自然的手指运动
脑机接口 (BMI) 旨在通过将神经信号“解码”为行为来恢复脊髓损伤患者的功能。最近，非线性 BMI 解码器的表现优于之前最先进的线性解码器，但很少有研究调查这些非线性方法提供了哪些具体改进。在本研究中，我们比较了时间卷积前馈神经网络 (tcFNN) 和线性方法在开环和闭环设置中如何预测个体手指运动。我们表明，非线性解码器可以生成更自然的运动，产生的速度分布比线性解码器更接近真正的手部控制 85.3%。针对神经网络可能得出不一致解决方案的担忧，我们发现正则化技术将 tcFNN 收敛的一致性提高了 194.6%，同时提高了平均性能和训练速度。最后，我们表明 28 tcFNN 可以利用来自多个任务变体的训练数据来提高泛化能力。这项研究的结果表明，非线性方法可以产生更自然的运动，并显示出在约束较少的任务上进行泛化的潜力。31
通过动态精度管理将精益数据和数字清醒融入数字孪生
第四次工业革命的到来带来了新技术的出现，每一项技术都具有颠覆性和创新性，例如数字孪生 (DT)，它通常被认为是智能工厂的支柱。DT 的概念最初是在 2003 年 Michael Grieves 在产品生命周期管理 (PLM) [1] 高管培训中提出的。尽管文献中有 50 多个不同的定义 (Julien & Martin, 2021)，但新 ISO 标准 23247 [2] 提供的定义似乎是最全面、最准确的制造应用定义，“可观察制造元素的适合用途的数字表示，并具有使元素与其数字表示以适当的同步速率收敛的方法”。数字孪生在某种意义上被认为是工业 4.0 的先锋，因为它在实施的工具、技术和技能方面是横向的（人工智能、物联网、数据，以及电子工程师、自动化工程师、数据科学家、心理工效学家等），而且在处理的问题方面也是横向的（维护、控制、产品质量管理、供应链管理、预测和故障检测等）。在本文中，我们重点介绍这项技术及其方法。
调查教师候选人对包容性
摘要：本研究旨在研究教师候选人对包容性教育的认识。使用收敛的平行混合模式进行了此混合方法研究。该研究的定量部分样本包括由标准抽样确定的教育学院中的708名教师候选人。该研究的定性部分的研究小组是从这些参与者中选出的14名教师候选人（职前教师）。研究数据是针对包容性教育和访谈表的意识量表收集的，以评估包容性教育课程。通过描述性和推论统计数据分析了量表数据，并通过内容分析分析了半结构化访谈数据。结果表明，教师候选人的包容性教育的认识处于温和的水平。此外，接受全包教育培训的参与者的意识水平高于没有的参与者，与男性参与者相比，女性参与者的意识更高。访谈结果表明，对全包教育的培训增加了教师候选人对历史的认识，目标，其所包含的学生及其应用。根据研究的结果，建议在服务之前和期间扩大给教师提供的包容性教育。
植物学中的系统发育研究和追踪
系统发育研究是理解植物物种的进化关系和历史轨迹的基石，阐明了生物多样性，生态适应和遗传遗产。这项研究通过结合形态学，分子和生物信息学方法的综合方法来研究植物分类群的进化历史。通过采用先进的系统发育重建技术，包括最大似然和贝叶斯推断，并利用全面的基因组数据集，这项研究发现了谱系差异和对地质时间尺度的物种形成事件。特别重点是确定保守和适应性特征的进化意义，从而阐明了推动植物多样化的遗传和环境因素。该研究还研究了水平基因转移，杂交和多倍体在塑造植物进化模式中的作用。通过映射关键遗传标记的分布，这项工作提供了有关历史气候变化，栖息地分裂和种间相互作用如何影响植物进化和适应性策略的见解。结果揭示了各种系统发育分支之间遗传差异和收敛的明确模式，突出了
CGAS-sting/PERK-EIF2α
在过去的几十年中，一种规范的途径，称为循环GMP-AMP（CGAMP）合酶（CGAS） - 干扰素基因（STING）介导的I型干扰素（IFN）通过储罐结合激酶1（TBK1） / IFN调节因子3（IRF3（IRF3）释放的刺激剂（IFN）释放已被调查。出乎意料的是，最近的研究表明，CGAS-丁基丁基激活蛋白激酶RNA样ER激酶（PERK） - 核核酸盐起始因子2α（EIF2α），即即使在TBK1/IRF3信号激活之前，即使是在未折叠的蛋白质反应（UPR）的基本分支。此外，我们发现，除了由上游CGAS刺调节之外，PERK还可以调节刺激信号传导。然而，早期的证据仅着眼于刺痛和振作的单向调节，缺乏其功能性串扰。因此，我们假设CGAS-sting和PERK-EIF2α途径之间存在复杂的关系，并且通过收敛的下游信号传导，它们可能通过CGAS-Sting/PERK-EIF2α信号轴合作地为心血管疾病（CVD）的病理生理做出贡献。这项研究为CVD的发展提供了一种新的途径，并为CVD的潜在治疗靶标提供了基础。
锂离子电池电化学模型的数值离散方法的比较性能分析
这项研究评估了锂离子蝙蝠模型的数值离散方法，包括有限差异方法（FDM），光谱方法，PAD“近似和抛物线近似值。评估标准是准确性，执行时间和内存使用量，以指导用于电化学模型的Numerical离散方法的选择。在恒定的电流条件下，FDM显式Euler和runge-kutta方法显示出明显的错误。FDM隐式Euler方法通过更多的节点提高了准确性。光谱法实现了5个节点的最佳准确性和转化。FDM隐式Euler和光谱方法都显示出较高的电流的误差减少。pad´e近似具有较大的误差，随着较高的电流而增加，而抛物线方法的误差高于收敛的光谱和FDM隐式Euler方法。执行时间比较显示抛物线方法是最快的，其次是PAD´E近似。频谱方法的表现优于FDM方法，而FDM隐式Euler是最慢的。记忆使用量对于抛物线和PAD´E方法是最小的，对于FDM方法中等，对于光谱方法而言最高。这些发现提供了在锂离子电池模型中选择适当的数值离散方法的见解。
研究贡献摘要：专利：
SN 年份 详情 1. 2024 Imtiyaz Ahmad、Vibhav Prakash Singh、Manoj Madhava Gore，“使用基于离散小波的中心对称局部二值模式和统计特征检测糖尿病视网膜病变”，医学影像信息学杂志，第 1-28 页，2024 年 9 月，(SCIE-2.6)，https://doi.org/10.1007/s10278-024-01243-2 2. 2024 Sumit Kumar、A Goswami、Vibhav Prakash Singh、Ruchir Gupta，“一种用于边缘计算资源分配的博弈论方法更快收敛的技术”，IEEE 服务计算学报，2024 年 10 月，第 1-11 页，(SCI-5.5) https://doi.org/10.1109/TSC.2024.3470313 3. 2024 Ankur Prakash 和 Vibhav Prakash Singh，“使用纹理和形状特征进行基于内容的肺气肿 CT 图像检索”，SN Computer Science，Springer，第 5(7) 卷，第 950 页，2024 年 10 月，（Scopus Indexed），https://doi.org/10.1007/s42979-024-03313-2 3. 2024 Ashima Tyagi、Vibhav Prakash Singh、Manoj Madhava Gore，“使用 MFC 的选定统计矩从 EEG 信号中检测精神分裂症
利用深层神经网络解决量子动力学中的反问题：机器学习的预测时间依赖于时间的最佳控制场
这些光学驱动的系统具有巨大的增长潜力，因为我们了解如何控制控制这些系统的激发态量子动力学过程。尽管已经提出了几种方法和算法，以优化量子控制场（每种都有其自己的目的和优势14-17），但所有这些先前的方法本质上都是迭代性的，需要复杂的数值方法来求解这些最佳控制场。由于这些动态优化问题的非线性性质，这些算法所需的迭代和浮点操作的数量可能非常大，从而导致非常缓慢的收敛性（即使对于相对简单的一维问题16,18）。此外，当需要新的量子机械系统的最佳控制场时，必须重新启动整个迭代过程，因为该算法没有先前收敛的病例的先前的“内存”。由于这些计算瓶颈，我们想知道机器学习，尤其是深层神经网络（DNNS）是否可以提供一种有前途的方法来获得解决量子动力学中这种复杂的，逆问题的解决方案。近年来，机器学习已成为物理科学中的强大工具，用于在高维数据中找到模式（尤其是那些逃避人类直觉的模式）。虽然大多数机器学习