XiaoMi-AI文件搜索系统
World File Search System无需
通过不完善的智能反射表面实现无需信道状态信息的大规模无线能量传输
摘要 — 智能反射面 (IRS) 利用低成本、无源反射元件来增强无源波束增益、提高无线能量传输 (WET) 效率，并使其能够部署到众多物联网 (IoT) 设备中。然而，IRS 元件数量的增加带来了相当大的信道估计挑战。这是由于 IRS 中缺少有源射频 (RF) 链，而导频开销变得难以忍受。为了解决这个问题，我们提出了一种无信道状态信息 (CSI) 的方案，该方案最大化特定方向的接收能量并通过相位波束旋转覆盖整个空间。此外，我们考虑了不完善的 IRS 的影响，并精心设计了有源预编码器和 IRS 反射相移以减轻其影响。我们提出的技术不会改变现有的 IRS 硬件架构，允许在当前系统中轻松实现，并且无需额外成本即可访问或移除任何能量接收器 (ER)。数值结果证明了我们的无 CSI 方案在促进大规模 IRS 方面非常有效，并且不会因过多的导频开销而影响性能。此外，在涉及大规模 ER 的场景中，我们的方案优于基于 CSI 的方案，使其成为物联网时代的一种有前途的解决方案。
SOL：无需更改源代码即可轻松实现对 AI 框架的设备支持
摘要 — 现代高性能计算集群严重依赖加速器来克服 CPU 有限的计算能力。这些超级计算机运行来自不同领域的各种应用程序，例如模拟、数值应用程序或人工智能 (AI)。因此，供应商需要能够在其硬件上高效地运行各种各样的工作负载。在 AI 领域，这种情况尤其加剧，因为存在许多流行的框架（例如 PyTorch、TensorFlow 等），这些框架没有通用的代码库，并且功能可能有所不同。这些框架的代码发展迅速，因此跟上所有变化的成本很高，并且可能迫使开发人员不断进行上游更新。在本文中，我们探讨了如何在不更改框架源代码的情况下在 AI 框架中提供硬件支持，以最大限度地减少维护开销。我们介绍了 SOL，这是一种 AI 加速中间件，它提供了一个硬件抽象层，使我们能够透明地支持异构硬件。作为概念验证，我们为 PyTorch 实现了 SOL，它有三个后端：CPU、GPU 和矢量处理器。索引术语 — 人工智能、中间件、高性能计算
三唑187是一种有偏见的kor激动剂，可以抑制瘙痒而无需镇静和
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2025年2月23日发布。 https://doi.org/10.1101/2025.02.17.638680 doi：biorxiv preprint
富满微电子集团股份有限公司
FM8502 是一款工作在电感电流临界模式的高精度降压型 LED 恒流驱动芯片，芯片内部集成 500V 功率开关且 具有 OVP 电压调节功能，可通过调节外置 OVP 电阻阻值来设置 Vovp 电压值，另外，芯片 ROVP 引脚带 Enable 功能，可兼容开关调色应用。 FM8502 内置了高精度的采样、补偿电路和高压 JFET 供电技术，无需启动电阻和 VCC 电容，使得系统外围十分简单，在实现高精度恒流控制的前提下，最大限度的节约了系统成本和体积，可 广泛应用于 LED 球泡灯、 LED 蜡烛灯、 LED 日光灯管及其它非隔离降压型 LED 照明驱动领域。
开发和验证风险评分，预测成人心脏移植候选者而无需移植的死亡
结果总共列出了16个905个成人心脏移植候选者（平均[SD]年龄，53 [13]年；男性73％；白色58％）； 796例患者（4.7％）没有移植。最终的US-CRS包含时间变化的短期MC（心室辅助 - 肢体膜氧合或临时手术VAD），胆红素的对数，估计肾小球过滤率，B型Natriuretic Peptide肽，白蛋白，蛋白质，sodium，sodable左右辅助设备的B型NATRATION滤过率。在测试数据集中，AUC在US-CRS模型上市后6周内的AUC死亡为0.79（95％CI，0.75-0.83），用于法语-CRS模型为0.72（95％CI，0.67-0.76），而6 status模型为0.68（95％CI，0.68 CI，0.662，0.622-0.73）。US-CRS模型的总体C-指数为0.76（95％CI，0.73-0.80），法语CRS模型为0.69（95％CI，0.65-0.73），6-STATUS模型为0.67（95％CI，0.63-0.71）。将IABP和经皮VAD分类为短期MC，将效应大小降低了54％。
糖尿病性视网膜病的特征分割，而无需使用计算机视觉模型yolov8和yolov9
摘要：计算机视觉是医学图像分析中的强大工具，支持对眼部疾病的早期检测和分类。糖尿病性视网膜病（DR）是继发于糖尿病的严重眼科疾病，伴随着危险性疾病的几个早期迹象，例如微型神经疗法（MAS），出血（Hemos）和渗出液（EXS），这些症状已被广泛研究并靶向由计算机视觉模型检测的对象。在这项工作中，我们测试了最先进的Yolov8和Yolov9 Architectures DR Feldus功能分割的表演，而无需编码经验或编程背景。我们从公共Messidor数据库中获取了一百个DR图像，并手动标记并准备了它们以进行像素分割，并测试了不同模型变体的检测能力。我们通过数据增强增加了训练样本的多样性，包括平铺，翻转和旋转眼底图像。在检测诸如MA，Hemo和ex之类的DR病变时，提出的方法达到了可接受的平均平均精度（MAP），以及眼睛后极的标志，例如视盘。我们将我们的结果与涉及不同神经网络的文献中的相关作品进行了比较。我们的结果是有希望的，但尚未准备好进入临床实践。必须进行准确的病变检测，以确保早期和正确的诊断。未来的工作将进一步研究病变检测，尤其是MA分割，并通过改进的提取技术，图像预处理和标准化数据集进行研究。
AFN国家气候战略的课程 pct已公布申请突破500 关于知识产权的WIPO对话（... comitéin Intergourental de la lapropriété知识中的相对辅助aux ressourcesgénétiques，aux savoirs travelynels et au folklore
在您所描述的情形中，财务困难无疑使您的客户处于一个艰难的境地。但是，受理局不会考虑导 致财务困难的原因，而只会研究直接导致错过优先权期限的原因。如果申请人故意选择不在优先 权期限内提交申请，他 / 她将无法证明错过截止日期是非故意的，因此无法满足细则 26 之 二 .3(a)(ii) 所指的非故意的标准。由于不符合非故意的标准， 因此也无法满足细则 26 之 二 .3(a)(i) 中更严格的 “ 适当注意 ” 的标准。对于任何临时的财务困难，请您注意，缴纳所有费 用并非获得国际申请日的必要条件，费用可以在受理局收到国际申请之日起一个月内缴纳，无需 支付任何附加费（ PCT 细则 14.1(c) 、 15.3 和 16.1(f) ）。
无需核酸酶的基因组编辑赋予编辑肝细胞增殖优势并纠正威尔逊病
简介 威尔逊病 (WD) 是一种罕见的常染色体隐性铜代谢障碍，由 ATP7B 基因的致病变异引起，该基因编码 P 型铜转运 ATPase，主要在肝细胞中表达。ATP7B 在铜代谢中起着关键作用，为铜蛋白合成提供铜，并将过量的铜释放到胆汁中。ATP7B 功能丧失会导致肝脏中出现有毒的铜沉积，在较小程度上还会在脑、眼和肾脏中出现，从而导致慢性肝炎和肝硬化直至肝功能衰竭，以及精神和神经功能障碍。目前对 WD 的治疗方法是通过螯合剂去除铜沉积物和通过锌盐减少肠道对铜的吸收 (1)。这种疗法并非对所有 WD 患者都有效，对治疗无反应的患者通常需要肝移植 (2)。此外，治疗依从性往往是一个问题，尤其是在青少年中 (3, 4)。腺相关病毒 (AAV) 载体被认为是肝脏定向基因治疗的首选载体，并正在迅速进入临床 (5)。使用 AAV 载体的经典基因置换方法已在成年 Atp7b –/– 小鼠中实现了疾病纠正 (6)。然而，WD 可能在年轻个体中表现出来，在生长的肝脏中早期施用游离型 AAV 载体可能会导致由于肝细胞增殖而逐渐丧失转基因表达。此外，大多数 WD 患者在诊断时已经出现肝损伤 (7)，再生反应可能会进一步促进转基因稀释。相反，基因组编辑会导致永久性的基因组 DNA 修饰，如果发生增殖，子细胞会继承这些修饰，从而避免转基因稀释。AAV 介导的白蛋白 (Alb) 基因座内无启动子转基因的靶向整合已被开发为一种安全有效的肝脏定向基因组编辑方法 (8)。该策略利用
视频 + AI 解决方案可自动捕获外周水肿数据，无需患者遵守
简介：慢性心力衰竭导致许多患者住院，尤其是那些年老且不遵守治疗 1 的患者。这种住院通常可以通过前几周体重增加 2 和外周水肿增加来预测。对于不遵守每日体重记录的患者，我们假设从零依从性全自动远程监控解决方案中收集可靠的数据以评估外周水肿将减少住院并改善护理。
无需用户特定训练即可为 SSVEP BCI 拼写者迁移学习一组 DNN
摘要 — 目标：用脑电图 (EEG) 测量的稳态视觉诱发电位 (SSVEP) 在脑机接口 (BCI) 拼写器中产生不错的信息传输速率 (ITR)。然而，目前文献中高性能的 SSVEP BCI 拼写器需要对每个新用户进行初始冗长而累人的用户特定训练以适应系统，包括使用 EEG 实验收集数据、算法训练和校准（所有这些都在实际使用系统之前）。这阻碍了 BCI 的广泛使用。为了确保实用性，我们提出了一种基于深度神经网络 (DNN) 集合的全新目标识别方法，该方法不需要任何类型的用户特定训练。方法：我们利用先前进行的 EEG 实验的参与者的现有文献数据集，首先训练一个全局目标识别器 DNN，然后针对每个参与者进行微调。我们将这组经过微调的 DNN 集合转移到新的用户实例，根据参与者与新用户的统计相似性确定 k 个最具代表性的 DNN，并通过集合预测的加权组合来预测目标字符。结果：在两个大规模基准和 BETA 数据集上，我们的方法实现了令人印象深刻的 155.51 比特/分钟和 114.64 比特/分钟 ITR。代码可用于重现性：https://github.com/osmanberke/Ensemble-of-DNNs 结论：在两个数据集上，对于所有刺激持续时间在 [0.2-1.0] 秒内的情况，所提出的方法都明显优于所有最先进的替代方案。意义：我们的 Ensemble-DNN 方法有可能促进 BCI 拼写器在日常生活中的实际广泛部署，因为我们提供最高性能，同时允许立即使用系统而无需任何用户特定的训练。索引词 — 脑机接口、BCI、EEG、SSVEP、集成、深度学习、迁移学习