XiaoMi-AI文件搜索系统
World File Search System有情
具有情感的人类机器人共同学习系统 -
摘要。本文介绍了一种新型的人类机器人互动设置，用于机器人和人类对符号语言的学习，以识别机器人体内稳态需求。机器人和人类学会使用并响应分别传达体内稳态需求和满足体内稳态需求的刺激的相同语言符号。我们采用了差异结果培训（DOT）协议，该协议可以针对其内部需求提供特定的反馈（例如“饥饿”）当通过正确的刺激满足时（例如cookie）。我们发现了DOT可以提高人类的学习效率的证据，这反过来又可以更有效的机器人语言获取。研究中使用的机器人的词汇类似于语言“ babling”阶段中人类婴儿的词汇。机器人软件体系结构建立在一种模型上，用于情感的语言获取，该机器人通过与人的互动将词汇与内部需求（饥饿，口渴，好奇心）相关联。本文介绍了使用交互式设置进行的初步试点研究的结果，该研究表明，与非点控制条件相比，机器人的语言采集在DOT条件下达到了更高的收敛率。此外，参与者报告了积极的情感经验，控制的感觉以及与机器人之间的联系。这种相互学习（教师学习）方法提供了促进与DOT的认知干预措施的潜在贡献（例如对于患有痴呆症患者）通过增加治疗依从性，这是由于人类通过扮演积极的教学角色而更多地从事培训任务。机器人语言获取的稳态动机基础有潜力有助于与机器人更加生态有效和社会（社交/培养）互动。
高风险儿童恶性肿瘤的节拍式维护：没有适合所有情况的统一方法
HAL 是一个多学科开放存取档案库，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
在现有情况下推进施工
3D打印应用程序的移动机器人可以从工厂地板过渡到建筑工地。它们的显着灵活性和适应性支持了各种基于沉积的3D打印技术，这些技术利用从混凝土和地球进行挤出，喷涂或喷射的材料到金属，用于诸如电线弧添加剂制造之类的工艺。不仅限于新结构，因此它们的流动性可以利用纠正式建筑物维护，恢复，振兴和维修。他们彼此合作的能力允许在多机器人设置中部署，从而以速度的数字提供可扩展性。尽管具有有希望的潜力，但移动3D打印机器人也遇到了许多技术挑战。这些包括确保印刷结构的机械性能符合所需的建筑法规，设计强大的ME Chanical Systems用于大规模建筑项目，并将这些系统与现有的建筑规划工具无缝集成。此外，通过高级感应和控制技术增强这些机器人的精度和鲁棒性对于它们在建造制造中的有效应用至关重要。在本文中，我们详细介绍了当前的研究轨迹，并深入了解与现有环境中现场构造相关的当前挑战，开放问题和关键前景。为了丰富讨论，提供了对潜在的建筑应用程序方案的见解，以振兴，修复和加强建筑结构。这些挑战的复杂，跨学科的性质强调了对移动3D打印技术领域进行协作方法的需求。
有情绪障碍的个体的外侧心室的大小和不对称性之间的关系
情绪障碍，例如抑郁症（DD）和双相情感障碍（BD）疾病会影响全球数百万人（Dilsaver，2011; Greenberg et al。，2021; Kieling等，2024）。了解这些疾病的神经生物学相关性可能有助于改善临床结果。在情绪障碍个体中受影响的结构之一是侧心脑室（Abé等，2023; Gray等，2020; Hibar等，2016，2018; Ho等，2022; Okada等，2023; Schmaal等，2016）。外侧心室是大型C形结构，可将其投射到额叶，颞叶和枕叶，并负责脑脊液（CSF）生产（Scelsi等，2020）。心室的大小与脉络丛的大小正相关（Murck等，2024），该大小可产生CSF，并通过控制CSF和CSF之间的分子交换来维持CNS稳态的维持（Thompson等人（Thompson等）（Thompson等，20222年）。
所有情况的Lejeune水诉讼
4参见，例如，168 cong。rec。H1192（每日编辑3月1，2022）（众议员价格声明）（指出“勒吉恩司法法案法案将通过为受影响的退伍军人及其家人提供法律途径来追求公平赔偿的法律途径，以纠正北卡罗来纳州法律的异常现象”）； 168 Cong。rec。H1190（每日编辑3月1，2022）（众议员罗斯的声明）（“多年来，北卡罗来纳州的法律阻止了这些人在法庭上寻求救济。《 Lejeune Camp司法法》的权利这是错误的，为受影响的退伍军人带来了长期的司法。”）; 168 Cong。rec。e215（每日编辑3月3，2022）（众议员Eshoo）（“由于北卡罗来纳州法律的异常情况，hey hey被拒绝了赔偿。我一直在倡导补救这种不公正现象，我很高兴我们的协定法案是通过在Lejeune营地建立与受污染的水有关的联邦诉讼因由。e，新闻稿：参议院通过了两党法案，以帮助接触有毒物质的退伍军人，包括罗斯支持的Lejeune Camp Lejeune司法法案（Jun。16，2022），可从https://perma.cc/l768-pvg（众议员Deborah Ross的新闻稿）获得（“该立法包括《 Lejeune Camp司法法案》，国会妇女的两党立法，由国会女人支持的Deborah Ross（NC-02）提供了越野越野赛车的境地，以供应了越野林的薪酬。卡罗来纳州…北卡罗来纳州的法律阻止了他们在法庭上寻求救济尊敬我们的条约行为纠正了这种不公正。”）; ex。f，新闻稿：Lejeune司法法案前往总统办公桌（2022年8月3日），可在https://perma.cc/qdz/qdz/qdz/qdz9-z6dv（众议员Murphy的新闻稿中）（我们的双党法案）仆人和承包商可以在法庭上收到他们的一天。”）。
PARP抑制剂和卵巢癌的总生存期，在所有情况下都建议重新评估
卵巢癌中的抽象PARP抑制剂一直是过去十年的突破性疗法，受到积极试验结果的驱动，并得到了原始药理原理的支持。然而，有了成熟的数据，有害的生存结果导致2022年在美国食品和药物管理局（FDA）中最先进的环境指示中所有认可的PARP抑制剂（作为第三或后续行中的单一疗法）中的所有批准的PARP抑制剂。还限制了另外两个迹象，作为复发后的维护。在这项工作中，基于每种环境中汇总的荟萃分析，我们质疑Oncol-Ogy的独特情况：在前线环境中可以看到生存益处，同时，以后线的生存下降。这一原始特征是由PARP抑制剂的独特生物学作用（通过合成致死性）在卵巢癌和同源修复缺乏的患者中解释的。另一种解释可能是试验设计：以后的线减少可以部分解释为什么在早期环境中看到有益的结果，只是避免了这些试验中实验组中PARP抑制剂的晚期暴露。在某些试验中看到的高跨界率进一步支持了这一替代假设。 我们认为，我们的分析和最新的PARP抑制剂生存结果值得重新评估这些化合物在卵巢癌治疗景观中的位置。在某些试验中看到的高跨界率进一步支持了这一替代假设。我们认为，我们的分析和最新的PARP抑制剂生存结果值得重新评估这些化合物在卵巢癌治疗景观中的位置。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
