XiaoMi-AI文件搜索系统
World File Search System有所改进
目标活动预测可以改进 CRISPR–...
利用 Cas9 的催化失活突变体（称为 dCas9）阻断细菌基因表达的能力正迅速成为一种标准方法，用于探测基因功能、进行高通量筛选和设计细胞以达到预期目的。然而，我们仍然缺乏对决定 dCas9 靶向活性的设计规则的良好理解。利用高通量筛选数据，我们建立了一个模型，根据靶序列预测 dCas9 阻断 RNA 聚合酶的能力，并在独立生成的数据集上验证其性能。我们进一步为大肠杆菌 MG1655 EcoWG1 设计了一个新型的全基因组向导 RNA 文库，使用我们的模型选择具有高活性的向导，同时避免可能有毒或具有脱靶效应的向导。在富集培养基中生长期间使用 EcoWG1 库进行的筛选比之前发布的筛选有所改进，表明仅使用少量精心设计的指南即可获得非常好的性能。能够设计有效的小型库将有助于使 CRISPRi 筛选更容易执行且更具成本效益。我们的模型和材料可通过 crispr.pasteur.fr 和 Addgene 向社区提供。
动态管理超机动目标的跟踪资源
新一代雷达正面临着越来越危险的目标。这些雷达需要同时执行多项任务，包括监视和跟踪。为此，它们可以配备凝视天线，这样它们就可以克服天线旋转引起的限制。因此，必须升级雷达的跟踪功能，以应对跟踪高机动目标和管理资源以平衡任务间时间的双重问题。在此背景下，本论文研究了跟踪高机动目标的新方法。提出了一种基于固有坐标进行目标跟踪的新目标模型。这种新的目标模型在目标本身的框架中表示，并使用 Frenet-Serret 框架，该框架非常适合描述涉及远大于地球重力的法向加速度的高动态机动。开发了一种使用目标模型的特殊固有公式的滤波算法。这种滤波算法在实现方面与扩展卡尔曼滤波器非常相似，并且是使用真实数据实现的。与标准目标模型和过滤算法的比较表明，在大量轨迹上，该方法比简单模型和算法有所改进。还开发了一种新的估计方法，该方法依赖于平滑方法的最小二乘公式，并考虑了轨迹中的运动跳跃。该方法还显示出改进
推荐引用 推荐引用 Guanah, Jammy Seigha；Agbanu, Venatus Nosike；和 Obi, Ijeoma (2020) “尼日利亚的人工智能与新闻实践：埃多州贝宁城记者的看法”，《国际人文研究评论》：第 5 卷：第 2 期，第 16 篇文章。网址：https://scholarhub.ui.ac.id/irhs/vol5/iss2/16
obiijeoma14@yahoo.com 摘要 人工智能 (AI) 的出现正逐渐影响到社会的方方面面；大众媒体作为任何社会不可或缺的一部分，也未能免受人工智能的影响，因此它们必须与新技术协同才能保持相关性。本研究探讨了人工智能如何影响或已经影响了尼日利亚埃多州贝宁城的新闻实践。本研究以媒体形态理论为基础，采用调查和深入口头访谈作为获取数据的研究方法。尼日利亚记者联盟 (NUJ) 贝宁城分会下属的 254 名注册记者构成了研究对象，使用 Cozby 的估计精度表确定了 152 的样本量。除其他发现外，该研究还显示，贝宁城记者们一致认为，自动化新闻（使用人工智能驱动的媒体应用程序）比目前仍“手动”完成的报道实践有所改进。报告的结论是，自动化是未来的趋势，尼日利亚记者不能在最终走向自动化的世界中被排除在外，因此他们必须做好准备，拥抱人工智能。报告的建议包括，新闻学院应该开设拥抱技术的课程，以有效地为潜在的记者做好准备，让他们为未来在工作中使用人工智能做好准备。关键词：人工智能、新闻、媒体、感知、实践。
探索使用机器学习来改善温度和水分的垂直纤维
摘要：温度和脱离点的垂直释放物可用于预测导致恶劣天气的深对流，从而威胁性质和生命。当前，预报员依赖于辐射发射和Numerical天气预测（NWP）模型的观察结果。辐射观测在时间和空间上是稀疏的，NWP模型包含固有的误差，这些误差影响了高影响事件的短期预测。这项工作使用机器学习（ML）来探索后处理NWP模型的预测，将它们与卫星数据结合起来，以改善温度和脱离点的垂直预算。我们专注于不同的ML体系结构，损耗功能和输入功能，以优化预测。因为我们正在预测大气中256个级别的垂直释放物，因此这项工作为使用ML用于一维任务提供了独特的观点。与快速刷新（RAP）的基线纤维相比，ML预测为露点提供了最大的改进，尤其是在中层和上层大气中。温度改善是模范的，但斗篷值最多提高了40％。特征重要性分析表明，ML模型主要改善了传入的RAP偏见。虽然其他模型和卫星数据对预测有所改进，但体系结构的选择比在调整结果中的特征选择更为重要。我们提出的深层U-NET通过利用输入RAP PROFER的空间上下文来表现最好；但是，在模型架构中，结果非常强大。此外，每个级别的不确定性估计值都经过良好的校准，可以为预测者提供有用的信息。
关于循环和互补折叠共源共栅放大器增强不同参数的调查 Vidyasagar Talwar、Tripti Sharma 和 Saumya Srivas
摘要：如今，放大器是一种功率增益更大的器件。它是现代电子器件的基础，广泛应用于几乎所有电子设备。共源共栅放大器是各种有用电路的关键元件。它具有带宽增加、转换速率高、增益高、输入阻抗适中和输出阻抗较高的优点。循环折叠共源共栅放大器 (RFCA) 的参数比传统折叠放大器 [1] 有所改进。这是通过使用信号路径中空闲设备的先前电路来实现的，从而提高了跨导、增益和转换速率 [1]。共源共栅级由共栅极和共源极端子组成。互补折叠共源共栅放大器 (CFCA) 是镜像配置电路，可节省功率并具有更高的稳定点。转换速率允许最大频率高于范围，从而消除任何潜在错误和不需要的信号。转换速率高于 6.3V/µs 的电路似乎最常用。单位增益带宽可用来放大信号，更宽的带宽可以消除较小的信号。关键词：循环折叠共源共栅 (RFC)、互补折叠共源共栅 (CFC)、折叠共源共栅放大器 (FCA)。
量子电路到 IBM QX 架构的改进映射
摘要 — 得益于研究人员在过去几年取得的快速进展，量子计算机如今已成为现实。在构建量子计算机的过程中，IBM 开发了多个版本 — 从 IBM QX2 和 IBM QX4 等 5 量子比特架构开始，到更大的 16 或 20 量子比特架构。这些架构支持单个量子比特的任意旋转和涉及两个量子比特的受控否定 (CNOT)。这两个量子比特操作带有附加的耦合映射限制，仅允许特定物理量子比特成为操作的控制和目标量子比特。为了在 IBM QX 架构上执行量子电路，CNOT 门必须满足架构的所谓耦合约束。先前的研究解决了这个问题，目的是减少门的数量和电路深度。然而，在这项研究中，我们表明可以进一步改进。为此，我们提出了一种通用方法来进一步提高门操作的数量和映射电路的深度。所提出的方法包括选择物理量子比特、有效确定初始和局部置换，以获得映射到给定 IBM QX 架构的最终电路。通过实验，我们发现在门数和电路深度方面，该方法比现有方法有所改进。
二元椭圆曲线的新型量子密码分析
摘要。本文改进了 Shor 攻击二元椭圆曲线所需的量子电路。我们提出了两种类型的量子点加法，同时考虑了量子比特数和电路深度。总之，我们提出了一种就地点加法，改进了 Banegas 等人在 CHES'21 中的工作，根据变体的不同，将量子比特数 - 深度乘积减少了 73% - 81% 以上。此外，我们通过使用额外的量子比特开发了一种非就地点加法。该方法实现了最低的电路深度，并将量子比特数 - 量子深度乘积提高了 92% 以上（单个步骤）。据我们所知，我们的工作在电路深度和量子比特数 - 深度乘积方面比所有以前的工作（包括 Banegas 等人的 CHES'21 论文、Putranto 等人的 IEEE Access'22 论文以及 Taguchi 和 Takayasu 的 CT-RSA'23 论文）都有所改进。结合实现，我们讨论了二元椭圆曲线密码的后量子安全性。在美国政府的 NIST 提出的 MAXDEPTH 度量下，我们工作中深度最大的量子电路为 2 24 ，明显低于 MAXDEPTH 极限 2 40 。对于门数 - 全深度乘积（一种估计量子攻击成本的度量，由 NIST 提出），我们工作中度为 571 的曲线的最高复杂度为 2 60（在经典安全性方面与 AES-256 相当），明显低于后量子安全 1 级阈值（2 156 量级）。
开展 CHO DG44 全基因组 KO 筛选，揭示基因组学与快速生长表型之间的联系
中国仓鼠卵巢 (CHO) 细胞系广泛应用于生物制药生产。细胞系生成的改进加快了最终生产克隆的速度，但开发新型生物分子、生产力限制和市场需求方面的挑战使得细胞系开发 (CLD) 必须不断改进。虽然细胞生长在 CLD 期间显示出明显的瓶颈，但对 CHO 细胞系生长表型的研究有限。最近的一项研究成功地分离并永生化了一种源自原代肺细胞的新型中国仓鼠细胞系，该细胞系表现出更快的生长速度、稳定的生产力和高水平的生物制药蛋白质生产 1 。值得注意的是，CHL-YN 细胞系的倍增时间缩短至 10.7 小时，而 CHO 细胞系的倍增时间通常为 18.0 至 22.0 小时。在这里，我们旨在进行全面的全基因组敲除 (KO) 筛选，以确定加速 CHO 细胞生长的遗传靶点和途径，揭示与 CHO 细胞生长相关的基本遗传机制。我们建立了一个强大的 CRISPR 能力的 CHO DG44 细胞系，能够在单向导 RNA (sgRNA) 存在的情况下以可预测的方式产生插入/删除 (InDel) 事件。此外，我们测试了使用小型 140 sgRNA 微型文库生成和培养转导文库的方法。我们优化的设置能够实现约 80% 的单拷贝整合，这比最近文献中的过去工作有所改进 2 。此外，我们为影响生长的基因靶标的 CRISPR 核酸酶表达依赖性富集和消耗效率提供了证据。
TJCD-32-258-En.pdf - 土耳其结直肠疾病杂志
亲爱的编辑，我饶有兴趣地阅读了Ng等人的题为“人工智能在结直肠手术患者术前评估中的应用”的研究。1 近年来，基于人工智能在结直肠手术领域的研究数量不断增加。结合术前结肠镜检查、患者的实验室检查结果和腹部影像学检查中发现的息肉的大小、数量、位置，以及人工智能（AI）的效果进行评估。2 利用这些数据，已有研究预测患者术后是否会出现并发症（手术部位感染、吻合口漏等）、局部复发或转移，以及患者的无病生存期。2,3 然而，在肛瘘（AF）手术方面，基于AI的研究非常有限。肛周脓肿是指连接肛周表面和肛管或直肠的病理性上皮通路。4 肛周脓肿通常被认为是肛周脓肿的慢性阶段，是一种可能降低患者生活质量的疾病。5 瘘管切除术、置入引流线或混合引流线、瘘管切开术、使用生物可吸收材料（如肛塞、富血小板血浆或纤维蛋白胶）、皮瓣手术、括约肌间瘘管结扎、视频辅助肛周脓肿治疗和肛周脓肿激光闭合是肛周脓肿治疗中常用的不同方法。6-8 尽管成像和技术方法有所改进，但对于这种可能复发的慢性疾病，尚无明确的治疗方法。先前的研究表明，多个瘘管、瘘管类型（如高位括约肌瘘或马蹄形瘘）、引流不良、挂线应用不正确、
抑郁的人工智能学者的生存策略
一、引言作为在大学从事人工智能 (AI) 研究的人，你与企业 AI 研究巨头（如 Googe DeepMind、OpenAI 和 Meta AI）建立了复杂的关系。每当你看到其中一篇论文，它训练某种巨大的神经网络模型来做一些你甚至不确定神经网络是否可以做的事情，毫无疑问地推动了最先进的技术并重新配置了你对可能性的看法，你就会感到矛盾。一方面：这非常令人印象深刻。你推动人工智能向前发展，真是太好了。另一方面：我们怎么可能跟上？作为一名人工智能学者，领导一个实验室，里面有几名博士生和（如果你幸运的话）一些博士后研究员，也许你的实验室里有几十个图形处理单元 (GPU)，这种研究根本无法进行。需要明确的是，情况并非总是如此。就在十年前，如果你有一台不错的台式电脑和互联网连接，你就拥有了与最优秀的研究人员竞争所需的一切。开创性的论文通常是由一两个人撰写的，他们在常规工作站上运行所有实验。指出这一点对于过去十年内进入研究领域、需要大量计算资源的人来说尤其有用。如果我们从深度学习 [ 9 ] 中学到了一件事，那就是扩展是有效的。从 ImageNet [ 19 ] 竞赛及其各届获奖者到 ChatGPT、Gato [ 17 ] 以及最近的 GPT-4 [ 1 ]，我们已经看到，更多的数据和更多的计算可以产生更好的定量结果，甚至通常是更好的定性结果。（当你读到这篇文章时，那份最近的人工智能里程碑列表可能已经过时了。）当然，学习算法和网络架构也有所改进，但这些改进主要在大规模实验的背景下有用。 （Sutton 谈到了“苦药丸”，指的是当有更多计算可用时，扩展性好的简单方法总能获胜 [ 22 ]。）如今，学术研究人员无法实现这种规模。据我们所知，普通研究人员可用的计算量与保持竞争力所需的计算量之间的差距每年都在扩大。这在很大程度上解释了许多学术界的人工智能研究人员对这些公司的不满。健康