XiaoMi-AI文件搜索系统
World File Search System深层
Ryan AS 等。黑曲霉通过深层和固态发酵生产柠檬酸：概述。Int J Biochem Physiol 2024, 9(1): 000242。
目前，柠檬酸是通过微生物发酵生产的，使用各种微生物，有三种不同的技术，即深层发酵 (SmF)、固态发酵 (SSF) 和液体表面发酵 (LSF)。目前，柠檬酸的大部分商业化生产是通过深层发酵，使用 A. niger 作为糖工业副产品的底物。然而，最近，固态发酵的开发已显示出一些前景，有望成为柠檬酸商业化生产深层发酵的替代品。为了找到一种比现有发酵技术更有效、更省油、更省力、更经济的柠檬酸生产替代发酵技术，本综述对固态发酵和深层发酵进行了比较。
学习微生物组的深层语言模型
图1。使用变压器模型生成样品嵌入/分类和上下文敏感分类单元嵌入的工作流程。输入（a）是表示为相对丰度向量的样本，首先要经过预处理步骤（b），以生成变压器模型（d）的文本样输入（c）。变压器模型生成样品嵌入（H Cls），该样本嵌入（H Cls）通过样本分类层（E）产生特定任务样本级别预测（F）。变压器模型还为样本中每个分类单元生成上下文敏感嵌入（G）。出现在不同样本中的相同分类单元可能会因上下文差异而具有不同的嵌入。
虚拟同步发电机中的深层和强化学习：全面的评论
摘要：虚拟同步发电机（VSG）是现代电力系统中的重要概念和主要控制方法。基于功率电力的分布发电机在电网中的渗透提供了不确定性并减少了系统的惯性，从而增加了发生干扰时不稳定的风险。VSG通过引入同步发电机的动态特性来产生虚拟惯性，该发电机提供惯性并成为一种网格形成控制方法。VSG的缺点是要调整许多参数，并且其操作过程很复杂。然而，随着人工智能（AI）技术的快速发展，AI算法的强大适应性学习能力为该问题提供了潜在的解决方案。两个研究热点是深度学习（DL）和增强学习（RL）。本文对这两种技术以及Energy Internet（EI）中的VSG控制进行了全面综述。首先，引入了VSG的基本原理和分类。接下来，简要审查了DL和RL算法的开发。然后，总结了基于DL和RL算法的VSG控制的最新研究。最后，讨论了一些主要的挑战和研究趋势。
离线政策学习的深层生成模型
深层生成模型（DGM）在各个领域都表现出了巨大的成功，尤其是在使用离线数据训练的模型生成文本，图像和视频方面。同样，数据驱动的决策和机器人控制也需要从离线数据中学习发电的功能，以作为策略或政策。在这种情况下，在离线政策学习中应用深层生成模型具有巨大的潜力，并且在这个方向上进行了许多研究。但是，该领域仍然缺乏全面的审查，因此不同分支机构的发展相对独立。在本文中，我们提供了有关深层生成模型用于离线政策学习的应用的首次系统审查。，我们涵盖了五个主流深层生成模型，包括变量自动编码器，生成的对抗网络，正常的流量，变压器和扩散模型，以及它们在离线增强学习（离线RL）和模仿学习（IL）中的应用。离线RL和IL是离线政策学习的两个主要分支，是依次决策的广泛方法。值得注意的是，对于每种基于DGM的离线政策学习，我们根据DGM的使用来提炼其基本方案，CateGo-size相关工作，并在该领域中整理算法的开发过程。在主要内容之后，我们提供了有关深层生成模型和离线政策学习的深入讨论，作为摘要，我们介绍了我们对未来研究方向的观点。1这项工作为离线政策学习深度生成模型的研究进度提供了动手参考，并旨在激发改进基于DGM的离线RL或IL算法的改进。为方便起见，我们在https://github.com/lucascjysdl/dgms-forline-policy-learning上维护纸张列表。
深层供应链融资：解锁电势
冠状病毒疾病大流行暴露了跨越边界和行业的供应链的脆弱性和效率低下。最近的宏观经济发展和地缘政治紧张局势加剧了这些脆弱性，增加了全球供应链的复杂性和脆弱性。此外，环境影响，经济利益的不平等分配，人口贩运和剥削以及人类奴隶制和童工在供应链中的存在已被关注。在这个不断发展的环境中，在社会中经常被忽视和脆弱的创新金融解决方案对于提高整体供应链弹性至关重要。This includes an ability to respond effectively to unexpected developments and crises.供应连锁店不仅仅是直接供应商；在更深层次的供应链中运营的供应商对于
单细胞基因组中样品级异质性的深层生成模型
单细胞基因组学领域现在正在观察到包括数百个样本和具有复杂设计的队列研究的流行率显着增加。这些数据具有发现样品或组织级表型与细胞和分子组成如何相关的巨大潜力。但是，当前的分析是基于这些数据的简化表示，通过平均跨单元的信息。我们提出了MRVI，这是一种旨在在单细胞水平上实现队列研究的潜力的深层生成模型。MRVI解决了两个基本和相互交织的问题：将样品分为组并评估组之间的细胞和分子差异，既不需要将细胞先验分组为类型或状态。由于其单细胞的透视图，MRVI能够检测出仅在某些细胞子集中表现出的Covid-19和炎症性肠病（IBD）同类中的患者的临床相关分层，从而实现了否则会被忽视的新发现。同样，我们证明了MRVI可以识别具有相似生化特性的小分子组，并评估它们在大规模扰动研究中对细胞组成和基因表达的影响。MRVI可在scvi-tools.org上作为开源。
蛋白质结构的深层生成模型发现了跨连续折叠空间的远距离关系
我们对折叠空间的看法隐含地基于许多影响我们分析，解释和理解生物系统的假设 - 从蛋白质结构比较和分类到功能预测和进化分析。例如，是否有最佳的粒度来查看蛋白质结构相似性（例如建筑，拓扑或其他层面）？如果是这样，它的问题类型有何不同？同样，折叠空间的离散/连续二分法在结构生物信息学中至关重要，但仍未解决。折叠空间bin“类似”折叠的离散视图分为不同的非重叠组；不幸的是，这样的融合本固有地错过了许多遥远的关系。虽然诸如CATH，SCOP和ECOD之类的层次系统代表了蛋白质分类的主要步骤，但在蛋白质分类中，一种可扩展，客观和概念灵活的方法，较少对假设和启发式方法的依赖较少，但可以实现对折叠空间的更加系统和细微的探索，尤其是在进化中涉及进化的关系。以蛋白质结构的最新“乌尔堡”模型为基础，我们开发了一种新的方法来消除蛋白质相互关系。该框架称为“ Deepurfold”，植根于通过变分贝叶斯推断的深层生成建模，我们发现它对于跨蛋白质宇宙的比较分析很有用。批判性的深层利用其深层生成模型的学习嵌入，该模型占据了高维的潜在空间，并且可以根据给定的蛋白质进行蒸馏，以合并的表示，该表示的融合，结合序列，结构，生物物理和系统源。值得注意的是，deepurfold是结构指导的，
深层强化学习改变巷的决策算法，用于结合LSTM轨迹预测的智能车辆
摘要：在车辆中改变自动驾驶汽车的明智决定一直是该行业研究的焦点。依赖于预定义规则的传统巷道算法不适合现实道路条件的复杂性和变化。在这项研究中，我们提出了一种利用深层确定性策略梯度（DDPG）强化学习的算法，该算法与长期短期记忆（LSTM）轨迹预测模型集成在一起，称为LSTM-DDPG。在提出的LSTM-DDPG模型中，LSTM状态模块将观测值从观察模块转换为状态表示，然后作为DDPG Actor网络的直接输入。同时，LSTM预测模块通过完全连接的层将附近车辆的历史轨迹坐标转化为单词装饰向量，从而为周围车辆提供了预测的轨迹信息。这种综合的LSTM方法考虑了附近车辆对主体车辆改变车道决定的潜在影响。此外，我们的研究强调了改变车道的过程的安全性，效率和舒适性。因此，我们为LSTM-DDPG算法设计了奖励和惩罚功能，并确定了最佳网络结构参数。然后在使用MATLAB/SIMULINK构建的模拟平台上测试该算法。我们的发现表明，LSTM-DDPG模型提供了涉及车辆相互作用的交通情况的更现实表示。这项研究为自动驾驶汽车的先进车道决定提供了新的想法。与传统的DDPG算法相比，LSTM-DDPG在归一化后平均单步奖励增长了7.4％，强调了其在更换车道改变车道的安全性和效率方面的出色性能。