XiaoMi-AI文件搜索系统
World File Search System细化
验证先进的 APOLLO3® 确定性方案以表征 Jules Horowitz 辐照反应堆堆芯
JHR 是 CEA 卡达拉什正在建造的新型材料测试反应堆。目前，堆芯的中子特性是利用 HORUS3D/N 确定性方案计算的。该方案的工业路线采用两步法，首先是 APOLLO2 MOC 格子计算，然后是基于扩散理论的 CRONOS2 堆芯计算。APOLLO3 ® 是 CEA 新的确定性计算平台，它采用了先进的计算方法。在本文中，正在使用 APOLLO3 ® 带来的新方法为 JHR 建立一个新的参考计算方案。该计算方案通过 TRIPOLI4 ® 执行的参考随机模拟进行了验证。与在 APOLLO3 ® 中模拟 HORUS3D/N 方案的方案结果相比，格子步骤的改进可以显著减少燃料元件和 Hf 控制棒的吸收率偏差。新方案的主要变化在于使用子群自屏蔽法替代精细结构等效法。这些变化与细化几何网格和 383 能级组结构有关。来自晶格台阶的压缩截面用于计算插入五根 Hf 控制棒的 2D JHR 堆芯配置的中子平衡。新的计算方案中添加了堆芯反射器超级晶胞，以产生细化的反射器截面。使用较粗的 41 组结构执行的 MOC 2D 堆芯计算保留了晶格计算的改进，并可以更好地预测反应性和反应速率。下一步将使用包括堆芯实验装置在内的带耗尽层的 3D Sn MINARET 全堆芯计算。关键词：APOLLO3 ®、JHR、确定性计算方案、共振自屏蔽方法。
具有...的基本互同函数链
这项工作继续了我们对互齐次函数 (MHF) 的性质的研究，互齐次函数是欧拉齐次函数的推广。MHF 可用于合成具有特殊性质的电子系统和离子光学系统的电场和磁场。我们考虑了对应于 MHF 基本函数关系矩阵的多个实特征值的函数链。我们推导出了响应此类函数的函数关系。我们推导出了所得函数关系解的一般公式。我们证明了所得函数是 Gel'fand 引入的相关齐次函数的细化。我们研究了所得函数的典型微分和积分性质，并证明了可微函数的欧拉定理的推广（欧拉标准）。
CDA-AMC 简化审核流程
我们的组织通过由公共药物计划代表和临床专家组成的司法工作组来细化主题。我们制定了一个项目提案，其中包含初步范围文献检索（包括 CDA-AMC 单一药物审查计划对纳入审查的药物的现有建议（如果适用））、与司法代表的讨论以及对相关性、及时性和潜在影响等因素的考虑（治疗审查程序表 2）。在最近的 CDA-AMC 健康技术审查已完成并展示出处方管理机会（例如综合技术审查）的情况下，这些报告可用作项目提案。公共药物计划审查提案并确定精简审查主题的优先级。
拓扑优化增材制造 SS316L 部件的实验验证和微观结构表征
a 威斯康星大学麦迪逊分校机械工程系，美国威斯康星州麦迪逊 53706 b 威斯康星大学麦迪逊分校材料科学与工程系，美国威斯康星州麦迪逊 53706 c 威斯康星大学麦迪逊分校格兰杰工程研究所，美国威斯康星州麦迪逊 53706 ⸸ 通讯作者 摘要 拓扑优化 (TO) 与增材制造 (AM) 的结合有可能彻底改变现代设计和制造。然而，制造优化设计的实例很少，而经过实验测试的设计实例就更少了。缺乏验证再加上 AM 工艺对材料性能的影响，使我们对工艺-微观结构-性能关系的理解存在差距，而这对于开发整体设计优化框架至关重要。在这项工作中，使用定向能量沉积 (DED) 和选择性激光熔化 (SLM) 方法对功能设计进行了拓扑优化和制造。这是首次在 TO 背景下直接比较这些 AM 方法。在单轴位移控制拉伸载荷下，研究了 SS316L 和优化部件在制造和热处理条件下的机械性能，并与有限元建模 (FEM) 预测进行了比较。优化样品在试件中提供了压缩和拉伸载荷区域。实验结果表明 FEM 预测较为保守。微观结构分析表明，这种差异是由于增材制造过程中形成的细化微观结构，可增强高应力区域的材料强度。此外，由于晶粒尺寸更细化和位错结构更密集，SLM 样品表现出比 DED 样品更高的屈服强度。TO 结果对 AM 方法、后处理条件和机械性能差异很敏感。因此，通过结合微观结构特征来考虑制造部件中的局部微观结构变化，可以最好地优化用于 AM 框架的 TO。
scFv-CdtB 作为乳腺癌治疗新型免疫毒素的计算机设计和评估
背景：乳腺癌是女性人群中最常见的癌症类型，约 15% 至 20% 的乳腺癌患者为人表皮生长因子受体 2 (HER2) 阳性。目前的癌症治疗方法，如手术、放疗和化疗，在降低死亡率方面效果不佳；然而，免疫疗法是一种治疗癌症的新方法，它更有效，对身体的危害更小。抗癌免疫毒素是嵌合分子，包含两部分，即免疫部分（抗体或抗体的结合片段）和毒素部分（杀伤毒素分子）。目的：在本研究中，我们试图设计一种新型免疫毒素，包括抗 HER2 受体曲妥珠单抗，它源自与空肠弯曲菌细胞致死扩张毒素 (Cj-CdtB) 的功能部分相连的单链可变片段 (scFv)。方法：分别使用 ProtParam、PROSO II 和 GORV 分析嵌合蛋白的理化性质、溶解性和二级结构。使用 I-TASSER 建立三维 (3D) 模型，并使用 GalaxyRefine 进行细化。使用 PROCHECK 和 RAMPAGE 对细化前后的模型结构进行评估。使用 AlgPred 服务器预测免疫毒素的致敏性，并使用 RNAfold 评估 mRNA 稳定性。最后，使用 ZDOCK 将免疫毒素与 HER2 对接。结果：分析表明嵌合蛋白可以是一种稳定的可溶性蛋白质，其各部分的二级结构不会改变，蛋白质具有稳健的 3D 结构，可能具有稳定的 mRNA 结构并可与 HER2 受体结合。结论：设计的免疫毒素是一种稳定的可溶性蛋白质，具有与 HER2 受体结合的能力，使其成为乳腺癌治疗的合适免疫毒素候选药物。当前研究的结果可能对未来的实验研究有用。
科学探索与可解释的人工智能
摘要 使用机器学习开发的模型在科学研究中越来越普遍。与此同时，这些模型是出了名的不透明。可解释人工智能旨在通过使不透明的模型变得透明来减轻不透明性的影响。然而，可解释人工智能不仅仅是一个问题的解决方案，它还可以在科学探索中发挥宝贵的作用。本文介绍了如何使用可解释人工智能的事后分析技术来细化医学科学中的目标现象，确定未来研究（潜在）因果关系的起点，并为认知科学中的目标现象提供可能的解释。通过这种方式，本文描述了可解释人工智能（超越机器学习本身）如何为数据驱动的科学研究的效率和范围做出贡献。
科学探索与可解释的人工智能
摘要 使用机器学习开发的模型在科学研究中越来越普遍。与此同时，这些模型是出了名的不透明。可解释人工智能旨在通过使不透明的模型变得透明来减轻不透明性的影响。然而，可解释人工智能不仅仅是一个问题的解决方案，它还可以在科学探索中发挥宝贵的作用。本文介绍了如何使用可解释人工智能的事后分析技术来细化医学科学中的目标现象，确定未来研究（潜在）因果关系的起点，并为认知科学中的目标现象提供可能的解释。通过这种方式，本文描述了可解释人工智能（超越机器学习本身）如何为数据驱动的科学研究的效率和范围做出贡献。
MLA的RD＆A Stocktake 2021–2023
该项目解决了以下事实：牛的壁虱仍然是澳大利亚草养牛面临的最昂贵的状况，宿主的基因型和减少可取性的化学物质是控制它们的唯一手段。证据表明，来自澳大利亚土壤样品的天然微生物会产生杀虫剂和杀虫剂代谢物，并且将这种微生物的混合物用于牛会减少其壁虱计数。该项目旨在进一步开发将天然微生物施加到牛皮的方法以减少壁虱数量。科学研究将通过微生物的细化和生产规模扩大到良好的制造实践（GMP）标准来进一步提高功效。将建立注册途径和可授权产品。
空间注意力增强脑电图分析用于分析消费者选择
摘要 多年来，神经科学驱动的营销研究逐渐深入到消费者的有意识和潜意识行为。现有的基于脑电图 (EEG) 的消费者产品偏好研究并不全面。由于脑电图的非平稳性问题，受试者的试验间和会话间脑电图信号存在显著差异，这导致在不同的受试者、会话和任务中建立通用的消费者偏好模型面临挑战。迁移学习通过利用来自类似受试者、会话或任务的数据或知识来改进新受试者、会话或任务的学习过程，从而提高整体模型性能，从而缓解了这一挑战。此外，高维脑电图特征通常会导致较差的分类结果。因此，选择有意义或精细的特征对于分类至关重要。因此，我们提出了一个基于脑电图的稳健神经营销框架，结合了深度迁移学习、空间注意力模型和深度神经网络。所提出的框架预测了消费者对电子商务产品的选择（就“喜欢”和“不喜欢”而言）。首先，从预训练网络向所提出的模型进行知识蒸馏，并针对 EEG 的连接特征对模型进行训练。接下来，使用空间注意模型（卷积块注意模块：CBAM）从高级连接特征中提取基于注意的特征。CBAM 沿通道和空间维度提取注意特征图，以进行自适应特征细化。细化的特征提高了分类准确性。最后，将基于注意的特征传递到基于 2D CNN 的深度学习模型以评估消费者选择。所提出的模型在实验数据集上实现了 95.60% 的分类准确率。与现有的基于神经营销的研究相比，所提出的模型实现了 2.60% 的显著提升。
关于量子退火器的高质量嵌入的讨论
人们已经尝试过多种方法来设计有效的方法来寻找 QA 中 Ising 问题的映射。这些尝试可以分为两类。第一种方法是寻找具有近乎最优嵌入的完全图的嵌入，同时考虑目标图的结构。第一项工作是由 V. Choi [3] 提出的，它提供了三角布局上完全图的最佳嵌入（TRIAD 方案）。这项初步工作由 C. Klymko 等人完成。[6]，他们提出了一种次要嵌入方法，专门用于在由定期分派的完全连通二分子图组成的格子上查找团嵌入。该方法考虑不可操作的量子位（目标图通常包含一些禁用的量子位），并生成从初始近乎最优的团嵌入派生的有效嵌入。第二种方法考虑在部分已知或未知的目标图上嵌入未知结构化输入图的算法。[2] 中提出了一种初始的通用启发式方法，并在 [4] 中实现。该算法由两步组成：第一步是为每个逻辑量子位找到一个允许重叠的初始映射（即，顶点 v ∈ V t 可能映射 V s 中的多个顶点 ϕ ( v )。第二步是细化，通过删除顶点映射 ϕ ( v ) 并寻找该顶点的更好映射来迭代改进映射，从而最小化物理顶点的总数。顶点映射的质量用成本函数计算。没有任何重叠的输出图被认为是有效的。当在特定次数的尝试期间没有取得任何改进时，细化阶段结束。其他几种启发式算法一直在重复使用这种算法