XiaoMi-AI文件搜索系统
World File Search System被动式
文章根据静息状态脑电图数据预测个体用户脑电图特征的动态范围，以评估其对被动脑电图的适用性——
摘要：随着近年来低成本可穿戴脑电图 (EEG) 记录系统的发展，被动式脑机接口 (pBCI) 应用正在教育、娱乐和医疗保健等各种应用领域中得到积极研究。各种 EEG 特征已被用于实现 pBCI 应用；然而，经常有报道称，有些人难以充分享受 pBCI 应用，因为他们的 EEG 特征的动态范围（即其随时间变化的幅度）太小，无法用于实际应用。进行初步实验以寻找与不同心理状态相关的个性化 EEG 特征可以部分避免这一问题；然而，对于大多数 EEG 特征动态范围足够大以用于 pBCI 应用的用户来说，这些耗时的实验是没有必要的。在本研究中，我们尝试从静息状态脑电图 (RS-EEG) 预测个人用户最广泛用于 pBCI 应用的脑电图特征的动态范围，最终目标是识别可能需要额外校准才能适合 pBCI 应用的个人。我们使用基于机器学习的回归模型来预测三种广泛使用的脑电图特征的动态范围，已知这三种特征与大脑的效价、放松和集中状态有关。我们的结果表明，脑电图特征的动态范围可以预测，归一化均方根误差分别为 0.2323、0.1820 和 0.1562，证明了使用短暂静息脑电图数据预测 pBCI 应用的脑电图特征的动态范围的可能性。
通过先进的节能绿色建筑材料战略推动可持续建筑
绿色建筑融合了生态原则和可持续设计实践，对于开发能够最大程度减少环境影响和提高资源效率的建筑至关重要。本文献综述探讨了在多样化的设计策略和材料选择中有效实施这些实践的挑战。绿色建筑侧重于高效水系统、自然建筑技术和被动式太阳能设计等原则，以减少高达 30% 的能源消耗和 20% 的碳足迹。通过评估最近的研究，本综述强调了这些原则（包括朝向、自然通风和太阳能控制）如何有助于环境舒适性和可持续性，从而将能源效率提高约 25%。它还研究了绿色建筑材料、集成冷却系统和绿色屋顶在降低 15% 的总体能源使用和 10% 的运营成本方面的作用。本综述进一步探讨了主动和被动设计策略及其组合方法在改善建筑性能方面的有效性，组合策略可减少高达 40% 的环境影响。建筑信息模型 (BIM) 被认定为整合和分析绿色设计的关键工具，可使项目效率提高 20%，资源浪费减少 15%。审查最后建议采用一种综合方法，将先进的绿色材料、设计策略和 BIM 集成结合起来，以优化可持续发展成果并应对绿色建筑实施的挑战。
日间辐射冷却的最新进展
地球表面温度≈300 K的陆地辐射集中在2.5至50 µm的波长范围内。同时，各种大气成分的综合作用，形成了8至13 µm之间的特殊大气窗口，该窗口高度透明。因此，大多数陆地区域可以通过透明的大气窗口有效地将热量辐射到寒冷的宇宙中，以维持相对稳定的温度。为此，辐射冷却器应在透明大气窗口（8–13 µm）内具有高的发射率，在该区域是透明的，并允许红外光通过。在这方面，过去几十年来人们设计了各种材料和结构，并在夜间表现出良好的被动冷却性能。 [8,9] 然而，在白天，太阳会加热辐射冷却器，这严重影响了冷却效果。为了解决这个问题，冷却器应该在反射阳光以避免太阳加热的同时，向寒冷的宇宙辐射更多的热量。Fan 等人 [10] 首次设计了多层光子材料，并在阳光直射下实现了白天辐射冷却，温度低于环境温度。此后，各种材料已被证明可以实现低于环境温度的白天辐射冷却，并显示出巨大的实际应用潜力。[11–13] 之前一些综述总结了辐射冷却方面的这些发展，[14–17] 但辐射冷却的净冷却功率有限和不稳定性阻碍了其实际广泛应用。在这篇综述中，通过总结被动式白天辐射冷却 (PDRC) 的最新研究和发展，我们首先提出了 PDRC 的三个关键组成部分：1）中红外范围的光谱设计，2）增强太阳反射率的结构设计，和 3）热管理。其次，我们介绍了PDRC的各种应用，例如建筑冷却、太阳能电池冷却、水收集、服装和发电（图1）。最后，我们还讨论了PDRC的剩余挑战和机遇。
用于被动能源的纹理刚性毛细管材料...
毛细管现象在自然界中无处不在，直接参与生命系统的功能。[1] 天然多孔介质的特点是随机（如土壤、海绵）或有序（如木材、肺）结构。人造毛细管介质种类繁多，广泛应用于大多数行业，如过滤器、纺织品（编织和非编织）、吸收剂、陶瓷或组织支架。[2] 人们一直致力于改造多孔材料的毛细管特性，以实现改进的热学、[3] 机械学、[4] 电学、[5] 光学[6] 和生物医学 [7] 性能。除了本质上多孔的材料（如金属有机骨架 [8] ）之外，最近的研究还集中于可以精细控制材料添加（如 3D 打印 [1,9] ）或从块体材料中去除（如激光蚀刻 [6,10] ）的制造工艺，以设计精确的孔隙结构。具有多功能工程设计的多孔材料特别适用于被动式能量转换装置。这些装置通常不需要高质量的能量输入，而且由于没有移动的机械部件，维护成本低，而且具有成本效益。此外，它们最适合离网安装，并且总体上可以促进与水能关系相关的行业的可持续转型。[11] 这些装置可以利用多孔毛细管介质来克服小水头，并在无需主动机械或电气部件的情况下为整个系统提供工作流体。已提出将其应用于蒸汽发电、[12] 海水淡化、[13,14] 盐沉淀、[15] 水卫生、[16] 太阳能热能收集 [6] 和冷却 [17] 等。显然，优化此类被动装置中多孔材料的毛细管特性对于提高其整体性能至关重要：毛细管特性差可能导致连续蒸发过程中干燥，并会严重限制可实现的最大装置尺寸。[18] 因此，毛细管特性不佳会严重阻碍整个系统的生产率和可扩展性。被动能量转换装置通常使用非结构化毛细管材料（如纸或商用纺织品）作为移动工作流体的被动组件。[19] 然而，考虑到
1（WS）：可再生能源 4 3
课程目标 掌握不同类型的可再生能源和储存系统的基础知识。 了解不同形式的能源转换的基本概念。 将物理学的基本概念应用到不同的能源转换装置中。 识别不同可再生能源的优点和缺点。 从可靠性和经济性方面分析各种形式的能源。 第一单元：直接太阳能（12 小时） 太阳能供应 - 太阳能利用的历史 - 基于从阳光中捕获热量的技术 - 太阳能热水系统 - 太阳能炊具 - 用于烹饪的太阳能蒸汽发电系统 - 建筑物的被动式太阳能供暖/制冷 - 太阳能空调 - 太阳能制冷 - 太阳能海水淡化 - 盐生产和太阳能池 - 农作物干燥 - 将太阳能转换为电能的技术 - 热机：聚光太阳能热能系统 - 光伏电池。第二单元：生物质能（12 小时）生物质的组成 - 能源生产的生物质来源 - 粮食作物 - 富含碳氢化合物的植物 - 废弃物 - 杂草和野生植物 - 木质纤维素生物质：速生油脂和木本植物 - 从生物质中获取不同类型燃料的技术路线 - 生物质的热化学转化 - 生物化学处理 - 新兴技术。第三单元：风能和波浪能（12 小时）利用风能和风能 - 风车的设计 - 风力发电系统概述 - 风力涡轮机尺寸 - 风力发电地点和特性 - 储存 - 波浪能发电 - 势能 - 动能 - 波浪能转换装置 - 浮标波浪能转换 - 高位水库造浪机 - 海豚式波浪能机 - 其他造浪机 - 波浪能的优点和缺点。海洋热能转换。单元四：地热能（12 小时）地热能的起源和性质 - 能量提取 - 高焓地热含水层 - 低焓储量 - 湿蒸汽系统 - 干蒸汽系统 - 局限性。单元五：可再生能源的存储（12 小时）能量存储系统 - 以电能形式存储 - 以机械能形式存储 - 以化学能形式存储 - 以热能形式存储。
项目 nafas
摘要 在德国联邦机构网络安全创新机构 (Cyberagentur) 创纪录的 3000 万欧元资助下，我们宣布了 Zander Labs 的 NAFAS 项目，该项目旨在将脑机接口 (BCI) 技术与人工智能 (AI) 相结合。通过首先解决基于 EEG 的神经技术的传统限制，并开发能够实时解码多种心理状态的移动安全硬件，该项目为神经自适应人机交互 (HCI) 的新时代铺平了道路，并最终为神经自适应 AI。除了我们简要介绍的项目科学目标之外，NAFAS 项目本身代表了对科学界解决将 BCI 从理论构造转变为实际应用的关键挑战的能力的信心，以及对由此产生的 BCI 技术可能对我们的日常生活产生的积极影响。引言早在 20 世纪 60 年代，当人们开始在论文中提出人机共生的概念时，就曾提出“人类和计算机的贡献可能会完全融合在一起 [...] 以至于很难将它们分开” [1]。这比维达尔提出 BCI 作为一种独特的人机通信方法 [2] 早了十多年，甚至比魏森鲍姆的 ELIZA 激发了人工智能研究的大规模运动，使人们专注于另一种“融合” [3] 早了几年。从很多方面来看，正是这种以各种形式将人类认知过程与数字计算相融合或合并的理念指导了此后的人机交互、脑机交互和人工智能的发展。NAFAS（自主系统的神经适应）项目秉承了同样的传统，并以同样的技术为目标。通过进一步开发被动式 BCI [4] 技术，我们使 HCI 和 AI 具有神经适应性 [5]，并引入一种更直观、更自然、甚至更具共生性的人机或人机交互形式。NAFAS 项目是 Zander Labs 在 Cyberagentur 于 2022 年发布的招标中获胜的提案。该项目将与多家分包商一起执行，我们在提交时还无法详尽列出这些分包商。其目标是“利用
深海海绵衍生的环境 DNA 分析揭示了偏远北极生态系统的底栖鱼类生物多样性
Agersnap, S.、Sigsgaard, EE、Jensen, MR、Avila, MDP、Carl, H.、Møller, PR、Krøs, SL、Knudsen, SW、Wisz, MS 和 Thomsen, PF (2022)。利用公民科学和 eDNA 宏条形码监测沿海海洋鱼类的国家级“生物多样性调查”。海洋科学前沿，第 9 卷，第 1-17 页。Altschul, SF、Gish, W.、Miller, W.、Myers, EW 和 Lipman, DJ (1990)。基本局部比对搜索工具。分子生物学杂志，第 215 卷，第 403-410 页。Ashelford, KE、Chuzhanova, NA、Fry, JC、Jones, AJ 和 Weightman, AJ (2005)。据估计，目前公共存储库中保存的 20 个 16S rRNA 序列记录中至少有 1 个包含大量异常。应用与环境微生物学，71，7724–7736。Auster, PJ (2005)。深水珊瑚是鱼类的重要栖息地吗？在 A. Freiwald 和 JM Roberts（编辑），冷水珊瑚和生态系统（第 747–760 页）。Springer Berlin Heidelberg。https://doi. org/10.1007/3–540–27673-4 Beng, KC 和 Corlett, RT (2020)。环境 DNA (eDNA) 在生态学和保护中的应用：机遇、挑战和前景。生物多样性与保护，29，2089–2121。Benson, DA (2004)。GenBank。核酸研究，33，34–38。Bessey, C.、Neil Jarman, S.、Simpson, T.、Miller, H.、Stewart, T.、Kenneth Keesing, J. 和 Berry, O. (2021)。被动式 eDNA 收集可增强水生生物多样性分析。通讯生物学，4，236。Brandt, MI、Pradillon, F.、Trouche, B.、Henry, N.、Liautard-Haag, C.、Cambon-Bonavita, MA、Cueff-Gauchard, V.、Wincker, P.、Belser, C.、Poulain, J.、Arnaud-Haond, S. 和 Zeppilli, D. (2021)。评估使用环境 DNA 估计深海生物多样性的沉积物和水采样方法。科学报告，11，7856。 Brodnicke, O.、Meyer, H.、Busch, K.、Xavier, J.、Knudsen, S.、Møller, P.、Hentschel, U. 和 Sweet, M. (2022)。出版物的采样元数据：“深海海绵衍生的环境 DNA 分析揭示了偏远北极生态系统的底栖鱼类生物多样性”。Zenodo。https://doi.org/10.5281/zenodo.7326708 Burian, A.、Mauvisseau, Q.、Bulling, M.、Domisch, S.、Qian, S. 和 Sweet, M. (2021)。提高 eDNA 数据解释的可靠性。分子生态资源，21，1422–1433。 Busch, K., Beazley, L., Kenchington, E., Whoriskey, F., Slaby, BM, & Hentschel, U. (2020). 玻璃海绵 Vazella pourtalesii 的微生物多样性对人类活动的响应。保护遗传学，21，1001–1010。Busch, K., Hanz, U., Mienis, F., Mueller, B., Franke, A., Roberts, EM, Rapp, HT, & Hentschel, U. (2020). 站在巨人的肩膀上：海山如何影响海水和海绵的微生物群落组成。生物地球科学，17，3471–3486。 Busch, K.、Slaby, BM、Bach, W.、Boetius, A.、Clefsen, I.、Colaço, A.、Creemers, M.、Cristobo, J.、Federwisch, L.、Franke, A.、Gavriilidou, A.,Hethke, A., Kenchington, E., Mienis, F., Mills, S., Riesgo, A., Ríos, P., Roberts, EM, Sipkema, D., … Hentschel, U. (2022)。全球深海海绵微生物组的生物多样性、环境驱动因素和可持续性。《自然通讯》，第 13 卷，第 5160 页。Cai, W., Harper, LR, Neave, EF, Shum, P., Craggs, J., Arias, MB, Riesgo, A., & Mariani, S. (2022)。圈养海绵中的环境 DNA 持久性和鱼类检测。《分子生态资源》，第 22 卷，第 2956-2966 页。Callahan, BJ, McMurdie, PJ, Rosen, MJ, Han, AW, Johnson, AJA, & Holmes, SP (2016)。 DADA2：从 Illumina 扩增子数据进行高分辨率样本推断。《自然方法》，13，581–583。Cárdenas, P.、Rapp, HT、Klitgaard, AB、Best, M.、Thollesson, M. 和 Tendal, OS (2013)。分类学、生物地理学和 DNA 条形码