XiaoMi-AI文件搜索系统
World File Search System计算方法
计算方法2024
丰田的温室气体排放减少目标（范围1、2和3）已获得SBTI认证和批准，因为与实现了《巴黎协议》的目标保持一致。我们每年报告这些目标的进度。除了这些范围1、2和3的减少工作之外，丰田还开发了有助于减少从我们出售的车辆中释放出的温室气体排放的技术，并正在增加配备这些技术的车辆的销售，以增强我们对实现脱碳化的贡献。丰田旨在鼓励客户通过揭示这些GHG减少影响来增加这些技术的使用频率和安装速率。我们通过揭示我们的电气化策略造成的温室气体减少影响进一步加速电气化，这是丰田多轨道方法的支柱。在这一部分中，我们解释了计算方法，基本假设以及用于GHG排放减少效应的比较条件，以确保透明度。
范围 1、2 和 3 排放计算方法报告
并包括不同的商品价格以转换每年的表现。例如，3 年追踪平均值中的 2023 年值将使用 2023-2021 年定价平均值，而 2022 年值将使用 2022-2020 年定价平均值。这反映了一些外部团体评估碳绩效的方式。我们还纳入了碳强度，使用所有绩效年度的 2018-2020 年定价平均值，因为这是用于建立 2020 年基线的定价，我们将以此为基准评估 2030 年的目标。我们已经确定了铜当量计算的商品定价，以确保随着时间的推移（从我们的基准年到我们的目标年）保持一致的核算。
人工智能 (AI) 一词具有许多预先存在的含义。在“AI”的背景下讨论生物安全，很难将特定计算方法及其训练数据集的具体好处和风险与 AI 系统更普遍的想象能力区分开来。一项建议是从经典生物信息学程序和统计模型（例如隐马尔可夫模型或随机上下文无关语法）的角度来讨论计算生物安全，以便将这些讨论的重点放在实际的当前和未来正在开发的工具上，而不是抽象的假设可能性。即使机器学习模型和底层数据集的复杂性和规模不断增长，这些模型仍然从根本上学习训练数据的统计模式，就像经典方法一样。
人工智能 (AI) 一词具有许多预先存在的含义。在“AI”的背景下讨论生物安全，很难将特定计算方法及其训练数据集的具体好处和风险与 AI 系统更普遍的想象能力区分开来。一项建议是从经典生物信息学程序和统计模型（例如隐马尔可夫模型或随机上下文无关语法）的角度来讨论计算生物安全，以便将这些讨论的重点放在实际的当前和未来正在开发的工具上，而不是抽象的、假设的可能性。即使机器学习模型和底层数据集的复杂性和规模不断增长，这些模型仍然从根本上学习训练数据的统计模式，就像经典方法一样。
MSCI索引ESG指标计算方法
接触基于全球行业分类标准（GICS®）的3个子工业的公司，遵循两步的方法：1。基于碳密集型活动的初始列表属于附件I的05至09、19和20号法规（EC）（EC）第1893/2006年第1893/2006号； 2。然后将清单被过滤以排除子行业，其中80％的MSCI ACWI IMI宇宙公司使用MSCI ESG研究的低碳过渡框架属于解决方案或中性类别。
来自重复slab带结构计算的角度分辨光发射光谱的计算方法
在光发射的一步模型中报告了一种用于角度分辨光发射光谱（ARPES）计算的多功能方法。初始状态是使用投影仪调节波（PAW）方法从重复slab计算获得的。arpes最终状态是通过将正能量的重复标记特征状态与满足时间转移的低能量电子衍射边界条件相匹配的。匹配方程的非物理解（不尊重频道保护）被丢弃。该方法应用于石墨烯的表面正常光发射，这是光子能量从阈值到100 eV的函数。将结果与独立执行的多个散射计算进行了比较，并获得了非常良好的一致性，前提是使用从爪子伪载体重建的全电子波来计算光发射矩阵元素。但是，如果直接使用了伪瓦，则通过数量级，σ-和π频带发射之间的相对强度是错误的。石墨烯ARPES强度具有强大的光子能依赖性，包括共振。来自π带的正常发射光谱在31 eV的光子能量下显示了迄今未报告的尖锐共振。共振是由于二维间互间跃迁引起的，并突出了最多的矩阵元素效应的重要性，而不是最终状态平面波近似。
使用EEG和PSG在神经发育和睡眠障碍中发现生物标志物发现的计算方法
1.Lee，Y。J.，Lee，J。Y.，Cho，J。H.＆Choi，J。H.睡眠阶段评分的互级可靠性：荟萃分析。J Clin Sleep Med 18，193-202（2022）。2.Danker-Hopfe，H。等。根据Rechtschaffen＆Kales和新的AASM标准，对睡眠评分的互惠性。J Sleep Res Res 18，74-84（2009）。3.Danker-Hopfe，H。等。来自八个欧洲睡眠实验室的评分者之间的可靠性在患有不同睡眠障碍的受试者中。J Sleep Res 13，63-69（2004）。4.Basner，M.，Griefahn，B。＆Penzel，T。与背景不同的中心之间睡眠阶段分类中评估者一致。Somnologie 12，75-84（2008）。
润滑剂，油脂和其他特色剂的产品碳足迹计算方法
润滑剂行业客户越来越多地要求提供产品碳足迹（PCF），也称为产品的碳足迹（CFP），润滑剂，油脂和其他专业。对于这些客户，透明和连贯的PCF对于识别和最终减少润滑剂价值链中的温室气体排放很重要。但是，计算PCF的不同方法和假设扩大了PCF的扩展和可变性。此外，PCF计算被认为是耗时且昂贵的，阻碍了它们在价值链中的广泛计算。为了解决这些要点，欧洲润滑剂工业（UEIL）和欧洲润滑剂行业的技术协会（ATAIL）已经开发了一份摇篮与门的方法论，该文档与ISO标准14067：2018和GHG协议标准（GHG PPS）完全保持一致，以提供一致的指导型驾驶员及其润滑剂行业的制定型培训型产品，并进行润滑剂行业的制定量型制定型培训。油脂和相关的专业。通过这种方式，此方法论文档旨在为润滑剂，油脂和其他专业产品部门提供指导，从而促进对现有PCF方法的更一致的实施。通过采用标准化方法，该文档有助于最大程度地减少不一致的方法论导致的PCF的传播和可变性。它也是所有公司计算可比PCF值的起点。
基于硅胶的发现，使用药效团筛查，分子对接和MD模拟研究的策略 神经元 - 胶体传播中的外泌体 一种基于模糊的逻辑计算方法，用于重新利用Covid-19 靶向缺氧诱导因子1α通过调节乳房can中的肿瘤微环境 制造介孔二氧化硅纳米颗粒，以靶向糖替尼向卵巢癌细胞靶向递送
摘要简介：这项研究的主要目的是确定开发有效KEAP1抑制剂的潜在潜在客户。方法：在当前的研究文章中，已采用了硅内方法来发现潜在的KEAP1抑制剂。3D-QSAR是使用具有IC 50的KEAP1抑制剂的Chembl数据库生成的。选择了最好的药理，以筛选三个不同的文库，即Asinex，Minimaybridge和锌。从数据库中筛选的分子通过可药物性规则和分子对接研究过滤。对接研究后获得的最佳结合分子通过二利方法对测定物理化学性质进行毒性进行。通过分子动态模拟，研究了最佳的命中以在KEAP1腔中进行稳定。结果：分别对不同数据库进行虚拟筛选，并获得了三个导线。这些铅分子asinex 508，minimaybridgehts_01719和锌0000952883在KEAP1腔中显示出最好的结合。铅的结合复合物的分子动态模拟支持对接分析。铅（Asinex 508，minimaybridgehts_01719和锌0000952883）在100 NS模拟的KEAP1结合腔中稳定，平均RMSD值分别为0.100、0.114和0.106 Nm。结论：这项研究提出了三个铅分子作为基于高吞吐量筛查，对接和MD模拟研究的潜在KEAP1抑制剂。这些HIT分子可用于进一步设计和开发KEAP1抑制剂。这项研究提供了用于发现新型KEAP1抑制剂的初步数据。它为药物化学家打开了新的途径，以探索针对KEAP1-NRF2途径的抗氧化剂刺激分子。
一种基于模糊的逻辑计算方法，用于重新利用Covid-19
摘要简介：肿瘤微环境（TME）的免疫抑制背景是乳腺癌（BC）治疗的重大障碍。针对涉及TME免疫抑制环境的癌症核心信号通路的组合疗法已成为克服TME免疫抑制并增强患者治疗结果的有效策略。这项研究提供了令人信服的证据表明，靶向缺氧诱导型因子-1α（HIF-1α）以及化学疗法和免疫诱导因子以及通过调节TME导致实质性抗癌作用。方法：通过siRNA吸附方法合成壳聚糖（CS）/HIF-1Alpha siRNA纳米复合物。纳米颗粒进行了充分的表征。CS/HIF-1αsiRNA细胞毒性。在BALB/C轴承4T1肿瘤中评估了联合疗法的抗癌作用。qPCR和蛋白质印迹用于评估与TME免疫抑制诱导有关的某些关键基因和蛋白质的表达。结果：HIF-1αsiRNA成功地加载了壳聚糖纳米颗粒。HIF-1αsiRNA纳米复合体显着抑制HIF-1α的表达。三重联合疗法（紫杉醇（PTX） +咪喹莫德（IMQ） + CS/HIF-1αsiRNA）抑制了肿瘤的生长，并下调了癌症进展基因，同时上调了细胞免疫相关的细胞因子。没有CS/HIF-1αsiRNA治疗的小鼠显示癌症抑制作用较少和TME免疫抑制因子。这些结果表明，与其他组合治疗相比，与PTX和IMQ协同抑制癌症进展的抑制作用更明显地抑制癌症的进展。结论：将HIF-1αsiRNA与PTX和IMQ结合在一起是多模式处理的有望。它有可能减轻TME抑制作用，并显着增强免疫系统对抗肿瘤细胞生长的能力，从而在与BC斗争中具有希望的灵感。
用于规则和不规则时间序列分类的新型高效储层计算方法
时间序列是指在一段时间内按时间顺序收集的一系列数据点，每个点通常记录在特定的时间戳。时间序列有两个主要组成部分：时间戳和观测值。时间戳表示获取特定记录的时间，而观测值则显示与每个时间戳相关联的值，该值表明该值相对于其他时间点的相对重要性。此外，时间序列数据可能还带有一些其他模式，使时间序列分析更具挑战性。例如，来自同一数据集的样本可能具有不同的长度（可变长度）和/或相邻时间点可能具有不同的时间间隔（异质间隔）。时间序列分析涉及研究和解释样本随时间变化的趋势和依赖性等模式，并已广泛应用于现实世界现象 [1-3]。其中，时间序列分类 (TSC) 专注于将序列数据分类并标记为不同的类别，在医学、电信和金融等领域发挥着不可或缺的作用。TSC 算法的有效性取决于它们平衡短期和长期记忆以及捕捉时间依赖性的能力，同时将所需模式与噪声模式区分开来。在过去的几十年中，已经开发了大量算法来解决这一特定领域。到目前为止，长短期记忆 (LSTM) 网络可以看作是一个里程碑式的突破，它为序列数据中复杂的长期依赖关系建模所带来的挑战提供了强大的解决方案 [4-7]。LSTM 网络是一种循环神经网络 (RNN)，它利用记忆单元和门作为控制信息在网络中流动的手段。网络的设计主要是为了缓解梯度消失的瓶颈。然而，网络的训练是通过最先进的时间反向传播 (BPTT) 技术实现的。虽然 BPTT 是一种强大而有效的方法，但它的计算成本可能很高，尤其是对于大型和深度神经网络而言。除了反向传播辅助神经网络外，基于距离的方法也在广泛的 TSC 任务中取得了巨大的成功 [8-10]，其中，1-最近邻动态时间规整 (1NN-DTW) 已被证明