XiaoMi-AI文件搜索系统
World File Search System论文
原始发表论文的引文（记录版本）：Hasselqvist, H., Renström, S., Strömberg, H. et al (2022). 家庭能源弹性：
能源弹性是能源政策和研究的重要焦点，因为能源系统正面临越来越多的挑战，例如由于可再生能源生产增加而导致的电力短缺，以及极端天气导致的停电风险。通常，在这些情况下，能源弹性侧重于基础设施和确保电力供应不受干扰。本文提出了一个关于弹性的补充观点，以家庭为研究弹性的起点。基于对多个学科弹性的理解，我们提出了家庭能源弹性的定义，可用于探索家庭如何在电力供应不稳定的情况下确保未来生活良好。此外，我们借鉴了能源富裕环境下未来家庭能源使用的当前想法（备用能源、能源效率、灵活性和能源自给自足），以创建一个探索家庭能源弹性的框架。我们发现不同想法之间存在多样性的潜力，而这种多样性并不总是存在于主流的未来能源使用愿景中。从家庭能源弹性的角度来看，我们希望挑战电力需求不可协商的观念，并揭示支持家庭在不确定的未来变得更具弹性的机会。
引用原始发表的论文（记录的版本）：Johansen，M.，Xu，J.，Tam，E。等（2023）。结构巴特的纤维纤维
结构电池是多功能设备，可以同时存储能量并承载机械负载。关键成分是碳纤维，它不仅充当结构增强，而且还可以通过可逆地托管利离子作为电极。仍然对LI和碳纤维相互作用知之甚少。在这里，我们绘制了用螺旋丙烯腈纤维插入的LI插入螺旋晶纤维中的螺旋纤维纤维（AES）。我们表明，在充电/放电速率的缓慢/放电速率下，LI在纤维的横向和纵向方向上均匀分布，并且在完全放电时，所有LI实际上都被排出。以快速的速度，LI倾向于将其捕获在纤维的核心中。在某些纤维中，在固体电解质相（SEI）和纤维表面之间发现LI板。我们的发现可以指导AES分析锂离子电池的其他碳质电极材料，并用于改善结构电池的穿孔。
引用了原始发表的论文（记录的版本）：Nahal，Y.，Menke，J.，Martinelli，J。等（2024）。人类在循环的积极学习fo
©作者2024。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http://creativecommons.org/licenses/4.0/。
原始发表论文的引用（记录版本）：Li, X., Shong, K., Kim, W. et al (2022)。透明细胞 r 候选药物预测
a Bash Biotech Inc，600 est Broadway，Suite 700，圣地亚哥，CA 92101，美国 b 生命科学实验室，KTH-Royal Institute of Technology，斯德哥尔摩 SE-17165，瑞典 c 病理学和肿瘤生物学系，人类生物学高级研究中心（WPI-ASHBi），京都大学，京都 606-8501，日本 d 泌尿外科，东京大学医学院，东京 113-8654，日本 e 血液学和再生医学中心，卡罗琳斯卡医学院，斯德哥尔摩 SE-17177，瑞典 f 医学生物学系，Atat € urk 大学医学院，埃尔祖鲁姆 25240，土耳其 g 宿主-微生物组相互作用中心，牙科、口腔和颅面科学学院，伦敦国王学院，伦敦 SE1 9RT，英国h 哥德堡大学萨尔格伦斯卡大学医院分子与临床医学系，哥德堡 SE- 41345，瑞典 i 查尔姆斯理工大学生物与生物工程系，哥德堡 SE-41296，瑞典 j 生物创新研究所，哥本哈根 N DK-2200，丹麦 k 郑州大学药学院先进药物制备技术教育部重点实验室，郑州 450001，中国
原始发表论文的引用（记录版本）：Lu, H., Xiao, L., Liao, W. et al (2024). Cell factory design with advanced metastatic mo
合成生物学和人工智能 (AI) 的进步为现代生物技术提供了新的机遇。高性能细胞工厂是工业生物技术的支柱，最终决定了生物基产品在与石油基产品的激烈竞争中是成功还是失败。迄今为止，合成生物学面临的最大挑战之一是以一致和高效的方式创建高性能细胞工厂。作为所谓的白盒模型，已经开发了许多代谢网络模型并将其用于计算菌株设计。此外，近年来，人工智能驱动的菌株工程取得了巨大进展。这两种方法都有优点和缺点。因此，人工智能与代谢模型的深度整合对于构建具有更高滴度、产量和生产率的优质细胞工厂至关重要。本综述总结了最新的先进代谢模型和人工智能在计算菌株设计中的详细应用。此外，还讨论了人工智能和代谢模型深度整合的方法。预计由人工智能驱动的先进机械代谢模型将为未来几年高效构建强大的工业底盘菌株铺平道路。
原始发表论文（记录版本）的引用：Sadik, M.、López-Urdaneta, J.、Ulén, J. 等人 (2021)。人工智能可以提醒使用 FDG-PET/CT 分期的霍奇金淋巴瘤患者局部骨骼/骨髓摄取。科学报告，11(1)。http://dx.doi.org/10.1038/s41598-021-89656-9
开发一种基于人工智能 (AI) 的方法，用于检测接受 FDG-PET/CT 分期的霍奇金淋巴瘤 (HL) 患者的局灶性骨骼/骨髓摄取 (BMU)。将单独测试组的 AI 结果与独立医生的解释进行比较。使用卷积神经网络对骨骼和骨髓进行分割。AI 的训练基于 153 名未接受治疗的患者。骨摄取明显高于平均 BMU 的被标记为异常，并根据总异常摄取平方计算指数以识别局灶性摄取。指数高于预定义阈值的患者被解释为具有局灶性摄取。作为测试组，回顾性纳入了 48 名在 2017-2018 年期间接受过分期 FDG-PET/CT 且活检证实患有 HL 的未接受治疗患者。十位医生根据局灶性骨骼/BMU 对 48 例病例进行分类。在 48 例 (81%) 的局部骨骼/骨髓受累病例中，大多数医生同意 AI 的观点。医生之间的观察者间一致性为中等，Kappa 值为 0.51（范围为 0.25–0.80）。可以开发一种基于 AI 的方法来突出显示使用 FDG-PET/CT 分期的 HL 患者中的可疑局部骨骼/BMU。核医学医生之间关于局部 BMU 的观察者间一致性为中等。
引用了原始发表的论文（记录的版本）：Åkerblom，N。，Chen，Y.，Haghir Chehreghani，M。（2023）。能源消费的在线学习
由于电池容量有限，能源效率有效的导航构成了电动汽车的重要挑战。我们采用贝叶斯的方法来对路段的能源消耗进行建模，以进行有效的导航。为了学习模型参数，我们开发了一个在线学习框架，并研究了几种探索策略，例如汤普森采样和上限限制。然后，我们将我们的在线学习框架扩展到多代理设置，在该设置中，多个车辆可适应和学习能量模型的参数。通过分析批处理反馈下的算法，我们分析了汤普森采样，并在单位代理和多代理设置中建立了严格的遗憾界限。最后，我们通过在几个现实世界的城市路网络上进行实验来演示方法的性能。
引用了原始发表的论文（记录的版本）：Tekden，A.，Erdem，A.，Erdem，E。等（2024）。对象和关系中心代表
推动是一项必不可少的非划算操作技能，用于任务，从预抓操作到场景重新排列，关于场景中的对象关系的推理，因此在机器人技术中广泛研究了推动动作。有效使用推动动作通常需要了解受操纵对象的动态并适应预测与现实之间的差异。出于这个原因，在文献中对推动作用进行了效果预测和参数估计。但是，当前方法受到限制，因为它们要么建模具有固定数量对象的系统，要么使用基于图像的表示，其输出不是很容易解释并迅速累积错误。在本文中，我们提出了一个基于图神经网络的框架，以根据触点或关节对对象关系进行建模，以效应预测和参数估计推动操作。我们的框架在真实和模拟环境中都得到了验证，这些环境包含不同形状的多部分对象，这些对象通过不同类型的关节和具有不同质量的对象连接，并且在物理预测上的表现优于基于图像的表示。我们的方法使机器人能够预测并适应其观察场景时推动动作的效果。它也可用于使用从未看过的工具进行工具操作。此外，我们在基于机器人的硬盘拆卸的背景下证明了杠杆起作的6D效应预测。
原始发表论文的引文（记录版本）：Willsch, D., Willsch, M., Gonzalez Calaza, C. et al (2022)。Benchmarking Advantage 和
摘要 我们使用飞机调度场景中的尾部分配和精确覆盖问题，对迄今为止最大的量子退火器（5000+ 量子比特量子退火器 Advantage 及其 2000+ 量子比特前身 D-Wave 2000Q）的量子处理单元进行了基准测试。基准测试集包含小型、中型和大型问题，其中既有稀疏连接实例，也有几乎完全连接的实例。我们发现，Advantage 在几乎所有问题上都优于 D-Wave 2000Q，成功率和问题规模都有显著提高。特别是，Advantage 还能够解决 D-Wave 2000Q 无法再解决的具有 120 个逻辑量子比特的最大问题。此外，仍然可以由 D-Wave 2000Q 解决的问题可以通过 Advantage 更快地解决。然而，我们发现，D-Wave 2000Q 可以在不需要 Advantage 上存在的许多新耦合器的情况下解决稀疏连接问题并获得更好的成功率，因此提高量子退火器的连通性本身并不会提高其性能。