XiaoMi-AI文件搜索系统
World File Search System辅助的
一种小波辅助的深度学习方法，用于模拟受低频可变性影响的地下水水平
Sivarama Krishna Reddy Chidepudi，Nicolas Massei，Abderrahim Jardani，Abel Henriot，Delphine Allier等。总环境科学，2023，865，第161035页。10.1016/j.scitotenv.2022.161035。hal-03925440
一种基于 SEVA、CRISPR-Cas3 辅助的假单胞菌基因组工程方法，可实现载体高效消除
。CC-BY-NC-ND 4.0 国际许可，根据 提供（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2023 年 6 月 29 日发布。；https://doi.org/10.1101/2023.06.29.547033 doi：bioRxiv 预印本
神经形态计算辅助的互动电容耦合触觉传感器阵列用于无线混合现实互动
摘要：灵活的触觉传感器由于其生物适应性和快速信号感知而显示出对人工智能应用的希望。Triboeelectric传感器可实现主动动态触觉传感，同时整合静态压力传感和实时多通道信号传输是进一步开发的关键。在这里，我们提出了一个集成结构，该结构结合了一个用于静态时空映射的电容传感器和一个用于动态触觉识别的摩擦电传感器。4×4像素的液态金属柔性双模式互动耦合触觉传感器（TCTS）阵列可实现7毫米的空间分辨率，表现为0.8 PA的压力检测极限，快速响应6 ms。此外，使用基于MXENE的突触晶体管使用的神经形态计算在90个时期内通过TCTS阵列收集的动态互动信号在90个时期内实现了100％的识别精度，并实现了来自TCTS阵列的动态互动信号，以及从多键盘触觉数据中的交叉空间信息通信中实现了多型触觉数据的交流。结果阐明了在人界面和高级机器人技术中双模式触觉技术的相当大的应用可能性。关键字：互联网耦合，触觉传感器阵列，神经形态计算，人类 - 机器接口，混合现实
由原位软和硬X射线光电谱图研究的基于HFO2的设备中的陷阱辅助的回忆开关
今天的数字计算机基于内存和计算的分离。因此，必须将数据从存储位置不断传输到传统计算体系结构中的计算位置，反之亦然，从而导致高潜伏期和能量能量。[1-3]一个为某些应用而克服这种所谓的von Neumann瓶颈的潜在概念是神经形态计算体系结构的发展，该构建体的目的是模仿人脑中的信息处理。[4-7]在生物学中，信息处理发生在庞大的神经元和突触网络中，而没有计算和记忆之间的身体分离，[8]在感觉处理，运动控制和模式识别等任务中产生了令人印象深刻的性能，[9]同一时间消耗较小的能量，比数字计算机要少的数量计算机需要进行类似的任务。[5,6,10,11]
对噪声图像分类任务中人工智能辅助依赖的实证研究
摘要。如今，人类在各种高风险和低风险的决策任务中使用人工智能辅助。然而，人类对人工智能辅助的依赖往往不是最理想的——人们对人工智能的依赖程度要么过低，要么过高。我们对嘈杂的图像分类任务中的人机辅助决策进行了实证研究。我们分析了参与者对人工智能辅助的依赖程度以及人机辅助的准确性，并与人类或人工智能独立工作进行了比较。我们证明，参与者没有表现出自动化偏见，这是人类在人工智能辅助下表现出的一种广泛报道的行为。在这种特定的人工智能辅助决策实例中，人们能够在需要时正确地推翻人工智能的决策，并在综合表现上接近理论上限。我们认为，与之前的研究结果存在差异的原因在于：1）人们擅长对日常图像进行分类，并且对自己执行任务的能力有很好的了解；2）当被要求表明对自己的决策的信心时，人们会进行深思熟虑的元认知行为；3）人们能够通过结合每次试验后提供的反馈来建立良好的人工智能心理模型。这些发现应该可以为未来的实验设计提供参考。
使用声流的各向异性复合材料的两光子聚合
在这项工作中，开发了声流辅助的两光子聚合过程（TPP），用于制造各向异性粒子聚合物复合材料。声场（AF）辅助的液滴中纳米颗粒的恒定微孔缩放（也称为声流（AS））导致纳米颗粒在TPP打印的凹槽表面中捕获纳米颗粒。声音电压对流速和粒子捕获效率的影响是建模和表征的。使用的最佳输入电压用于在TPP过程中生成适当的声流以在聚合物凹槽内捕获颗粒，以在逐层的方式中产生三维（3D）各向异性粒子聚合物复合材料。实验结果验证了拟议的制造方法的可行性。2021制造工程师协会（SME）。由Elsevier Ltd.发布的所有权利保留。
“技术日”的时间表（2023年5月11日至12日）
时间：02：50-03：20 pm 1。技术开发5年龄技术与可持续发展9。技术与生物多样性2。人力辅助的尖端技术6。技术和数字鸿沟3。技术破坏地球7。太空技术和人类井为4。未来的技术任务8。印度太空探索之旅
ATIF/参考文献：Bayram, AF、Gurkan, C.、Budak, A. 和 Karatas, H. (2022)。基于 Explaina 辅助的深度学习检测和预测模型
肾脏疾病是全世界最常见的疾病之一，会给大多数人带来难以忍受的痛苦。本研究旨在检测肾脏中的囊肿和结石。为此，YOLO 架构设计用于检测肾脏、肾囊肿和肾结石。YOLO 架构设计由可解释人工智能 (xAI) 功能支持。YOLO 架构设计的性能分析部分使用了三类 CT 图像，即 72 个肾囊肿、394 个肾结石和 192 个健康肾脏。结果，YOLOv7 架构设计优于 YOLOv7 Tiny 架构设计。YOLOv7 架构设计实现了 0.85 的 mAP50、0.882 的精度、0.829 的灵敏度和 0.854 的 F1 分数。因此，开发了基于深度学习的 xAI 辅助计算机辅助诊断 (CAD) 系统来诊断肾脏疾病。
