XiaoMi-AI文件搜索系统
World File Search System过分
通过分析脑磁共振成像早期诊断帕金森病
帕金森病 (PD) 是一种影响运动技能的慢性疾病，症状包括震颤和僵硬。目前的诊断程序使用患者评估来评估症状，有时使用磁共振成像 (MRI) 扫描。然而，症状变化会导致评估不准确，而 MRI 扫描的分析需要经验丰富的专家。这项研究提出通过结合帕金森病进展标志物倡议 (PPMI) 数据库中的症状数据和 MRI 数据，利用深度学习准确诊断 PD 严重程度。实施了一种新的混合模型架构，以充分利用这两种形式的临床数据，还开发了仅基于症状和仅基于 MRI 扫描的模型。基于症状的模型集成了完全连接的深度学习神经网络，MRI 扫描和混合模型集成了基于迁移学习的卷积神经网络。所有模型都不是只执行二元分类，而是将患者诊断为五个严重程度类别，其中零期代表健康患者，四期和五期代表 PD 患者。仅症状模型、仅 MRI 扫描模型和混合模型分别实现了 0.77、0.68 和 0.94 的准确率。混合模型还具有较高的准确率和召回率，分别为 0.94 和 0.95。真实的临床病例证实了混合模型的强大性能，其中患者被其他两个模型错误分类，但被混合模型正确分类。它在 0-4 严重程度的五个阶段中也保持一致，表明早期检测准确。这是第一份将症状数据和 MRI 扫描与如此大规模的机器学习方法相结合的报告。
通过分层合成重新优化量子电路
摘要 — 量子计算的当前阶段处于噪声中型量子 (NISQ) 时代。在 NISQ 设备上，双量子比特门（例如 CNOT）比单量子比特门噪声大得多，因此必须尽量减少它们的数量。量子电路合成是将任意幺正分解为一系列量子门的过程，可以用作优化工具来生成更短的电路以提高整体电路保真度。然而，合成的解决时间随着量子比特数量的增加而呈指数增长。因此，对于大规模量子比特电路来说，合成是难以实现的。在本文中，我们提出了一个分层的逐块优化框架 QGo，用于量子电路优化。我们的方法允许指数成本优化扩展到大型电路。QGo 结合使用分区和合成：1) 将电路划分为一系列独立的电路块； 2) 使用量子合成重新生成和优化每个块；3) 通过将所有块拼接在一起重新组成最终电路。我们进行分析并展示三种不同情况下的保真度改进：真实设备上的小尺寸电路、噪声模拟中的中尺寸电路和分析模型上的大尺寸电路。我们的技术可以在现有优化之后应用，以实现更高的电路保真度。使用一组 NISQ 基准，我们表明，与 t | ket ⟩ 等工业编译器优化相比，QGo 可以将 CNOT 门的数量平均减少 29.9%，最多可减少 50%。在 IBM Athens 系统上执行时，较短的深度可带来更高的电路保真度。我们还展示了 QGo 技术的可扩展性，以优化 60 多个量子比特的电路。我们的技术首次成功展示在大型电路的编译工具链中采用和扩展合成。总体而言，我们的方法非常稳健，可以直接纳入生产编译器工具链，以进一步提高电路保真度。索引术语——量子计算、优化、综合、量子编译器
通过分析和综合技能开发后疫情时代高等教育的信息素养评估工具
1 印度尼西亚三宝垄迪波尼戈罗大学人文学院图书馆学系摘要。信息素养是获取、分析和利用信息的技能的集合。这些技能在充斥着印刷和数字信息的生活中变得非常重要。信息素养技能也已成为学校和教育中不可或缺的一部分，但信息素养仍然很抽象，因此很难衡量。本研究旨在解释大学和研究图书馆协会 (ACRL) 的《高等教育信息素养框架》中包含的参考标准，并开发测量信息素养技能的工具，以及验证工具。该工具旨在通过以下标准评估分析和综合抽象科学著作的能力：(i) 信息源的选择、(ii) 主题的选择、(iii) 主题的评估和 (iv) 引用技能。该工具验证使用行动研究方法，涉及 120 名本科生，包括一年级学生和最后一年的学生。 1 引言 然而，全球通信过程导致了新的教育模式的出现，这主要归功于信息和通信技术 (ICT) 的发展。尽管以前的教学侧重于教师指导和学生学习，但现在的教育模式更注重主动学习。这种情况迫使参与教学过程的参与者的角色发生变化 [1]，[2]。学生不再是一个死记硬背学习材料的被动主体。然而，学生必须具备一系列能够连贯地获取信息的技能和能力。信息素养基于一系列能力和技能，其中一些是通用的，另一些是每个学科独有的，与学生在最佳条件下自学所需的技能有关。欧洲高等教育区 (EHEA) 致力于协调和建立欧洲大学研究之间的一体化，它提出了高等教育理念的转变，以强调学习资源的专业管理，而不是单纯的知识积累 [3]，[4]，[5]。 Tuning1 项目就是为实现这些目标而创建的，重点关注教育框架和研究内容。该项目定义了 30 项能力，称为横向或通用能力。近年来，能力和技能型教育这一主题在信息科学 2 中变得越来越重要。它导致了一条称为信息素养的研究路线，该路线侧重于使用信息的能力（搜索、组织、处理、表示和管理）。虽然
决策分析师：通过分析愿景导航未来
该公司成立于1978年，是北美最大的研究和分析公司之一。该公司由其150名员工私有，为全球各地的一系列主要公司，广告机构和政府实体提供服务。公司以满足截止日期，保持预算范围并提供所承诺的一切感到自豪。决策分析师总部位于达拉斯/沃思堡地区。
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/d/dd5abf0752fcc9f891dc4a96743f916f96f28350.png)
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过分析进行飞机认证的指南
当前和未来的飞行和发动机建模技术。CbA 的诸多好处包括以较低的成本简化产品认证测试程序，同时保持同等的安全水平。就本文而言，飞行和发动机建模包括所有类型的分析方法，包括基于风洞和/或其他地面测试结果的分析以及数值方法（例如计算流体动力学 (CFD)）等。在 CbA 的背景下，分析用于获得认证合规性结果，这些结果传统上是通过物理测试获得的，例如飞行测试或发动机地面测试。尽管目前的分析技术和流程不足以充分解决当今 CbA 的大多数方面，但监管机构已根据具体情况接受了 CbA 的个别应用。需要齐心协力大幅提高分析能力，才能充分发挥 CbA 的优势。
通过分销采购电力的关税框架
1.7 MNRE基于关税的竞争竞标过程，用于从网格连接的风太阳能混合项目中采购电力（No. 238/78/2017-Wind dated 14.10.2020) ....................................................................................................................................................141.7 MNRE基于关税的竞争竞标过程，用于从网格连接的风太阳能混合项目中采购电力（No.238/78/2017-Wind dated 14.10.2020) ....................................................................................................................................................14
引用 (APA)：Wang, C.、Xiao, Y.、Zsurzsan, G. 和 Zhang, Z. (2021)。双有源桥式转换器中通过分割电感实现人工智能辅助参数设计。IEEE 第 12 届亚洲能源转换大会暨博览会论文集（第 554-561 页）。IEEE。https://doi.org/10.1109/ECCE-Asia49820.2021.9479386
摘要 — 关于双有源桥 (DAB) 转换器实现零电压开关 (ZVS) 的研究非常丰富，其中将接口电感分开并放置在变压器两侧是扩展所有开关器件 ZVS 区域的有效方法。然而，由于转换器模型复杂且考虑了寄生元件，传统的分析模型很难在高开关频率 (即 >1MHz) 下精确模拟所提出的转换器。因此，转换器系统可以看作是一个灰箱模型。因此，可以利用人工智能 (AI) 技术在这个灰箱内进行有针对性的优化。在这种情况下，DAB 转换器参数设计中采用了一种具有明确适应度要求的遗传算法。介绍了将 AI 技术应用于转换器参数设计的方法，并通过 1 MHz 氮化镓 (GaN) 基 DAB 转换器原型进行了验证。
1 通过分子口述技术合成无错误 DNA 作者
图 1. (A) 用于富集无错误 DNA 的受控反向链合成示意图。从左到右：来自不同来源的 DNA 可用作起始材料，如果尚未固定在固相上，则固定在固相上。使用高保真 DNA 聚合酶和在每个循环中提供预期的核苷酸，在 3' 端退火并延伸引物。所使用的核苷酸可以是可逆终止子、天然 dNTP 和/或不可逆终止子（组合），具体取决于预期的错误类型（参见正文）。受控反向链合成导致错误模板的滞后或过早终止，并使它们容易受到单链特异性酶消耗的影响