乌得勒支大学哥白尼可持续发展研究所。 Princetonlaan 8a, 3584, CB,乌得勒支,荷兰 b 代尔夫特理工大学土木工程与地球科学学院基础设施设计与管理科,Stevinweg 1, 2628 CN,代尔夫特,荷兰 c 锡根大学艺术与人文学院社会科学系,Adolf-Reichwein-Straße 2, 57068,锡根,德国 d ECOLOG 社会生态研究与教育研究所,Wichernstraße 34, 21335,吕讷堡,德国 e 吕讷堡大学,可持续性治理研究所,Universit ¨ atsallee 1, 21335,吕讷堡,德国 f 慕尼黑工业大学巴伐利亚公共政策学院,Richard-Wagner-Straße 1, 80333 Muenchen,德国 g 高级可持续性研究中心, Berliner Str. 130, 14467 Potsdam, 德国 h 柏林工业大学环境经济与环境政策系,Straße des 17. Juni 135, 10623, Berlin, 德国
在这里,我们使用了一种条件性 FA 通路互补系统,其中 FANCA 突变的患者来源的 IPSC 带有可诱导的 FANCA 表达盒。22 我们在造血定向分化系统中使用这些细胞来获得确定的 FA HPC 和同源对照 HPC。23 FANCA 缺陷型、IPSC 衍生的 HPC 表现出与人类 FA 一致的表型,包括对基因毒性应激的敏感性和培养中克隆形成性降低。使用该系统,我们发现 FANCA 缺陷型 HPC 中 p53/p21 轴的激活会阻碍细胞周期进程并驱动终末分化。我们将生长停滞特异性 6 (GAS6) 确定为分化过程中 p53 的靶点,并表明调节 GAS6 信号传导可以挽救 FANCA 缺陷型 HPC 中的造血。该系统克服了使用 IPSC 研究 FA 的挑战,并为进一步研究 FA 病理生物学提供了人类 FA HPC 和同基因对照的可再生来源。
抽象的各种故障会导致电动机故障,从而导致停机时间和资产损失。故障检测技术在行业中非常需要预测和防止此类故障。机器学习的最新进展已启用数据驱动的模型,这些模型可以从电动机中监视的信号中识别故障。但是,这些信号可能很复杂,并且表明故障的特征是微妙的。因此,需要提取与信号故障相关的信息特征的有效方法。在本文中,我们探讨了对比度学习在检测相位电流信号的轴承断层中的使用。我们开发了一个模型架构,该模型结构由两个部分,一个特征提取器和一个分类器组成,其中特征提取器使用监督的对比度学习进行了预训练。在Pader-Born University轴承故障数据集上进行了测试,我们的模型达到了87%的高故障分类精度,这表现优于常规机器学习模型。我们还进行了消融测试,以证明该模型中基于对比的学习培训的重要性。通过研究模型的分类结果和提取的特征,我们进一步探讨了对比度学习在提取区分不同类别的特征中的效果。我们预计对比度学习可以奠定更准确的故障检测模型的基础,并将其扩展到其他实际的故障检测任务。
半导体学报,中国科学院半导体研究所,中国电子学会 - CIE,顾问委员会成员,2021 - 2023 年 IEEE CASS 会士评议委员会副主席,2021 届和 2022 届 IEEE A-SSCC 2019 总主席 IEEE CASS 会士评议委员会成员,2019 届 IEEE CASS 会士评议委员会主席,2018 届 ACM/IEEE ASP-DAC 2016 提名委员会总主席 IEEE CAS 学会 2016 第一分部 (CASS、EDS、SSCS) 成员 – IEEE 提名委员会主任、CASS 代表,2014 年 IEEE CAS 学会会士评议委员会,2013 届和 2014 届 IEEE CAS 学会全球副主席、地区活动和会员资格,2012-2013 2010 - 2013 IEEE CAS 学会副主席(地区 10/亚洲、澳大利亚、太平洋)2009 - 2012 IEEE APCCAS 2008 总主席 IEEE 澳门分会 CAS/COM 创始主席,2005 - 2008 IEEE 澳门分会创始主席,2003 - 2005