XiaoMi-AI文件搜索系统
World File Search System2018a
美国农业、林业和农村的可再生能源趋势、选择和潜力
美国可再生能源的持续增长为农业和林业部门以及农村社区提供了巨大的经济机会。仅从风能系统来看，农村土地所有者现在每年可获得 2.89 亿美元的租赁收入（DOE，2019a）。自 2008 年以来，太阳能光伏 (PV) 行业在全国范围内扩大了 800 倍，还为拥有大型系统的土地所有者提供租赁付款，其中许多位于农村地区（EIA，2020a，表 6.1.A；EIA，2019a）。在该国许多地区，企业或家庭可以使用较小的光伏系统来减少电费。自 2000 年以来，玉米乙醇年产量增长了 10 倍，目前全国产量为 160 亿加仑，乙醇占国内玉米产量的近 40%（USDA，2019a，表 10 和 16；USDA，2018a）。从百分比来看，美国生物柴油产量（主要来自大豆油）在此期间增长了 200 倍，目前每年产量为 17 亿加仑（EIA，2020b，表 10.4）。农业和林业企业从扩大可再生能源产品（包括运输燃料、电力和热能）及其原料市场中获得直接经济利益的例子还有很多。报告中回顾了这些例子。
有关研究主题的社论线粒体功能障碍会影响心力衰竭的机械能量耦合
心力衰竭（HF）是一个不断增长的公共卫生问题，影响了人口的1％ - 3％（Van Riet等，2016）。HF的常见原因是高血压，糖尿病和肥胖症。HF与代谢功能障碍有关，涉及选择首选底物的改变，中间代谢的变化以及缺陷的能量和氧化还原稳态。增加数据表明心脏代谢与心脏功能之间的直接联系。从机械上讲，代谢变化通过引起表观遗传改变，信号通路失调和翻译后调节改变而影响心脏功能（Bertero and Maack，2018b； Lopaschuk等，2021； Ritterhoff和Ritterhoff和Tian，2023）。相反，HF中的病理心脏工作量增加可以超过能量供求匹配，并引起严重的代谢改变（Bertero and Maack，2018a）。该研究主题的目的是阐明心脏代谢和线粒体功能障碍如何影响机械能源耦合以及最终的心脏功能。由于其在代谢中的核心作用，线粒体对于心脏功能至关重要。中央线粒体功能，包括能量提供和氧化还原稳态，受Ca 2+信号的调节。在他们的评论中，Popoiu等。总结了详细的分子机制，如何将线粒体功能和肌动感收缩联系起来。在线粒体中，呼吸链的氧化磷酸化将NADH氧化为NAD +
能源系统思维和热能脱碳……
1. 更新作者 2018 年 5 月发表的早期论文《英国热能脱碳和“绿色气体”的作用》（Keay 2018a）中的技术讨论。自那以后，英国政府采纳了 2050 年的零净碳排放目标，这是一项重大进展。这使得 2018 年论文中研究的核心方案（用甲烷蒸汽重整产生的氢气替代天然气）不太可能成为实现热能脱碳的可接受途径。即使采用碳捕获和储存 (CCS)，排放量对于零碳情景来说也太高了，因为 CCS 通常只能去除蒸汽重整过程中产生的高达 90% 的二氧化碳（尽管将二氧化碳的使用添加到混合物中 - 即 CCUS - 可能会改变这一情况）。然而，早期论文中讨论的核心问题仍然存在 - 热能需求达到峰值，这使得仅依靠电力变得困难。因此，混合方案现在成为政策讨论中的“领跑者”，即大部分热能需求将通过热泵用电来满足，而峰值需求则只通过氢锅炉来满足。如果运行高效，锅炉的使用时间只需要 10% 左右，因此任何排放都可以保持在非常低的水平，因此可以现实地假设这些排放可以通过信用额度（如果允许）或经济其他领域的负排放来抵消。
迈向可信赖、可解释的人工智能
1 简介 机器学习 (ML) 模型广泛应用于许多实际应用的决策过程。现代 ML 方法的快速发展、实际成就和整体成功 [LeCun et al. , 2015; Jordan and Mitchell, 2015; Mnih et al. , 2015; ACM, 2018] 保证了机器学习将作为一种通用计算范式盛行，并将找到越来越多的实际应用，其中许多与我们生活的各个方面有关。不幸的是，ML 模型有时会灾难性地失败 [Zhou and Sun, 2019; CACM Letters to the Editor, 2019]。它们还可能由于模型中的偏见（例如种族、性别、年龄）而支持糟糕的决策 [Angwin et al. , 2016]。由于脆弱性，它们的决策可能会令人困惑 [Szegedy et al. , 2017]。 ，2014；Goodfellow 等人，2015]。因此，迫切需要了解 ML 模型的行为，分析模型（或用于训练模型的数据）的（潜在）故障，对其进行调试并可能进行修复。这引起了人们对验证 ML 模型操作的兴趣日益浓厚 [Ruan 等人，2018；Narodytska，2018；Narodytska 等人，2018b；Katz 等人，2017]，同时也激发了旨在设计可解释人工智能（XAI）方法的努力 [Ribeiro 等人，2018；Lundberg 和 Lee，2017；Ignatiev 等人，2018；Narodytska 等人，2018a；Ribeiro 等人, 2016;伊格纳季耶夫等人。 , 2019a;
通过长短期记忆循环深度神经网络提高基于脑电图的情绪识别的准确性
人们已经采用了多种方法来辨别人类的情绪，包括分析语音模式和语调（ Moriyama 和 Ozawa，2003；Zeng 等人，2009）。然而，值得注意的是，这种身体状态很容易被操纵或模仿（ Schuller 和 Schuller，2021）。面部表情及其变化通常用于情绪识别；然而，这些表情可以被个人有意修改，这对准确辨别他们的真实情绪提出了挑战（ Aryanmehr 等人，2018； Dzedzickis 等人，2020； Harouni 等人，2022）。 EEG（脑电图）是一种通过测量大脑内集体神经活动产生的电压变化来监测大脑活动的技术（San-Segundo 等人，2019 年；Dehghani 等人，2020 年、2022 年、2023 年；Sadjadi 等人，2021 年；Mosayebi 等人，2022 年）。脑电图是大脑活动和功能的反映，具有多种应用，包括但不限于情绪识别（Dehghani 等人，2011a、b、2013；Ebrahimzadeh 和 Alavi，2013；Nikravan 等人，2016；Soroush 等人，2017、2018a、b、2019a、b、2020；Bagherzadeh 等人，2018；Alom 等人，2019；Ebrahimzadeh 等人，2019a、b、c、2021、2022、2023；Bagheri 和 Power，2020；Karimi 等人，2022；Rehman 等人，2022；Yousefi 等人，2022， 2023 年）。
功能材料在器官移植中的生物医学应用...
器官芯片 (OOC) 是一种基于微流控的细胞培养装置，其中包含连续灌注的腔室，其中有活细胞，用于模拟组织和器官水平的生理学 ( Bhatia and Ingber，2014；Ahadian 等人，2018)。OOC 的开发源于人们认识到传统的二维静态细胞培养方法无法模拟细胞在体内所处的环境 ( Ryan 等人，2016；Duval 等人，2017)。微流控技术通过在微观层面操纵流体，提供了一种模拟时空化学梯度、动态机械力和关键组织界面的方法。已经开发出可以重现人类肺（Huh et al., 2010）、心脏（Maoz et al., 2017）、胃（Lee KK et al., 2018）、肠（Kim et al., 2016）、肝（Weng et al., 2017）、肾（Sateesh et al., 2018）、血管（Wang et al., 2015）等复杂生理微环境关键方面的 OOC 系统。此外，已经提出了多器官芯片或身体芯片系统（Sung et al., 2019；Zhao et al., 2019a）。 OOC 平台已在许多生物医学领域显示出应用潜力，例如基础生理和药理学研究（ Zhang and Radisic，2017 ； Zhang et al.，2018a ）。
教育经济学 - Eric A. Hanushek - 斯坦福大学
全球经济条件的变化引起了公民对他们未来和社会繁荣的担忧。新的挑战不断涌现，包括自动化和数字化转型等技术变革、贸易模式的转变和全球经济紧张局势的加剧、政治两极分化和民粹主义的兴起，以及对不平等，尤其是机会不平等的日益担忧。在应对这些挑战时，人口教育不仅被视为个人和社会经济繁荣的关键组成部分，也是社会凝聚力的关键组成部分。研究支持这些观点，表明学生的教育成就为未来劳动力的技能奠定了基础，并决定了长期经济增长和未来的经济福祉（Hanushek 和 Woessmann 2015a）。尽管如此，在制定和评估计划和政策时，往往缺乏对教育系统改进的经济影响的定量评估，这增加了政治决策严重扭曲的可能性。欧洲提供了一个有趣的实验室，可以研究教育的广泛政治目标以及当前表现和潜在经济收益的巨大差异。欧盟各地学生的教育成绩存在严重缺陷，欧盟成员国学生在数学、科学和阅读成绩方面的表现差异很大。这些差异与未来劳动力的技能差异直接相关。平均成绩缺乏趋同表明，随着时间的推移，经济差距不断扩大。在关于欧洲未来的辩论中，欧盟委员会（2018a）表达了对加强欧洲教育的强烈政策兴趣。其通讯“建设更强大的欧洲”：
Hunt，K。M. R. Orcid：https：//orcid.org/0000-0000-0003-1480-3755和Harrison，S。P. Orcid：https：//orcid.org/0000-0000-0000-0000-0000-1903（2025）
高分辨率的天气和气候建模对于城市的日常运营和未来城市状况的计划非常感兴趣（Baklanov等，2018）。开发用于城市应用和服务的运营产品需要开发和评估下一代数值天气预测（NWP）模型，并探索了100 m的网格细胞分辨率（例如Boutle等，2016; 2016; Lean等，2019）。这些量表会提出新的挑战，因为解决了更大的异质性和城市形式和财产的复杂性，但它们提供了潜在的挑战，以提供邻国规模的信息，以支持广泛的综合城市服务（世界气象组织[WMO]，2019年）。为了提供城市地区所需的更高分辨率，正在开发次级尺度模型（Joe等，2018），以在千尺度模型中筑巢。鉴于缺乏适当的常规观察结果，对城市地区模型的验证仍然是一个挑战（Grimmond＆Ward，2021年）。 城市地区的任何WMO观测位置（WMO，2018a）都可能位于城市顶篷层内，而不是惯性的子层或恒定通量层（Tang等，2021）。 标准的WMO现场观测，例如位于城市公园的观测值，代表了草地，而不是在不同邻居中发生的建筑物和植被的混合。 如果使用城市冠层层观测来进行模型评估，则需要适当地对变量从惯性s层到城市冠层内部的变量进行适当的降级（例如，Blunn等，2022; Tang等，2021; Theeuwes等，Theeuwes等，2019; Wang，2014; Wang，2014）。鉴于缺乏适当的常规观察结果，对城市地区模型的验证仍然是一个挑战（Grimmond＆Ward，2021年）。城市地区的任何WMO观测位置（WMO，2018a）都可能位于城市顶篷层内，而不是惯性的子层或恒定通量层（Tang等，2021）。标准的WMO现场观测，例如位于城市公园的观测值，代表了草地，而不是在不同邻居中发生的建筑物和植被的混合。如果使用城市冠层层观测来进行模型评估，则需要适当地对变量从惯性s层到城市冠层内部的变量进行适当的降级（例如，Blunn等，2022; Tang等，2021; Theeuwes等，Theeuwes等，2019; Wang，2014; Wang，2014）。公民科学天气站，例如，Netatmo（Chapman等，2017; Fenner等，2021）和WOW（Kirk等，2021） - 和WMO（2018b）改装城市地点，城市地点可以更好地代表其来源地区的土地覆盖物的混合物（Coney等，Coney等，20222222222； Corne and al。等，2008）。eddy协方差（例如，Hertwig等，2020； Masson等，2002）和大孔径闪光测定法（Saunders等，2024）传感器允许测量惯性sublayer中通量的测量，但有受限的远距离cov-cov-cov-erage Erage（Grimmond＆Al a an Al an Al an Al an Al an an Al and an an an Al and and and and an。基于地面的遥感技术，例如自动激光痛和天花板和多普勒风痛，可以评估垂直轮廓，但在水平覆盖范围内仍然有限。对此类传感器的密集部署通常仅限于持续数月到几年的活动，例如，在柏林的乌尔比斯菲尔（Fenner等，2022）或巴黎的Paname中（Kotthaus等，2023年）。
人工智能与技能溢价
近几十年来，工业机器人已成为制造业中执行相对常规机械任务的工人越来越重要的替代品。全球操作工业机器人的数量强劲增长，特别是自 2008-2009 年全球经济和金融危机以来（参见 Abeliansky 等人，2020 年；Prettner 和 Bloom，2020 年；Jurkat 等人，2022 年）。最近的研究表明，这种趋势给低技能工人的工资带来了下行压力，比高技能工人的工资压力更大（参见 Acemoglu 和 Restrepo，2018b，2020 年；Dauth 等人，2021 年；Cords 和 Prettner，2022 年）。因此，技能溢价增加了（参见 Lankisch 等人，2019 年；Prettner 和 Strulik，2020 年）。随着 2022 年秋季 ChatGPT 的出现，以及更广泛地说，随着人工智能 (AI) 近年来取得的令人瞩目的进步，人们开始思考技能溢价的未来演变将受到怎样的影响（参见 Acemoglu 和 Restrepo，2018a）。这是因为，与工业机器人相比，人工智能主要替代高技能工人执行的任务。例如，基于人工智能的模型和设备越来越多地用于诊断疾病、开发药物、撰写报告、编写代码，或者只是在营销和研发等领域产生鼓舞人心的想法。由于这些任务通常是非例行的，并且由高技能工人执行，人工智能可能会对他们的工资造成下行压力，从而也对技能溢价造成下行压力。为了分析人工智能对总体水平的技能溢价的影响，我们开发了一个一般嵌套的恒定替代弹性 (CES) 生产函数，其中机器人替代低技能工人，人工智能替代高技能工人。我们允许机器人和人工智能对不同技能水平的工人进行不完全替代，并推导出人工智能的出现会降低技能溢价的条件。
普雷特纳，克劳斯；萨达维，贾梅尔；马里奥·维鲁埃特
近几十年来，工业机器人已成为制造业中执行相对常规机械任务的工人越来越重要的替代品。全球工业机器人的存量强劲增长，尤其是自 2008-2009 年全球经济和金融危机以来（参见 Abeliansky 等人，2020 年；Prettner 和 Bloom，2020 年；Jurkat 等人，2022 年）。最近的研究表明，这种趋势给低技能工人的工资带来了下行压力，比高技能工人的工资压力更大（参见 Acemoglu 和 Restrepo，2018b，2020 年；Dauth 等人，2021 年；Cords 和 Prettner，2022 年）。结果，技能溢价增加了（参见 Lankisch 等人，2019 年；Prettner 和 Strulik，2020 年）。随着 2022 年秋季 ChatGPT 的出现，以及更普遍地说，随着最近人工智能 (AI) 取得的令人瞩目的进步，人们不禁要问，技能溢价的未来演变将受到怎样的影响（参见 Acemoglu 和 Restrepo，2018a）。这是因为，与工业机器人相比，人工智能主要取代了高技能工人执行的任务。例如，基于人工智能的模型和设备越来越多地用于诊断疾病、开发药物、编写报告、编码，或者只是在营销和研发等领域产生鼓舞人心的想法。由于这些任务通常是非例行的并且由高技能工人执行，人工智能可能会对他们的工资造成下行压力，从而也对技能溢价造成下行压力。为了分析人工智能对总体技能溢价的影响，我们开发了一个通用嵌套恒定替代弹性 (CES) 生产函数，其中机器人替代低技能工人，人工智能替代高技能工人。我们允许机器人和人工智能对不同技能水平的工人进行不完全替代，并推导出人工智能的出现会降低技能溢价的条件。