XiaoMi-AI文件搜索系统
World File Search SystemAccelerated
新型冠状病毒（COVID-19）加速诊断
摘要：在当前的 COVID-19 大流行中，早期发现和诊断 COVID-19 以及在疾病早期阶段以非侵入性方式准确分离非 COVID-19 病例是关键问题。基于卷积神经网络 (CNN) 的模型具有出色的能力，可为 COVID-19 的检测和诊断提供准确有效的系统。由于发展中国家 RT-PCR（逆转录聚合酶链反应）测试的可用性有限，基于成像的技术可以提供一种替代且经济实惠的解决方案来检测 COVID-19 症状。本文回顾了当前基于 CNN 的方法，并研究了一种定制设计的 CNN 方法，用于从 CT（计算机断层扫描）胸部扫描图像中检测 COVID-19 症状。本研究展示了一种加速 CT 扫描图像分类过程的综合方法。为了缩短计算时间，研究了一种基于硬件的加速方法，并在可重构平台 (FPGA) 上实现。实验结果突出了设计的各种近似值之间的差异，提供了一系列与软件和硬件相对应的设计选项。基于 FPGA 的实现涉及分类任务的简化预处理特征向量，这是此特定应用的独特优势。为了证明所提方法的适用性，分别测量了基于 CPU 的分类和 FPGA 的结果并进行了回顾性比较。
不同膜的吸附行为在bismuthene上
近年来，材料科学实验室的自动化和机器人技术已经变得越来越易于使用，并且该领域的研究人员受到实验创新和加速材料发现的希望所激发的。研究人员正在努力实施实验过程的自动化，也是实验室中的自主权。（实验室自治是指实验过程和分析以及解释，决策和计划的自动化和整合。）为了达到这一点，实验室自动化和自主权的实施是一个研究项目，在时间和金钱方面具有重要的前期费用。但是，我们现在进入一个阶段，将这些新功能应用于实验实验室中，其中主要研究目标超出了优化，以实现对新兴应用的知识或材料发现。因此，出现了不同的用例和需求，这可能与设计自动驾驶实验室时看到的模式不同。1 - 3
GAO-21-158，DOD Critical Technologies
•对制造供应链的中断：疫苗制造供应链因全球大流行造成的某些商品和劳动力中断的全球需求而受到紧张。例如，一个工厂制造的Covid-19疫苗的代表说，他们面临挑战，包括试剂和某些化学物质。他们还说，由于全球需求，他们等待了4至12周的时间，以便在大流行之前通常可以在一周内发货之前。疫苗公司以及国防部和HHS官员告诉GAO，他们已经采取了几项努力，以应对可能的制造中断并减轻供应链挑战。这些努力包括（1）加快生产设备的加快采购和交付，（2）制定一系列关键供应清单，这些供应列表在六个OWS疫苗候选者中很常见，并且（3）加快进入美国必要的设备和商品的交付。此外，国防部和HHS官员表示，根据《国防生产法》，他们对疫苗公司的18次供应合同进行了优先评级，该法案允许具有授权授权的联邦机构要求承包商优先考虑疫苗生产所需供应的合同。
加速压力测试 (AST) 开发
电解在 1000 mA/cm 2 电流密度下进行，电解液为 35% KOH，温度为 200~，压力为 30 atm。电解 250 小时后，由于腐蚀产物在阳极内累积，阳极孔隙率从约 45% 降至约 20%。
巴西加速发展之路的关键
本报告包含 4 个章节和一份执行摘要。第 1 章描述了我们的项目目标和方法。第 2 章描述了总体层面的分析和结论。本章提供了我们的结论，即可以从总体层面的分析中学到什么，以及哪些问题无法在该层面上回答，而必须在行业案例研究层面上解决。第 3 章介绍了我们的研究结果综合，包括我们对巴西生产力和未来增长前景的总体结论。第 4 章包括我们的八个行业案例研究：航空、汽车、食品加工、食品零售、住宅建筑、零售银行、钢铁和电信。每个案例都给出了我们的生产力计算结果，并讨论了我们发现巴西与基准国家之间存在差异的原因。每个案例前面都有一页的案例结果摘要。如果读者对我们的总体结果更感兴趣，而对部分或全部案例的具体内容不太感兴趣，他们可能会选择阅读摘要，而不是整个案例。
数据驱动的化学：加速设计和发现
英国伦敦帝国帝国学院的阿伦·沃尔什（Aron Walsh）材料系教授，化学景观正在通过人工智能（AI）社区的新技术和工具的整合而变化。硬件的进度（包括经典的超级计算机和新兴量子计算机）以及包含高级算法和统计机器学习模型的软件进步[1]来促进这些更改。最新的发展（例如大型语言模型和生成扩散技术）正在解锁应用领域，从多模式表征到自动驾驶实验室。本研讨会将介绍数据驱动的化学领域，强调其增强化学发现的潜力，并加快对促进下一代清洁能源技术必不可少的化合物的鉴定[2]。i将包括最新进度的见解，这些进展表征与太阳能应用相关的材料，同时解决诸如可靠的结构 - 专业数据库之类的障碍，以实现更强大的模型，这些模型可重复且可重复[3]。[1]“分子和材料科学的机器学习”自然559，547（2018）[link] [2]“生成人工智能解决了逆材料设计吗？”物质7，2355（2024）[链接] [3]“开放计算材料科学”自然材料23，16（2024）[link]传记阿隆·沃尔什（Aron Walsh）在都柏林三一学院（爱尔兰）开始了他的职业生涯，他的博士学位专注于固体的计算机模拟。在美国国家可再生能源实验室（美国）的博士后住宿后，他在英国巴斯大学（University of Bath）举行了皇家学会大学研究奖学金，并加入了伦敦帝国学院的材料设计主席。他因其在太阳能理论方面的工作和RSC Corday-Morgan奖而被授予EU-40奖，因为他对计算化学的贡献。Aron在Clarivate高度引用的研究人员列表中的特征，并且是《美国化学学会杂志》的副编辑，涵盖了能源材料和人工智能。
加速合成工作流反应简介...
Ray Boffey, Alicia Galván Álvarez, Joe Mason, Gabriel Negoita-Giras, David Gibson, Adam Wallington, Aidan Johnson, Luke Williams, Megan O'Brian, Amy Dunn, Mehul Jesani, Venu Komanduri, Anthony Jacovides, Carys Thomas, James Harnedy, Poppy Wood, Sarah Whipple, Soumya Dhanavade，Scarlett Turner，Natasha Pretot，Cameron Haddow，Nicholas Bland，Anna Hopkins，Graeme Sloan，Philip Fallon，Gary Pitt，Trevor Askwith和Andrew Ratcliffe
加速材料发现的自主实验室
近年来，材料科学实验室的自动化和机器人技术已经变得越来越易于访问，并且该领域的研究人员受到实验创新和加速材料发现的承诺的动机。研究人员正在努力赋予实验过程的自动化以及实验室的自主权。（实验室自主权是指实验过程和分析的自动化和集成，以及进化，决策和计划。）为了达到这一点，实验室自动化和自主权的实施通常是一个研究项目，其时间和金钱在时间和金钱方面都有明显的前期成本。但是，我们现在进入一个阶段，其中这些新功能应用于实验实验室中，其中主要研究目标超出了优化，以至于科学知识或材料发现新兴应用。因此，出现了不同的用例和需求，这可能与设计自动驾驶实验室时的模式有所不同。1–3