XiaoMi-AI文件搜索系统
World File Search SystemBased
项目标题：基于创新细胞设计（2024-2027*）的中等温度固体氧化物电解细胞的国际联合研究
氢气有望像电力一样是清洁能源载体，可能会用于燃料电池车等技术。广泛采用氢可以减少碳排放；但是目前，它是由化石燃料生产的。可再生能源波动且能量密度低，因此需要存储才能有效使用它。在这项研究中，我们将开发中端温度固体氧化物电解细胞，以有效地将过量的可再生能力转化为氢以存储，尤其是通过创新细胞的发展。
基于图的蛋白质设计的生成模型
工程蛋白质有可能解决生物医学、能源和材料科学中的许多问题，但在实践中创造出成功的设计却很困难。这一挑战的一个重要方面是蛋白质序列和三维结构之间的复杂耦合，而找到一种可行设计的任务通常被称为逆蛋白质折叠问题。在这项工作中，我们引入了一种基于图形表示的给定三维结构的蛋白质序列条件生成模型。我们的方法通过关注那些在序列中是长距离但在三维空间中是局部的蛋白质，有效地捕捉蛋白质中复杂的依赖关系。这种基于图的方法在速度和可靠性方面都比传统和其他基于神经网络的方法有所提高，并借助深度生成模型向快速和有针对性的生物分子设计迈出了一步。
解决方案加工的上转换光电电视器基于量子点Wenjia Zhou，Yuequn Shang，F。PelayoGarcíaDeArquer，Kaimin
始终引用已发布的版本，因此作者将通过跟踪引用计数的服务获得识别，例如scopus。如果您需要从TSPACE引用作者手稿的页码，因为您无法访问已发布的版本，请引用TSPACE版本，此外已发布
一个基于增强现实的游戏来教授编程
摘要：近年来，技术彻底改变了生活的所有领域。由于编程是软件技术的核心，因此，对程序员的需求也必须日复一日地增加。随着增强现实（AR）和计算机视觉（CV）领域的进步，我们现在可以为教育领域的独特体验开发应用程序。本研究旨在为小学生开发一种学习编程技能的游戏。为学生提供了作为我们游戏标记的卡片。每个标记在AR中都具有独特的编程块，这会导致我们的游戏角色执行一定的动作。学生需要以正确的方式放置这些块才能完成给定的任务。因此，它使学生能够以吸引他们的方式学习一些基本的编程技能。
基于药代动力学的草药 - 药物互动
摘要简介/目标。草药一直是整个人类历史上至关重要的可再生医学来源，因为大部分全球人口仍然取决于它们的健康益处。草药补充剂的日益普及引起了人们对与其他药物原位的总体安全性和潜在互动的明显关注。目的是刺激对草药 - 药物相互作用的未来研究，以及了解这种相互作用的后果的相互作用机制。方法。该审查是通过使用Google Scholar，Science Direct，Mendeley，Scopus和PubMed的数据库进行系统搜索进行的。用英语编写的出版物被使用。据报道，许多草药产品与已知的东正教药物相互作用。抑制诱导机制触发链反应，通常导致药物生物利用度，毒性或不良副作用降低。据报道，一些草药植物构成结合了CYP2C9，CYP2C19，CYP2E1和CYP3A1，以及许多其他暂时或不可逆地结合了CYP3A1。结论。这项研究是通过重申常规和定期向医生和患者提供固有危险（例如降低疗效和与Herb-Drug相互作用（HDI）相关的毒性增加）的不完善性结束的结论。草药使用者应定期建议适当使用草药补充剂，以避免在共同给药期间或联合疗法中发生不良药物相互作用的风险。在HDI中可以观察到协同作用和拮抗作用，因此需要进一步的临床前和临床经验研究来强调HDI的机制和程度。关键字：草药 - 药物相互作用，酶，药代动力学互动，传统医学，细胞色素P450通讯作者：Mary O. Ologe电子邮件：FunMiologe@yahoo.com
海报：基于加强学习的自主行动的鲁棒性驱动到对抗性输入
在这项研究中，我们评估了自主驾驶（AD）系统中增强学习的鲁棒性（RL），特别是反对对抗攻击的稳健性。我们采用了Karavolos等人提出的基于Q学习的AD模型。[1]的简单性，是我们分析的基础。此选择使我们能够在简单的Q学习方法和更复杂的RL系统之间进行明显的比较。我们设计了两个威胁模型，以模拟对基于RL的广告系统的对抗性攻击。第一个模型涉及在RL模型的细调中注入未发现的恶意代码，使其容易受到对抗性扰动的影响，这可能会导致在特定的触发条件下碰撞。第二个威胁模型旨在通过直接改变RL模型在特定触发条件下的行动决策来引起碰撞，这代表了一种更隐秘的方法。基于这些威胁模型，我们对两种主要情况的实证研究提出：操纵传感器输入和直接对动作的扰动。研究结果表明，尽管基于RL的AD系统表现出针对传感器输入操纵的弹性，但在受到直接动作扰动时它们会表现出脆弱性。主要的和宽容的场景涉及更改传感器读数，例如在偏心转弯期间，这可能会误导系统并可能导致事故。这对于小误差很大的操作至关重要。第二种情况直接扰动动作，更多地是对基于RL的AD系统脆弱性的理论研究，而不是实用的现实世界威胁。
MS-EVS：基于多光谱事件的基于深度学习的面部检测的愿景
基于事件的传感是一种相对较新的成像模态，可实现低潜伏期，低功率，高时间分解和高动态范围采集。这些支持使其成为边缘应用和在高动态范围环境中的高度可取的传感器。截至今天，大多数基于事件的传感器都是单色的（灰度），在单个通道中捕获了Visi-ble上广泛光谱范围的光。在本文中，我们介绍了穆斯特朗事件并研究了它们的优势。尤其是我们在可见范围内和近红外范围内考虑多个频段，并探索与单色事件和用于面部检测任务的传统多光谱成像相比的潜力。我们进一步发布了第一个大型双峰面检测数据集，其中包含RGB视频及其模拟色彩事件，N-Mobiface和N-Youtubefaces，以及带有多光谱视频和事件的较小数据集，N-SpectralFace。与常规多频谱图像的早期融合相比，多阶段事件的早期融合可显着改善面部检测性能。此结果表明，相对于灰度等效物，多光谱事件比传统的多光谱图像具有相对有用的有关场景的信息。据我们所知，我们提出的方法是关于多光谱事件的首次探索性研究，特别是包括近红外数据。
基于不同群体的认知功能的大脑连通性与新学习技能之间的关系
方法是根据他们的意愿和可用性选择了14岁及以上的五十个人自愿参加了这项研究。一项李克特级调查评估了学习新技能对认知功能和行为的感知影响，并进行了预研究的调查，以收集人口统计数据和当前的认知能力。主要调查包括有关参与，解决问题，记忆，重点，创造力，信心和持续学习的问题，并以2、4和7周的特定时间间隔进行管理。为了确保数据的准确性和可靠性，调查的设计经过了系统的验证和预测试过程。获得了知情同意书，并通过Google表格匿名进行了调查，并牢固地存储了响应。调查响应被安全存储以确保机密性，数据分析的重点是描述性统计和相关性，以探索学习新技能和认知功能的变化（包括大脑连接性）之间的关系。调查开发的初始阶段涉及与研究假设相关的关键结构：学习新技能对认知能力的记忆功能的影响以及诸如记忆力，问题，关注和问题的影响。基于现有文献和先前关于技能获取和认知发展的研究，制定了一组8个核心问题。这些问题分为主题类别，这些类别解决了认知能力，学习参与和技能的自我评估。此同行审查过程允许对问题的清晰度，相关性和全面性进行反馈。例如，调查要求参与者对他们当前的认知能力的信心，从事挑战认知技能的活动的频率以及在参与新技能后的注意力和解决问题能力方面的提高。为了确保调查的内容有效性，认知心理学和教育评估方面的主题专家对初始问题进行了审查。基于此反馈，进行了少量修订以改善问题措辞，并确保项目与研究的目标直接相关。在调查进行全面执行之前，进行了一个较小的10个人组进行预测试，人口特征与
使用基于能量的模型进行隐式生成和建模
基于能量的模型 (EBM) 因其在似然建模中的通用性和简单性而具有吸引力，但传统上很难训练。我们介绍了在连续神经网络上扩展基于 MCMC 的 EBM 训练的技术，并展示了它在 ImageNet32x32、ImageNet128x128、CIFAR-10 和机器人手轨迹的高维数据域上的成功，获得了比其他似然模型更好的样本，接近当代 GAN 方法的性能，同时覆盖了数据的所有模式。我们重点介绍了隐式生成的一些独特功能，例如组合性和损坏图像重建和修复。最后，我们表明 EBM 是适用于各种任务的有用模型，实现了最先进的分布外分类、对抗鲁棒分类、最先进的持续在线类学习和连贯的长期预测轨迹推出。