XiaoMi-AI文件搜索系统
World File Search SystemCombinatorial
第 13 届组合搜索研讨会的经验教训
组合搜索研讨会 (SoCS) 是人工智能 (AI) 研究人员的年度会议，他们对符号状态空间搜索的理论和实践感兴趣。SoCS 2020 现已进入第 13 届，于 5 月 26 日至 28 日完全在线举行。将 SoCS 以虚拟会议的形式举行是应对全球冠状病毒大流行的一项最新决定。对于 SoCS 系列研讨会以及更广泛的 AI 社区来说，这是一个重大转变，该社区重视线下会议作为传播新科学成果的主要方式。由于时间较早，SoCS 2020 被社区中的一些人视为一次实验，领先于其他决定推迟或转向完全在线形式的大型人工智能会议，例如约束编程原则与实践会议、欧洲人工智能会议、国际自动规划和调度会议 (ICAPS)、国际人工智能联合会议以及国际知识表示和推理原理会议。
HDAC1 和 PRC2 介导 SPI1/... 中的组合控制
转录调控是一个复杂的过程，涉及特定染色质环境中的一系列蛋白质活动。转录因子 (TF) 是此过程的主要贡献者，它们与伙伴、辅激活因子或表观遗传因子一起发挥作用，其中一些被称为先驱 TF，能够使染色质结构允许辅激活因子和表观遗传因子的作用。表观遗传景观在造血稳态和分化程序中起着重要作用；因此，有可能从染色质动力学构建一个完整的造血模型 ( 1 , 2 )。编码表观遗传修饰因子 (TET2、IDH1 / 2、DNMT3A 和 ASXL1) 的基因突变在急性髓系白血病 (AML) 患者中很常见，进一步表明这种类型的成分在驱动 AML 发展中起着重要作用。 TF SPI1 / PU.1 属于 E26 转化特异性 (ETS) 家族，是造血控制的主要贡献者，在髓系和 B 淋巴系的特化和分化中发挥积极作用 ( 3–5 )。SPI1 最初被描述为一种转录激活因子，被认为是一种先驱 TF，因为它能够结合或接近封闭的核小体构象，并使辅因子能够结合染色质 ( 6–9 )。例如，在巨噬细胞中，SPI1 通过结合封闭的染色质来激活其靶基因的转录，在那里它通过募集表观遗传修饰因子（如 CBP/P300 或 SWI/SNF 复合物）来驱逐核小体 ( 6 、 7 、 10 、 11 )。这一动作指示创建一个新的增强子，使组蛋白 3 的赖氨酸 4 (H3K4me1) 单甲基化，并在增强子位点募集额外的 TF (6,7)。SPI1 通过表观遗传调控控制转录激活的功能在 B 淋巴细胞和破骨细胞分化中也有描述 (12,13)。因此，除了与谱系决定辅因子协同控制基因表达方面发挥众所周知的作用外，SPI1 对转录活性的影响还与表观遗传调节因子协同介导。最近有报道称，SPI1 在正常造血、控制适当的中性粒细胞免疫反应 (14)、早期 T 细胞 (15,16) 和破骨细胞 (12) 中抑制转录。实现更好的
Marco：组合优化的内存增强框架
神经组合优化（NCO）是一个新兴领域，采用深度学习技术来解决组合优化问题作为独立的求解器。尽管具有潜力，但现有的NCO方法通常会避免效率低下的搜索空间探索，这通常会导致对先前访问的州的局部最佳捕集或重大探索。本文介绍了一种多功能框架，以组合优化为内存的增强（MARCO），可用于通过Innova的内存模块来增强NCO中的建设性和反复证明方法。Marco存储在整个优化轨迹中收集的数据，并在每个状态下检索上下文相关的信息。以这种方式，搜索以两个综合标准为指导：就解决方案的质量而做出最佳决定，并避免重新研究已经探索的解决方案。这种方法可以更有效地利用可用的选择预算。此外，由于NCO模型的并行性质，几个搜索线程可以同时运行，所有搜索线程都可以共享相同的内存模块，从而实现了有效的协作利用。经验评估是根据最大切割，最大独立集和推销推销员的问题进行的，表明内存模块有效地增加了探索，并促进了模型，以发现各种质量，更高质量的解决方案。Marco在低计算成本中实现了良好的性能，在NCO领域建立了有希望的新方向。
基于纳米技术的组合光疗法可增强癌症治疗
放射治疗 5,6 和免疫治疗 7,8 在减缓或阻止肿瘤进展方面起着不可或缺的作用。尽管这些方法具有出色的抗癌效果并延长了患者的生存期，但它们仍然存在一些缺点，例如严重的副作用、耐药性和反应不足。具体来说，化疗药物的范围很广，不幸的是，由于缺乏对肿瘤细胞的选择性作用，不良反应很常见。9,10 化疗还会遇到癌细胞产生的耐药性，这严重降低了治疗药物的细胞内浓度。11,12 对于放射治疗，癌性条件，例如缺氧肿瘤微环境 (TME)、13 酸性 pH 14 和分散的肿瘤分布，15
组合优化策略在合成生物学中的应用
在合成生物学的第一波浪潮中，遗传元件组合成简单电路，用于控制单个细胞功能。在合成生物学的第二波浪潮中，简单电路组合成复杂电路，形成系统级功能。然而，构建复杂电路的努力常常受到我们对单个电路最佳组合的有限了解的阻碍。例如，大多数代谢工程项目中的一个基本问题是酶的最佳水平，以最大化产量。为了解决这个问题，已经建立了组合优化方法，允许自动优化，而无需事先了解单个基因表达水平的最佳组合。本综述重点介绍当前的组合优化方法和促进其应用的新兴技术。
基于汉密尔顿的量子强化学习用于神经组合优化
摘要 — 量子计算 (QC) 和神经组合优化 (NCO) 的进步代表着解决复杂计算挑战的有希望的步骤。一方面，变分量子算法（例如 QAOA）可用于解决各种组合优化问题。另一方面，同一类问题可以通过 NCO 解决，这种方法已显示出有希望的结果，特别是自引入图神经网络以来。鉴于这两个研究领域的最新进展，我们引入了基于汉密尔顿的量子强化学习 (QRL)，这是一种 QC 和 NCO 交叉的方法。我们直接根据组合优化问题的汉密尔顿公式对我们的假设进行建模，这使我们能够将我们的方法应用于广泛的问题。与硬件高效模拟相比，我们的模拟表现出良好的可训练性，同时与以前的方法不同，它不限于基于图的问题。在这项工作中，我们评估了基于汉密尔顿的 QRL 在一系列组合优化问题上的表现，以证明我们的方法的广泛适用性，并将其与 QAOA 进行比较。索引术语 — 量子强化学习、组合优化、神经组合优化
基于 dCas9 的模块化组合表观基因组编辑招募平台
摘要 基于 CRISPR-dCas9 的靶向表观基因组编辑工具可实现对各种基因组修饰的精确操作和功能研究。然而，这些工具通常表现出相当大的上下文依赖性，靶基因和细胞类型之间的功效差异很大，这可能是由于染色质修饰的潜在差异造成的。虽然同时招募多个不同的“效应子”染色质调节剂可以提高功效，但这些系统通常无法控制哪些效应子结合及其空间组织。为了克服这个问题，我们创建了一个新的模块化组合表观基因组编辑平台，称为 SSSavi。该系统充当与 dCas9 融合的可互换和可重新配置的对接平台，可同时招募多达四种不同的效应子，从而可以精确控制和重新配置效应子组成及其结合的空间顺序。我们展示了 SSSavi 系统的活性和特异性，并将其与现有的多效应子靶向系统进行比较，以确定其功效。此外，通过改变效应子募集的空间顺序，在多个靶基因和细胞系中，我们证明了效应子募集顺序对于有效转录调控的重要性。总之，该系统提供了探索效应子共同募集到特定位点的能力，从而可能增强对之前对靶向表观基因组编辑有抵抗力的染色质环境的操纵。
关于组合优化问题的自动生成元启发式算法
元启发式算法已成为解决优化问题的首选方法之一。由于大量可用方法和可能的算法设计，寻找给定问题的最佳元疗法通常很困难。此外，高性能的元启发术通常结合通用目的和特定问题的算法成分。我们在这里提出了一种使用算法组件的灵活框架自动设计元启发式学的方法，该方法通过自动配置方法实例化和评估算法。与先前需要手写算法模板或语法的先前提案相比，每种算法组件的属性隐含地定义了组成算法的规则。因此，使用其他组件（甚至是特定问题或用户定义的）扩展了我们的框架，会自动更新设计空间。此外，由于生成的算法是由组件组成的，因此可以轻松解释它们。我们提供了提案的实施，并通过在与完全不同的家庭中的三个不同问题中的研究优于以前的研究来证明其好处：设施布局问题，车辆路由问题和聚类问题。
分而治之的组合优化和分布式量子计算
摘要 — 扩展单片量子计算机系统的规模是一项艰巨的任务。随着设备内量子比特数量的增加，许多因素会导致产量和性能下降。为了应对这一挑战，由许多联网量子计算机组成的分布式架构已被提议作为实现可扩展性的可行途径。这样的系统将需要针对其分布式架构量身定制的算法和编译器。在这项工作中，我们引入了量子分而治之算法 (QDCA)，这是一种将大型组合优化问题映射到分布式量子架构上的混合变分方法。这是通过结合使用图形分区和量子电路切割来实现的。QDCA 是应用程序-编译器协同设计的一个例子，它改变了变分假设的结构，以控制量子电路切割带来的指数编译开销。这种跨层协同设计的结果是一种高度灵活的算法，可以根据可用的经典或量子计算资源量进行调整，并可应用于短期和长期分布式量子架构。我们在最大独立集问题实例上模拟了 QDCA，发现它能够胜过类似的经典算法。我们还在超导量子计算机上评估了 8 量子比特 QDCA 假设，并表明电路切割有助于减轻噪声的影响。我们的工作展示了多少台小型量子计算机可以协同解决比其自身量子比特数大 85% 的问题，从而推动了大规模分布式量子计算的发展和潜力。
饮食能量水平对压力肉鸡的性能，血浆参数和中央AMPK水平的影响
摘要本文研究了使用大量的气候数据来提出可再生发电资产的问题，同时考虑其时空互补性。该问题是作为组合优化问题，选择预先规定的站点数量，以确保他们相对于预先规定的参考生产水平所经历的同时低电力生产事件的数量。表明，所得模型与下区域优化密切相关，可以解释为概括众所周知的最大覆盖率概率。，包括基于贪婪的，局部搜索和基于放松的启发式方法以及这些算法的组合。由一个现实的案例研究启发出来，该案例研究的实用性是由欧洲陆上风力发电厂的问题启发的，导致了一万多个候选地点和十年的小时采样气象数据的实例。针对最先进的混合组编程求解器进行基准测试所提出的解决方案方法，并发现几种算法以计算成本的一小部分生产更好的解决方案。还研究了模型提供的解决方案的物理性质，并且发现所有部署模式都无法始终始终提供电力需求的持续份额。最后，交叉验证分析表明，除边缘情况外，该模型可以成功，可靠地识别部署模式，这些模式在以前看不见的气候数据上表现出色，从少量天气年份中的历史数据中表现出色。