XiaoMi-AI文件搜索系统
World File Search SystemDSPE
金属复合物用于染料敏化的光电化学细胞（DSPECS）
由于经济发展的加速，世界的总能源消耗正在迅速增加，并且已经预测，到2050年需求将达到25多个TW [1]。如今，化石燃料，例如煤炭，原油和天然气提供了超过80％的要求[2]，但可以预测，他们的储备将持续到未来50 - 60年。 此外，由化石燃料燃烧产生的温室气体（例如二氧化碳）将于2100年底达到> 1300 ppm co 2等方程（2010年为460 ppm），从而导致最高5℃的全球平均温度升高[3]。 科学界致力于使用碳中性能源，包括生物质，地热，风和太阳。 后者的区别是，所有人群都可以自由，丰富和访问，以及具有从280 nm（4.43 eV）到2500 nm（0.5 eV）的广泛波长的频谱，峰值约为2.5 eV。 在无云的一天中午，地球表面平均每平方米（1 kW m -2）接收1000瓦的太阳能。 这种标准辐照度表示为空气质量1.5（AM 1.5 g）条件。 由于其季节性，白天和天气周期，太阳也是间歇性的重要缺陷。 在很长一段时间内存储太阳能的最有效方法仍在研究中，但是许多光伏（PV）技术已成功开发出来，以将太阳能转化为电力[4]。 电解器也受到使用昂贵的电极的限制[6]。如今，化石燃料，例如煤炭，原油和天然气提供了超过80％的要求[2]，但可以预测，他们的储备将持续到未来50 - 60年。此外，由化石燃料燃烧产生的温室气体（例如二氧化碳）将于2100年底达到> 1300 ppm co 2等方程（2010年为460 ppm），从而导致最高5℃的全球平均温度升高[3]。科学界致力于使用碳中性能源，包括生物质，地热，风和太阳。后者的区别是，所有人群都可以自由，丰富和访问，以及具有从280 nm（4.43 eV）到2500 nm（0.5 eV）的广泛波长的频谱，峰值约为2.5 eV。在无云的一天中午，地球表面平均每平方米（1 kW m -2）接收1000瓦的太阳能。这种标准辐照度表示为空气质量1.5（AM 1.5 g）条件。由于其季节性，白天和天气周期，太阳也是间歇性的重要缺陷。在很长一段时间内存储太阳能的最有效方法仍在研究中，但是许多光伏（PV）技术已成功开发出来，以将太阳能转化为电力[4]。电解器也受到使用昂贵的电极的限制[6]。PV产生的能量可以暂时存储到Li-Batties中，但也可以用于创建高价值产品。使用我们可以使用的技术，建立高密度的能量分子键可能是最有效的方法。例如，3千克氢产生100 kWh的化学能，而450千克锂离子电池可以提供相同量的能量[5]。PV可以在电解层中将水分成O 2和H 2的偏置，但是需要多个连接来满足所需的过电球。可以通过使用光电化学细胞（PEC）来解决这些局限性，该设备能够由于水分解，有机氧化而获得可存储的太阳能燃料（例如卤素氧化，形成，新的C-C-C
原创 阿霉素负载的Pluronic P123-PEG2000-DSPE胶束逆转乳腺癌细胞的耐药性
摘要：研制了一种新型混合纳米胶束，即载阿霉素 (Dox) 的 Pluronic P123/聚乙二醇 2000-二硬脂酰磷脂酰乙醇胺纳米胶束混合胶束 (P123-PEG2000-DSPE (Dox))，以研究纳米制剂对乳腺癌 (BC) 多药耐药 (MDR) 的逆转作用。本研究旨在探索纳米制剂对 BC 多药耐药性的逆转作用。制备了 P123-PEG2000-DSPE (Dox) 混合胶束，然后通过动态光散射法、药物释放曲线和抗肿瘤活性（包括动态光散射法、MTT、免疫荧光、Western blot 和 Annexin V-PI）对 BC MCR-7 细胞和 BC 耐药细胞系 MCF-7R 进行表征。 P123-PEG2000-DSPE（Dox）通过抑制MDR1和p-gp的表达、减少药物外排、增加细胞内吞作用，逆转细胞耐药性，且效果优于PEG2000DSPE（Dox）。此外，对于载药组，P123-PEG2000-DSPE（Dox）的细胞毒性优于PEG2000-DSPE（Dox）和Dox。空药物载体PEG2000-DSPE和P123-PEG2000-DSPE没有细胞毒性。这些结果表明P123-PEG2000-DSPE（Dox）胶束可以有效逆转BC细胞的耐药性，是一种很有前途的抗肿瘤药物递送系统。
机器学习应用于乐器扬声器的声音分类A J Harper Celestion / GP Acoustics（UK）Ltd. 1介绍< / div < / div < / div < / div < / div
机器学习是研究领域，它使计算机具有学习能力，而无需明确编程。程序拥有的经验越多，其任务就越好。在该项目中考虑的情况下，测量的扬声器越多，程序就会越准确地预测听众的主观判断。存在标准化的测量和处理技术，表明扬声器在一方面的表现。其中许多与主观印象非常相关，但是没有一个测量可以说明整个故事。扬声器工程师学会在多年的经验中将一系列测量信息与扬声器的声音联系起来，通常在很大程度上知道单元在聆听之前的声音。这种方法复制了学习元素，允许程序在用一系列最有意义的测量范围喂养时找到扬声器组之间的最佳分离。未分类的驱动器单元可以以有意义的方式将其归类为好是坏，并具有可量化的输出。这些分类与主观判断高度相关。这项工作概述了与扬声器分类有关的机器学习的相关概念，并在概述了所选解决方案的原因之前概述了三种可用方法。这些技术对每种测量作为主观判断的指标的相对重要性提供了一个有趣的见解，最终结果表明，与替代技术或仅任何一个测量值相比，分组的分离大大改善了。描述了一种有效的听力测试方法，该方法非常适合该目的。这提供了组之间的最大听觉差异，同时是可重复，控制和时间效率的。驱动器单元可以选择自信地反复判断，并将其测量用于训练，调整和测试模型。应该强调的是，乐器扬声器旨在产生声音，而不是重现声音1，而繁殖的不准确是设计意图。通过高保真扬声器演奏的电吉他或通过吉他演讲者播放的录制音乐是对此的启发性演示。在这种情况下，好的是指该扬声器的理想声音特征用于使用的典型应用。结果不能直接转移到旨在重现声音的扬声器。