XiaoMi-AI文件搜索系统
World File Search SystemDimensional
混合二维材料在能源应用方面的最新进展
Shamsiya Shams 和 B. Bindhu * 摘要 二维氮化硼在能源转换和存储的发展趋势中具有广泛的应用。能源行业因其多功能性而迅速发展，利用了新技术发展的各种应用。更加注重二维氮化硼扩展的机械强度和柔韧性，这种材料优先用于柔性太阳能电池的开发，这反过来又使得构建轻量级和便携式能源解决方案成为可能。二维氮化硼在超级电容器和电池中的储能应用是有趣的结构候选。由于其巨大的表面积，它能够容纳客体离子，因此它有潜力用作电极材料，加速储能设备的循环和速率。此外，其化学稳定性对电池和超级电容器的寿命有积极影响，因为它可以减少电极的氧化或结垢，从而确保更长的使用寿命。此外，二维氮化硼膜具有出色的离子选择性和渗透性，是燃料和电解质电化学合成的有希望的候选材料。本文详细介绍了二维氮化硼，它是一种用于增强转化和储能技术的多功能材料，使其成为该领域的杰出材料，这将在未来带来更高效、更耐用、更环保的能源解决方案。
深度操作员的学习减少了PDE的维度的诅咒
深层神经网络（DNNS）在众多领域取得了巨大的成功，并且它们在与PDE相关的问题上的应用正在迅速发展。本文使用DNN将学习Lipschitz操作员在Banach空间上使用DNN的概括错误提供了估计，并将其应用于各种PDE解决方案操作员。目标是指定DNN宽度，深度以及保证某个测试错误所需的训练样本数量。在对数据分布或操作员结构的轻度假设下，我们的分析表明，深层操作员学习可以放松地依赖PDE的离散化解决方案，从而减少许多与PDE相关的问题的诅咒，包括椭圆方程，抛物线方程，抛物线方程和汉堡方程。我们的结果还适用于在操作员学习中有关离散化侵权的见解。
优化供应链金融中的营运资本管理：多维度方法
摘要：在当今充满活力的全球化供应链中，高效的营运资本管理对于企业维持运营、改善财务绩效和增强竞争力至关重要。供应链金融是一个新兴领域，专注于优化供应链内的资金流动和关系，为企业改善营运资本管理提供了机会。本研究旨在探索供应链金融背景下营运资本管理的多维方面，并提出优化财务绩效的策略。通过研究现金流、库存管理和应收账款/应付账款之间的相互作用，本研究将深入了解可在供应链不同阶段实施的有效营运资本管理实践。通过简单的桌面研究和文献调查，本研究将为现有的供应链金融知识体系做出贡献，并为寻求通过优化营运资本管理提高财务绩效的企业提供实用建议。关键词：供应链金融、营运资本管理、现金流、库存管理、应收账款、应付账款、财务绩效、竞争力。 1. 简介 在当今全球化和竞争激烈的商业环境中，高效的营运资本管理对于公司的财务健康和可持续性至关重要，特别是在复杂的供应链中（Muhammad、Naidu、Sundram、Hussain、Chew、Pillai 和 Ibrahim (2023)。营运资本包括现金流、库存和应收账款/应付账款，代表公司支持其持续活动所需的日常运营资金（Bakar 等人，2016 年）。有效的营运资本管理可确保公司拥有足够的流动性来履行其短期义务，同时优化运营效率和盈利能力（见图 1）。然而，传统的营运资本管理方法往往无法解决其组成部分的相互联系和多维性，从而导致财务结果不理想。近年来，供应链金融的概念作为优化供应链内资金流动和关系的一种手段而受到关注。供应链金融为企业提供了通过与供应商、客户和金融机构合作来加强营运资本管理的机会（Ali 等人，2020 年）。尽管供应链金融在优化营运资本管理方面具有潜在优势，但缺乏针对这种方法多维度方面的全面研究。先前的研究主要关注营运资本的个别组成部分，例如现金流或库存管理，但很少有人考虑过供应链金融背景下这些组成部分之间的相互作用（Selvaraju 等人，2019 年；Sundram 等人，2016 年；Vatumalae 等人，2022 年）。
补充信息具有锡空位中心的非线性量子光子学与一维金刚石波导耦合
样品制作工艺从对 < 100 > 表面取向的电子级金刚石衬底 (元素 6) 进行植入前表面处理开始。首先将样品衬底放入湿式 Piranha（H 2 SO 4 (95 %): H 2 O 2 (31 %) 比例为 3:1）无机溶液中，在 80 ◦ C 下清洗 20 分钟，然后通过电感耦合等离子体反应离子蚀刻 (ICP/RIE) Ar/Cl 2 等离子体化学配方进行表面约 5 µ m 蚀刻，以去除衬底表面残留的抛光诱导应变。再进行约 5 µ m ICP/RIE O 2 化学等离子蚀刻，以去除前面蚀刻步骤中残留的氯污染[1]。接下来，将样品在 Piranha 溶液中进行无机清洗（80 ◦ C 下 20 分钟），并注入 Sn 离子（剂量为 1e11 离子/cm 2，能量为 350 keV）。在通过真空退火（1200 ◦ C）激活 SnV 中心之前，进行三酸清洗（比例为 1:1:1，HClO 4（70%）：HNO 3（70%）：H 2 SO 4（> 99%））1.5 小时，以去除任何残留的有机污染，然后在退火步骤后进行相同的湿式无机清洗程序，以去除在金刚石基材退火步骤中形成的任何表面石墨薄膜层。为了评估 SnV 中心是否成功激活，在悬浮结构纳米制造之前对样品进行表征。波导结构的纳米加工遵循参考文献[2-6]和[1]中开发的基于晶体相关的准各向同性蚀刻底切法的工艺。图S1中显示了该方法的示意图。
用于分段线性降维的自适应潜在特征共享
线性高斯探索性工具（例如主成分分析 (PCA) 和因子分析 (FA)）广泛用于探索性分析、预处理、数据可视化和相关任务。由于线性高斯假设具有限制性，因此对于非常高维的问题，它们已被稳健、稀疏扩展或更灵活的离散-连续潜在特征模型所取代。离散-连续潜在特征模型指定依赖于数据子集的特征词典，然后推断每个数据点共享这些特征的可能性。这通常是使用关于特征分配过程的“富者得富”假设来实现的，其中词典试图将特征频率与其解释的总方差部分结合起来。在这项工作中，我们提出了一种替代方法，可以更好地控制特征到数据点的分配。这种新方法基于双参数离散分布模型，该模型将特征稀疏性和词典大小分离，从而以简约的方式捕获常见和罕见特征。新框架用于推导一种新型自适应因子分析变体 (aFA) 以及自适应概率主成分分析 (aPPCA)，能够在各种场景中灵活地发现结构和降低维度。我们推导出标准吉布斯采样以及有效的期望最大化推理近似，这些近似以更快的数量级收敛到合理的点估计解。所提出的 aPPCA 和 aFA 模型的实用性在特征学习、数据可视化和数据白化等标准任务上得到了证明。我们表明，aPPCA 和 aFA 可以为原始 MNIST 或 COLI-20 图像提取可解释的高级特征，或者在应用于自动编码器分析时
自组装折纸神经探针用于可扩展、多功能、三维神经接口 Dongxiao Yan 1 *，Jose Roberto Lopez Ruiz 1 *，
自组装折纸神经探针，用于可扩展、多功能、三维神经接口 Dongxiao Yan 1*、Jose Roberto Lopez Ruiz 1*、Meng-Lin Hsieh 1、Daeho Jeong 1,2、Mihály Vöröslakos 3、Vittorino Lanzio 1、Elisa V. Warner 4、Eunah Ko 1、Yi Tian 1、Paras R. Patel 5、Hatem ElBidweihy 6、Connor S. Smith 6、Jae-Hyun Lee 2、Jinwoo Cheon 2、György Buzsáki 3、Euisik Yoon 1,2,5,7 ** 1 密歇根大学电气工程与计算机科学系，密歇根州安娜堡。 2 韩国首尔延世大学基础科学研究所 (IBS) 纳米医学中心和高级科学研究所纳米生物医学工程研究生课程 (Nano BME)。3 纽约大学朗格尼医学中心神经科学研究所，纽约，纽约州。4 密歇根大学计算医学和生物信息学系，密歇根州安娜堡。5 密歇根大学生物医学工程系，密歇根州安娜堡。6 美国海军学院电气与计算机工程系，马里兰州安纳波利斯。7 密歇根大学机械工程系，密歇根州安娜堡。* 同等贡献作者 ** 通讯作者摘要 柔性皮层内神经探针因其可减少组织反应而在高分辨率神经记录中延长寿命而备受关注。然而，传统的单片制造方法在以下方面遇到了重大挑战：(i) 扩大电生理记录位点的数量；(ii) 整合其他生理传感和调节；以及 (iii) 配置成三维 (3D) 形状以用于多面电极阵列。我们报告了一种创新的自组装技术，该技术允许实现灵活的折纸神经探针作为克服这些挑战的有效替代方案。通过使用磁场辅助混合自组装，可以将具有各种模态的多个探针以精确对准的方式堆叠在一起。使用这种方法，我们展示了一种多功能设备，该设备在单个柔性探针上集成了可扩展的高密度记录位点、多巴胺传感器和温度传感器。同时展示了大规模、高空间分辨率的电生理学以及局部温度感应和多巴胺浓度监测。通过使用最佳可折叠设计和毛细管力将平面探针缠绕在直径为 80~105 μm 的细纤维上，组装了高密度 3D 折纸探针。通过集成在 3D 折纸探针表面的神经元大小的微型 LED (μLED) 的照明可以实现定向光遗传学调控。我们可以识别探针周围 360° 的角度异质单元信号和神经连接。通过在行为小鼠中对 64 通道堆叠探针进行长达 140 天的长期记录来验证探针的寿命。借助所介绍的模块化、可定制的组装技术，我们展示了一种新颖且高度灵活的解决方案，以适应多功能集成、通道缩放和 3D 阵列配置。1. 简介增强记录能力和集成多模态是神经探针开发的两个基本需求。高通道数神经探针已证明其
电化学煤至二维材料 (e-Coal2D ...
“本报告是作为美国政府机构赞助的工作的记录而编写的。美国政府及其任何机构或其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文中以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文中表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。”
时空图像相关性：用于胎儿心脏筛查和先天性心脏病评估的三维成像
对胎儿上腹部的超声检查提供了现场评估。如果Situs正常（Situs solitus），则动脉血管（主动脉）位于静脉血管的左侧和后面，即下腔静脉。在上腹部视图中，左侧异构体很容易通过静脉血管（Azygos/hemiazygos）在动脉血管（主动脉）后面的事实来识别。左异构体（situs含糊）是心房和肺在左侧重复的条件。在几乎所有左同源主义的情况下，都没有静脉静脉的肝片段，并通过静脉静脉和/或半二元静脉排水（图1A）。此外，由于两个心房在形态上都是左侧，因此缺乏右窦节点，因此，由于心脏阻滞而导致心动过缓的风险在左侧异构主义中增加。实际上，更复杂的CHD，例如不平衡的心室间隔缺陷（AVSD）和双右心室流出区，通常与SITUS异常有关（图1B）。4,5
重新定义游戏：MVAE-DFDPnet 的低维嵌入可实现卓越的药物-蛋白质相互作用预测
摘要 — 准确预测药物-蛋白质相互作用 (DPI) 对于药物发现和推进精准医疗至关重要。该领域的一个重大挑战是表征药物和蛋白质属性及其复杂相互作用的高维和异构数据。在我们的研究中，我们引入了一种新颖的深度学习架构：嵌入级联深度森林 (MVAE-DFDPnet) 的多视图变分自动编码器。该框架熟练地学习药物和蛋白质的超低维嵌入。值得注意的是，我们的 t-SNE 分析表明，二维嵌入可以清楚地定义与不同药物类别和蛋白质家族相对应的聚类。这些超低维嵌入可能有助于增强我们的 MVAE-DFDPnet 的稳健性和通用性。令人印象深刻的是，我们的模型在基准数据集上超越了当前领先的方法，在显着降低的维数空间中发挥作用。该模型的弹性进一步体现在它在预测涉及新型药物、蛋白质和药物类别的相互作用方面的持续准确性。此外，我们还用科学文献中的实验证据证实了几种新发现的 DPI。用于生成和分析这些结果的代码可以从 https://github.com/Macau-LYXia/MVAE-DFDPnet-V2 访问。
在高维设置中的重要性可变需要分组
解释机器学习的决策过程如今对模型的增强和人类的理解至关重要。这可以通过评估罪恶变量的可变重要性来实现，即使对于高容量的非线性方法，例如深神经网络（DNNS）。虽然只有基于删除的方法（例如置换重要性（PI））可以带来统计有效性，但当变量相关时，它们会返回误导性结果。条件置换重要性（CPI）在这种情况下绕过PI的局限性。然而，在高维设置中，变量之间的高相关性取消了其有条件的重要性，使用CPI以及其他方法会导致不可靠的结果，这是一个超出的计算成本。通过聚类或一些先验知识对变量进行分组，从而获得了一些功率，并导致更好的解释。在这项工作中，我们介绍了BCPI（基于块的条件置换重要性），这是一个新的通用框架，用于可变知名度计算，并具有统计保证，可处理单个和组案例。此外，由于处理具有较高基数的组（例如一组给定模式的观察结果）既耗时又是资源密集型的，因此我们还引入了一种新的堆叠方法，扩展了具有适合组结构的次级线性层的DNN体系结构。我们表明，随后的方法随着堆叠的控制而扩展了I型误差，即使是高度相关的组，并且在基准中显示了最高的精度。更重要的是，我们在大规模的医学数据集中执行了现实世界数据分析，我们旨在展示我们的结果和生物标志物预测的文献之间的一致性。