XiaoMi-AI文件搜索系统
World File Search SystemKolmogorov
印度尼西亚缺血性心脏病干细胞治疗的系统评价：我们现在在哪里？
简介：烟雾烟枪超过7,000种化学剂，从而使吸烟者受到多种毒素的影响。吸烟会诱导生物标志物对蛋白质，DNA和脂质的氧化损伤的增加所指示的氧化应激。全景X射线照相是X射线束穿过Sali不同的腺体的一种类型，这使其与其他器官相比获得最高吸收剂量，因此可能会影响腺泡细胞。材料和方法：未刺激的整个唾液样本被三次：暴露之前（E1），暴露后（E2）和暴露后十天（E3）。用Laquatwin pH-11 Horiba pH计测量唾液pH值。缓冲液的容量，而总蛋白，钠和钾水平是用Kyltec自动分析仪计算的。统计分析。结果：这项研究中测试的唾液成分的结果显示，与非吸烟者相比，吸烟者中所有成分的价值较低。两组唾液pH，p <0.05与吸烟者组的总蛋白水平存在显着差异（p <0.05）（表I）。相反，两组中的其他组件在暴露于全景X光片后没有显着差异。结论：这项研究发现，两组暴露之前和之后的全景X光显着影响唾液pH，以及吸烟者组的总蛋白质水平。但是，其他经过测试的唾液成分在所有时间间隔内没有显着差异。
计算机和流体-Eprints Soton
超分辨率（SR）生成对抗网络（GAN）有望在大型模拟（LES）中湍流闭合，因为它们能够准确地从低分辨率领域重建高分辨率数据。当前的模型培训和推理策略对于大规模的，分布式计算而不足以成熟，这是由于计算需求以及对SR-GAN的训练通常不稳定的，这限制了改进的模型结构，培训策略和损失功能定义的探索。将SR-GAN集成到LES求解器中进行推理耦合模拟也是评估其后验精度，稳定性和成本的必要条件。我们研究了SR-GAN训练和推理耦合LES的并行化策略，重点是计算性能和重建精度。我们研究了混合CPU – GPU节点体系结构的分布式数据并行培训策略，以及低/高分辨率子盒大小，全局批处理大小和歧视器准确性的相关影响。准确的预测需要相对于Kolmogorov长度尺度足够大的训练子箱。应注意训练批量规模，学习率，培训子箱数量和歧视者的学习能力的耦合效果。我们引入了一个数据并行SR-GAN培训和推理库，以进行异质体系结构，该架构可以在运行时在LES求解器和SR-GAN推理之间进行交换。我们研究了这种布置的预测准确性和计算性能，特别关注精确的SR重建所需的重叠（Halo）大小。同样，有效推理耦合LES的后验并行缩放受SR子域的大小，GPU利用率和重建精度的限制。基于这些发现，我们建立了指南和最佳实践，以优化SR-GAN湍流模型训练和推理耦合LES计算的资源利用率和并行加速，同时保持预测精度。
从元复杂性出发的量子密码学
在经典密码学中，单向函数 (OWF) 是最小假设，而最近的活跃研究表明，OWF 不一定是量子密码学中的最小假设。已经引入了几个新的原语，例如伪随机幺正 (PRU)、伪随机函数状状态生成器 (PRFSG)、伪随机状态生成器 (PRSG)、单向状态生成器 (OWSG)、单向谜题 (OWPuzzs) 和 EFI 对。它们被认为比 OWF 弱，但它们仍然意味着许多有用的应用，例如私钥量子货币方案、密钥加密、消息认证码、数字签名、承诺和多方计算。既然没有 OWF 的量子密码学的可能性已经打开，该领域最重要的目标是为它们提供具体的实例。例如，在经典密码学中，有许多基于具体硬度假设的 OWF 实例，例如离散对数的硬度或带误差学习。通用原语的研究是由具体实例的存在所证明的。另一方面，在量子密码学中，这些原语的所有已知构造都仅来自 OWF。因此，我们有以下重要的未解决的问题：它们是否有基于某些不意味着 OWF 的具体难度假设的实例？理想情况下，这些假设应该是在密码学以外的其他背景下研究的假设。在本文中，我们通过证明 GapK 问题的量子平均难度意味着 OWPuzzs 的存在，给出了该问题的候选答案。GapK 问题是一个承诺问题，用于确定给定的位串是否具有较小的 Kolmogorov 复杂度。其量子平均难度意味着一个实例是从量子多项式时间可采样分布中采样的，并且没有量子多项式时间算法可以高概率地解决该问题。据我们所知，这是第一次基于似乎不暗示 OWF 的具体难度假设构建“微密码”原语。此外，这些假设在密码学以外的其他背景下进行了研究，特别是在元复杂性领域。（注：在准备这份手稿期间，Khurana 和 Tomer [KT24b] 上传了一项并发工作。）
根据一维速度测量估算湍流动能耗散率
案例 ID 框大小 R λ ˙ E [cu] k max η K η K [cu] IL 11 /η KL /L 11 N p [#] DNS 1.1 512 74 0.4 3 0.015 0.01 41.2 161 10000 DNS 1.2 512 74 0.4 3 0.015 0.05 41.4 160 10000 DNS 1.3 512 74 0.4 3 0.015 0.10 41.3 160 10000 DNS 1.4 512 74 0.4 3 0.015 0.24 41.3 21 10000 DNS 1.5 512 74 0.4 3 0.015 0.50 41.4 16 10000 DNS 2.0 1024 142 0.4 3 0.007 0.11 99.0 332.8 1000 DNS 2.1 1024 219 0.4 3 0.007 0.01 147.8 15.6 1000 DNS 2.2 1024 217 0.4 3 0.007 0.06 147.6 15.7 1000 DNS 2.3 1024 216 0.4 3 0.007 0.11 147.9 15.6 1000 DNS 2.4 1024 212 0.4 3 0.007 0.27 146.8 15.7 1000 DNS 2.5 1024 207 0.4 3 0.007 0.53 145.5 15.8 1000 DNS 3.1 2048 302 0.5 3 0.003 0.01 260.9 13.6 1000 DNS 3.2 2048 299 0.5 3 0.003 0.05 258.2 13.8 1000 DNS 3.3 2048 295 0.5 3 0.003 0.11 254.8 14.0 1000 DNS 3.4 2048 314 0.5 3 0.004 0.26 275.6 20.2 1000 域名3.5 2048 321 0.5 3 0.004 0.53 282.9 14.7 1000 表 2. 每个 DNS 的参数概览。R λ 为泰勒尺度雷诺数，˙ E 为代码单位（cu）中的能量注入率，k max 为最大解析波数，η K 为柯尔莫哥洛夫长度尺度，I = σ u ′ 1 /U 为湍流强度，L 11 为由 E ( κ ) 导出的纵向积分长度尺度，L 为平均探针轨道距离，N p 为虚拟探针的数量。湍流强度 I 通过设置探针平均速度来控制，其中 σ u ′ 1 ≈ 1 为均方根纵向速度波动。
量子 EL 定理
量子信息论研究通过量子信道通信的极限。在 Holevo ( 1973 ) 中，证明了 Holevo 界限，该界限提供了可准备和测量混合态的双方共享的经典信息量的上限。Holevo 界限指出，从 n 个量子位中只能访问 n 位经典信息。舒马赫定理 Schumacher ( 1995 ) 给出了存在可靠压缩方案以高保真度压缩和解压缩量子信息的必要和充分条件。关于量子算法潜力的文献很多，其中最著名的是 Shor 的因式分解算法。存在一个将算法和量子力学相结合的相对较新的领域：算法信息论 (AIT) 与量子信息论的交叉点。这个新领域有几个有趣的结果。例如，在 Epstein (2021b) 中，他证明了当将量子测量 (即 POVM) 应用于纯量子态时，绝大多数结果都是毫无意义的随机噪声。这项研究计划涉及寻找 AIT 中定义和定理的量子等价物，其主要概念是 Kolmogorov 复杂度 K(x) 的量子版本。有几种这样的定义可以测量混合或纯量子态中的算法信息内容。在本文中，我们将使用 Vitanyi (2000) 中的定义 K(|ψ⟩)，它表示如果不存在具有高量子保真度的简单（就其经典编码而言）纯态，则纯态 |ψ⟩ 是复数。本文的结果也适用于量子算法熵，G´acs (2001)。在 Epstein (2019) 中，定义了算法信息和随机缺陷的量子等价物。此外，还证明了关于幺正变换的守恒定律不等式。在本文中，我们证明了一个量子 EL 定理。在 AIT 中，EL 定理 Levin (2016)；Epstein (2019) 指出，不包含简单成员的字符串集将与停机序列具有高互信息。它有许多应用，包括所有采样方法都会产生异常值 Epstein (2021a)。量子 EL 定理指出，大秩的非奇异投影在其图像中必须具有简单的量子纯态。非奇异的意思是投影的编码与停机序列的信息量很低。
克努森数对非线性声谱的影响...
我们对气体稀薄对共振平面非线性声波能量动力学的影响进行了数值研究。问题设置是一个充满气体的绝热管，一端由以管的基本共振频率振动的活塞激发，另一端封闭；非线性波逐渐陡化，直到达到极限环，在足够高的密度下形成激波。克努森数（这里定义为特征分子碰撞时间尺度与共振周期之比）通过改变气体的基准密度在 Kn = 10 − 1 − 10 − 5 范围内变化，从稀薄状态到密集状态。工作流体为氩气。用 Bhatnagar-Gross-Krook (BGK) 模型封闭的玻尔兹曼方程的数值解用于模拟 Kn ≥ 0.01 的情况。对于 Kn < 0 . 01 ，使用完全可压缩的一维 Navier-Stokes 方程和自适应网格细化 (AMR) 来解析共振弱冲击波，波马赫数高达 1.01 。非线性波陡化和冲击波形成与波数-频率域中声能的频谱展宽有关；后者是根据 Gupta 和 Scalo 在 Phys. Rev. E 98, 033117 (2018) 中得出的二阶非线性声学的精确能量推论定义的，代表系统的 Lyapunov 函数。在极限环处，声能谱表现出惯性范围内斜率为 −2 的平衡能量级联，同一作者在自由衰减的非线性声波中也观察到了这种现象。在本系统中，能量在低波数/频率时通过活塞从外部引入，在高波数/频率时由热粘性耗散平衡，导致系统基准温度升高。热粘性耗散率在基于最大速度振幅的固定雷诺数下按 Kn 2 缩放，即随流动稀疏程度而增加；一致地，极限环处陡峭波的最小长度尺度（对应于冲击波（存在时）的厚度）也随 Kn 而增加。对于给定的固定活塞速度振幅，光谱能量级联的惯性范围的带宽随克努森数的增加而减小，导致系统的共振响应降低。通过利用柯尔莫哥洛夫流体动力学湍流理论中的无量纲缩放定律，结果表明，基于域内最大声速幅，可以预期声学雷诺数 Re U max > 100 的谱能量传递惯性范围。
袁启恒 (2020) 风能和太阳能可变性分析及最优电力系统整合。博士论文。
图 1.1 能源三难困境。 ........................................................................................................... 1 图 1.2 全球能源消耗 [10]。 ......................................................................................................... 2 图 1.3 风电输出呈现 Kolmogorov 谱特征 [52]。 .................................................... 6 图 1.4 独立的光伏氢能发电系统 [62]。 ......................................................................................... 7 图 1.5 参考文献 [102] 将风能划分为每小时能量、负荷跟踪和调节部分的概念图。 ........................................................................... 11 图 2.1 风力涡轮机的理论功率曲线。 ........................................................................................... 22 图 2.2 美国为研究风能变化和 SAWP 系统而选定的六个地点。 ........................................................................................... 24 图 2.3 美国科罗拉多州 12 个选定的风电互联地点。 ........................................................................................................................................... 25 图 2.4 2012 年西半球 2012 年在 (a) 旧金山、(b) 洛杉矶、(c) 丹佛、(d) 休斯顿、(e) 芝加哥、(f) 纽约的风速。 ........................................................................... 26 图 2.5 北美和南美选定的六个地点，用于研究太阳能变化、SAPVP 系统和独立的风能和太阳能混合发电系统。 30 图 2.6 2017 年西半球 2017 年在 (a) 基多、(b) 瓦伦西亚、(c) 墨西哥城、(d) 休斯顿、(e) 盐湖城、(f) 温哥华的太阳辐照度。 ........................................................................... 31 图 2.7 不同纬度地区太阳辐射发射示意图。 ........................................................................................................................................................ 33 图 2.8 2007 年至 2012 年，相关系数随两台风力涡轮机之间的距离而变化。 ........................................................................................................................... 44 图 2.9 2007 年至 2012 年（a）基多、（b）瓦伦西亚、（c）墨西哥城、（d）休斯顿、（e）盐湖城、（f）温哥华相关系数随太阳能/风能混合比例而变化。 ........................................................................................................... 45 图 2.10 2012 年休斯顿（a）风能和（b）太阳能的频谱。 ........................................................................................................................................... 48 图 2.11 2007 年（a）、2008 年（c）、2009 年（d）2010 年（e）12 个选定地点不同数量的互连风力涡轮机的频谱2011 年、（f）2012 年。..............................................................................49 图 2.12 2012 年 (a) 基多、(b) 瓦伦西亚、(c) 墨西哥城、(d) 休斯顿、(e) 盐湖城、(f) 温哥华不同混合比例互联风能和太阳能的频谱。 ........................................................................................................... 50 图 2.13 美国选定的 6 个地点的 D wavg ( j ) 与 f ( j ) 的关系以及 (b) 北美和南美选定的 6 个地点的 D Savg ( j ) 与 f ( j ) 的关系。 ........................................................... 56 图 2.14 2007 年至 2012 年 (a) 旧金山、(b) 洛杉矶、(c) 丹佛、(d) 休斯顿、(e) 芝加哥、(f) 纽约的 DW ( y ) (j) 与频率 f ( j )。 .................................................... 57 图 2.15 2007-2012 年 (a) 基多、(b) 瓦伦西亚、(c) 墨西哥城、(d) 休斯顿、(e) 盐湖城、(f) 温哥华的 DS ( y )( j ) 和频率 f ( j )。 ........................................................... 58 图 3.1 典型的独立 (a) 风力发电、(b) 太阳能发电、(c) 混合风能和太阳能发电系统。 ............................................................................................................. 62 图 3.2 P RE 和 PL 之间的功率不匹配 . ........................................................................................... 64 图 3.3 典型的年平均住宅用电量 (a) 24 小时负荷数据 (b) 一年负荷数据，(c) 负荷谐波频谱。 ............................................................................................. 65
对来自...的样本进行高覆盖率纳米孔测序
对千人基因组计划样本进行高覆盖率纳米孔测序，以建立人类遗传变异的综合目录 作者 Jonas A. Gustafson 1,2,*, Sophia B. Gibson 1,3,*, Nikhita Damaraju 1,4,*, Miranda PG Zalusky 1 , Kendra Hoekzema 3 , David Twesigomwe 5 , Lei Yang 6 , Anthony A. Snead 7 , Phillip A. Richmond 8 , Wouter De Coster 9,10 , Nathan D. Olson 11 , Andrea Guarracino 12,13 , Qiuhui Li 14 , Angela L. Miller 1 , Joy Goffena 1 , Zachary B. Anderson 1 , Sophie HR Storz 1 , Sydney A. Ward 1 , Maisha Sinha 1 , Claudia Gonzaga-Jauregui 15 、Wayne E. Clarke 16,17 、Anna O. Basile 16 、André Corvelo 16 、Catherine Reeves 16 、Adrienne Helland 16 、Rajeeva Lochan Musunuri 16 、Mahler Revsine 14 、Karynne E. Patterson 3 、Cate R. Paschal 18,19 、Christina Zakarian 3 、Sara Goodwin 20 、Tanner D. Jensen 21 、Esther Robb 22 、1000 基因组 ONT 测序联盟、华盛顿大学罕见疾病研究中心 (UW-CRDR)、阐明罕见疾病遗传学的基因组学研究 (GREGoR) 联盟、W. Richard McCombie 20 、Fritz J. Sedlazeck 23,24,25 , Justin M. Zook 11 , Stephen B. Montgomery 21 , Erik Garrison 12 , Mikhail Kolmogorov 26 , Michael C. Schatz 14 , Richard N. McLaughlin Jr. 2,6 , Harriet Dashnow 27,28 , Michael C. Zody 16 , Matt Loose 29 , Miten Jain 30 , Evan E. Eichler 3,31,32 , Danny E. Miller 1,19,31,** 附属机构 1. 美国华盛顿州西雅图华盛顿大学儿科系遗传医学分部 2. 美国华盛顿大学西雅图分子与细胞生物学项目 3. 美国华盛顿大学基因组科学系 4. 美国华盛顿大学西雅图公共卫生遗传学研究所 5. 悉尼南非约翰内斯堡威特沃特斯兰德大学健康科学学院布伦纳分子生物科学研究所 6. 美国华盛顿州西雅图太平洋西北研究所 7. 美国纽约州纽约纽约大学生物系 8. 美国路易斯安那州巴吞鲁日阿拉米亚健康中心 9. 比利时安特卫普 VIB 分子神经病学中心应用和转化神经基因组学组 10. 比利时安特卫普大学生物医学科学系 11. 美国马里兰州盖瑟斯堡国家标准与技术研究所材料测量实验室 12. 美国田纳西州孟菲斯田纳西大学健康科学中心遗传学、基因组学和信息学系 13. 意大利米兰人类科技城 14. 美国马里兰州巴尔的摩约翰霍普金斯大学计算机科学系 15. 国际人类基因组研究实验室人类基因组研究，墨西哥国立自治大学 16. 纽约基因组中心，美国纽约州纽约市 17. Outlier Informatics Inc.，萨斯卡通，萨斯卡通，加拿大 18. 西雅图儿童医院实验室部，西雅图，华盛顿州，美国 19. 检验医学和病理学部，美国华盛顿大学，美国华盛顿州西雅图 20. 冷泉港实验室，美国纽约州冷泉港 21. 斯坦福大学遗传学系，美国加利福尼亚州斯坦福 22. 斯坦福大学计算机科学系，美国加利福尼亚州斯坦福 23. 贝勒医学院人类基因组测序中心，美国德克萨斯州休斯顿