XiaoMi-AI文件搜索系统
World File Search SystemLAI
引用了原始发表的论文（记录的版本）：Lai，H.，Kannas，C.，Hassen，A。等（2025）。 MEA
我们基于蒙特卡洛树搜索形式主义引入了一种多目标搜索算法，以进行反归结计划。多目标搜索允许将各种目标组合起来，而无需考虑其规模或加权因素。为基于这种新型算法进行基准测试，我们在八个反曲面实验中采用了四个目标。目标范围从基于起始材料和步骤计数的简单目标到基于综合复杂性和路线相似性的复杂范围。我们表明，通过仔细的复杂目标，多目标算法可以优于单目标搜索，并提供更多样化的解决方案。但是，对于许多靶标化合物，单目标设置是等效的。尽管如此，我们的算法为合成计划中的特定应用程序纳入了新的目标。
引用Chen Z，Fu S，Lai S，Fu M和Du G（2024）循环脂联素和瘦素水平的关联与糖尿病外周神经的风险
糖尿病周围神经病（DPN）是一种流行的糖尿病并发症，影响了所有糖尿病患者一半的糖尿病并发症，主要是周围神经损伤，主要是在四肢中（1）。这种情况显着影响，通过慢性疼痛，感觉递减以及脚部并发症的风险增加，施加大量医疗保健成本和生活质量降低（2）。鉴于对其病理生理学的不完全理解和有效的管理策略的稀缺性，因此对可修改的DPN危险因素的识别对于调整预防性和治疗性干预措施至关重要，旨在遏制其发生率和严重性（3，4）。脂肪因子（包括脂联素和瘦素）在糖尿病并发症（如DPN）中的发展，由于它们参与代谢调节和炎症过程，糖尿病的关键因素及其sequelae的关键因素及其后sequelae，因此获得了识别（5）。脂联素以其抗炎和胰岛素敏化作用而闻名，可为诸如动脉粥样硬化和2型糖尿病（6，7）等疾病提供保护。相反，瘦素具有促炎性特征，通常在肥胖症和2型糖尿病中升高，会导致胰岛素抵抗和代谢功能障碍（6，7）。鉴于这些作用，脂联素和瘦素可能会影响DPN的发展。几项研究探索了2型糖尿病患者脂联素和DPN风险之间的联系，结果混合的结果：有些报告是反向关联（8，9），而另一些则没有明显的相关性（10）甚至阳性联系（11，12）。对瘦素和DPN的研究有限，也不一致（11、13、14）。先前的调查通常会遭受小样本量（8、10、11、13、14），缺乏对混杂因素的调整（8、10、13、14）或将各种糖尿病并发症聚集成单个结果变量（12）。因此，脂联素和瘦素水平与DPN风险之间的关系需要进一步研究。本研究旨在研究脂联素和瘦素的循环水平与糖尿病患者发展DPN的风险之间的关系。通过阐明这些关联，我们的研究可能有助于促进脂肪因子在糖尿病并发症中的作用的越来越多的证据，并为预防和管理DPN的策略提供了发展。
使用纵横比捕获和界面失配生长方法在 (001) Si 衬底上 MOCVD 生长 GaSb 的比较 Billy Lai、Qiang Li、Kei May
GaSb 在长波长器件中有许多应用，例如带间级联激光器和红外光电探测器 [1-2]。将 GaSb 相关材料单片集成到硅上对于扩展长波长器件的功能和硅平台上的光子集成具有很高的吸引力 [3]。此外，考虑到现代智能手机中红外设备（包括传感器和投影仪）的日益普及，集成到硅上是降低制造成本、减小尺寸和提高产量的有效解决方案。然而，与 GaAs/Si 和 InP/Si 材料系统相比，GaSb/Si 异质外延还远未成熟。在本研究中，以在 GaAs 衬底上生长的 GaSb 为参考，我们研究了两种不同的集成方案：在 GaAs-on-Si 模板上进行 GaSb 的界面失配 (IMF) 生长和使用长宽比捕获技术直接在 V 型槽 Si 上生长 GaSb。
产品开发价值流程图 (PDVSM) 手册
作者感谢麻省理工学院精益航空航天计划 (LAI) 为本研究提供的资金支持，该计划由美国空军和一个航空航天公司联盟联合赞助。本文表达的所有事实、陈述、观点和结论仅代表作者本人，不反映 LAI、美国空军、赞助公司和组织（个人或团体）或麻省理工学院的观点。后者免除任何剩余的错误或缺陷，作者对此负全部责任。本文档的版权归 MIT 所有，2005 年。其使用属于 LAI 联盟协议。LAI 成员公司可以出于内部非商业目的使用、复制和分发本文档。本声明应随文档或其任何部分的任何副本一起提供。本文档的格式适合双面打印和边缘装订。为此目的插入了空白页。最好使用彩色打印，但黑白打印也应该能得到可用的文档。
产品开发价值流程图 (PDVSM) 手册
作者感谢麻省理工学院精益航空航天计划 (LAI) 为本研究提供的资金支持，该计划由美国空军和航空航天公司联盟联合赞助。本文表达的所有事实、陈述、观点和结论均仅代表作者本人，不以任何方式反映 LAI、美国空军、赞助公司和组织（个人或团体）或麻省理工学院的观点。后者免除任何剩余错误或缺陷，作者对此负全部责任。本文档的版权归麻省理工学院所有，2005 年。其使用受 LAI 联盟协议的约束。LAI 成员公司可以出于内部非商业目的使用、复制和分发本文档。此声明应随文档或其任何部分的任何副本一起提供。本文档的格式为双面打印和边缘装订。为此目的插入了空白页。最好使用彩色打印，但黑白打印也应该可以得到可用的文档。
Ting Hu a, *, Qize Zhong a , Nanxi Li, Yuan Dong, Zhengji Xu, Yuan Hsing Fu, Dongdong Li, Vladimir Bliznetsov, Yanyan Zhou, Keng Heng Lai, Qunying Lin
摘要：由人工亚波长纳米结构制成的超透镜已展示出光聚焦和微型成像的能力。本文，我们报告了通过互补金属氧化物半导体兼容工艺在12英寸玻璃晶片上批量生产非晶硅超透镜的演示。所制备的超透镜的测量数值孔径为0.496，聚焦光斑尺寸在940nm波长处为1.26μm。将超透镜应用于成像系统以测试成像分辨率。可以清楚地观察到宽度为2.19μm的分辨率图的最小条。此外，同一系统演示了指纹成像，并证明了使用超透镜阵列来减小系统尺寸的概念，以实现未来的紧凑型消费电子产品。
传感器 - ScienceOpen
摘要：本研究提出了一种新方法，利用无人机 (UAV) 成像联合评估积雪深度和冬季叶面积指数 (LAI)，后者是植被的结构特性，影响积雪和融雪。在冬季，评估了在捷克共和国舒马瓦国家公园 (Šumava NP) 内部分健康或受昆虫影响的挪威云杉林和草地覆盖区拍摄的一组多时间高分辨率数字表面模型 (DSM)（无雪和积雪条件），以评估积雪深度。无人机得出的 DSM 的分辨率为 0.73–1.98 cm/pix。通过减去 DSM，确定了积雪深度，并与在地面控制点 (GCP) 位置进行的手动雪深测量进行比较，均方根误差 (RMSE) 在 0.08 m 到 0.15 m 之间。将基于无人机的积雪深度与更密集的手动积雪深度测量网络进行比较分析，得出的 RMSE 在 0.16 m 到 0.32 m 之间。LAI 评估对于正确解释森林地区的积雪深度分布至关重要，它基于在森林状况下拍摄的俯视无人机图像。为了从俯视无人机图像中识别冠层特征，使用雪背景代替天空部分。参考了两种有效的冬季 LAI 检索常规方法，即 LAI-2200 植物冠层分析仪和数字半球摄影 (DHP)。与实地调查相比，冠层密度和地面特性对基于无人机成像的 DSM 评估准确性的影响显而易见。基于无人机的 LAI 值提供的估计值与 LAI-2200 植物冠层分析仪和 DHP 得出的值相当。与常规调查的比较表明，使用无人机摄影测量方法高估了春季积雪深度，低估了春季 LAI。由于积雪深度和 LAI 参数对于积雪研究至关重要，因此这种组合方法在未来将具有重要价值，可以简化雪深和雪动力学的 LAI 评估。
引用Liu P，Shang J，Qi Z，Qiu S，Lai X，Shi L，Shi L，Zhang Z，Li M和Yang L（2024），深链脊椎炎与心血管疾病的关联
心血管疾病（CVD）包括影响心脏和血管系统的多种疾病（Tsao等，2022）。遗传因素和环境因素都可能在CVD的发展和发展中起作用。尽管在诊断和治疗这些疾病方面取得了进步，但CVD仍然是全世界死亡率和残疾的主要原因（Roth等，2020）。鉴于严重的社会和临床后果，对CVD的危险因素的早期识别和干预对于降低发病率和死亡率至关重要（Roger等，2020）。值得注意的是，一些研究表明，强直性脊柱炎和CVD之间可能存在关联（Ding等，2022； Kwon等，2022）。强直性脊柱炎（AS）被分类为一种自身免疫性疾病，导致骨骼重塑和脊柱僵硬（Toussirot，2021）。先前的研究尚未确定在AS患者中确定CVD的风险。一些研究表明是CVD的独立危险因素（Setyawan等，2021; Kwon等，2022），但已经发布了冲突的结果（Tsai等，2015），这些关系是否是因果关系，其方向性是否仍然不清楚。最近，大型荟萃分析表明，CVD合并症在AS中很常见，提供了关联的关键证据并引起了显着的关注（Zhao等，2020）。由于混杂因素的潜在局限性和当前观察性研究中的因果关系的逆转，因此迫切需要使用强大的研究方法探索AS和CVD之间的因果关系。孟德尔随机化（MR）是一种研究方法，它利用与利益暴露作为工具变量（IVS）相关的遗传变异来推断暴露与疾病后果之间的联系（Burgess和Thompson，2015年）。孟德尔随机分析（MR）分析与常规观察性研究相比，由于在受孕的遗传变异的随机分配而与常规观察性研究相比，在疾病发作之前，与常规观察性研究相比，较不容易受到混淆，反向因果关系和测量误差（Lawlor等人，2008年； Yarmolinsky等人，2019年）。在评估行为暴露，教育程度，社会经济地位和各种疾病之间的各种因果关系中，已经证明了MR研究的适用性（Tillmann等，2017； Harrison等，2020）。此外，先前的MR探索已经审查了AS中风的因果关系（Mei等，2022）和心房效果（Chen等，2022）。尽管如此，这些努力主要集中在特定形式的CVD上。因此，我们的研究参与了MR设计，以确定AS和CVD之间存在因果关系的存在，从而为主要预防CVD提供了科学基础。
中国供应链控股有限公司中国供应链...
lai aizhong执行董事香港，2025年2月10日，在此宣布之日，董事会由三位执行董事组成，即赖·艾兹（Lai Aizhong）先生，王卡·夏（Wong Ka Shing）先生（首席执行官）和杨·洪韦（Yang Hongwei）；还有三位独立的非执行董事，即郑海彭先生，王小大先生和孙库尼女士。
公共经文（APA）的Citton：Dong，C.，Ye，T.，Long，X.
摘要 - 使用监视设备可以帮助避免受伤甚至死亡。当前，使用可穿戴传感器（例如运动传感器和其他传感器）来检测患者何时癫痫发作并警告他们的护理人员。但是，这些设备的开发阶段需要劳动密集型对收集的数据进行标记，这导致了开发可穿戴监测设备的困难。因此，必须采用更自动化的辅助方法来标记癫痫发作数据和可穿戴设备，以检测癫痫发作以进行日常监测。我们用建议的手镯从医院外癫痫发作的数据中收集了数据。癫痫发作后，要求受试者按下标记按钮。我们还提出了移动段（EAMS）算法的自动提取和注释，以排除非移动段。然后，我们使用机器学习方法使用了两层集合模型（TLEM）来对癫痫发作和非癫痫发作段进行分类，该段旨在处理不平衡的数据集。然后，由于这些数据集的不同不平衡，我们为整个（全天和晚上）癫痫发作案例和夜间癫痫发作检测案例分别构建了两个单独的TLEM模型。EAMS算法排除了93.9％的原始数据。TLEM模型