XiaoMi-AI文件搜索系统
World File Search SystemLoRa
psa_5 -copy.cdr
这项研究着重于使用伊普莫西亚laxiϔlora的叶提取物的银纳米颗粒生产，并评估其抗氧化剂和溶血效应。据我们所知，这是使用该物种合成银纳米颗粒的第一个报告。绿色的合成在医疗和环境中都具有巨大潜力，旨在利用较小的危险化学物质。基于植物的合成被认为是安全和有效的，这是由于植物提取物中的还原和封盖剂。ipomoea laxiϔlora H.J.Chowdhery＆债务属于Heardolvulaceae家族，是热带非洲和印度的年度登山者。它传统上被用来治疗发烧，头痛和胃痛。植物化学筛选显示了生物碱，saponins，苯酚，单宁，萜类化合物，类固醇，糖苷和心脏糖苷的存在。定量的植物化学含量，包括总酚类，lavonoid和proanthocyanin含量。ft-ir光谱分析表明主要官能团的特征峰值，例如烷烃，烷烃和羰基。通过将10 ml的甲醇叶提取物加入90 mL 1 mM 1 mM硝酸银水溶液，然后在80摄氏度加热三个小时后，连续搅拌将银纳米颗粒合成，然后在80摄氏度加热三个小时。从黄色到深棕色的颜色变化确认了银纳米颗粒的形成。较高的浓度表现出增加的清除活性。由DPPH自由基清除测定法确定的抗氧化活性显示甲醇提取物的清除活性为94％，而抗坏血酸为98％。总抗氧化活性在己烷和甲醇提取物中为60％至89％，甲醇显示出最高的浓度。溶血活性，在100 µg/ml的浓度下，溶血率为2.751％。使用诸如ipomoea laxiϔlora之类的天然来源开发绿色纳米颗粒，对环境可持续性，健康益处，多样化的生物医学应用，资源效率和成本率有很大的重要性。接受这种绿色方法不仅可以推进纳米技术，而且还与促进可持续发展的更广泛的目标保持一致。
摘要 研究：AI 社会认知评估与建模。评估 LLM 中的心智理论及其在心理学中的应用 NLP：LLM IFT、表征学习（对比和三重态损失）、语义聚类、总结 DL：Transformers、MoE、EncDec、RNNs、DPO、LoRA 工具：Python、Pytorch、Deepspeed、AWS Sagemaker、hydra、SQL 管理：建立 ML 团队、职能、策略和 OKR、招募和指导科学家和实习生以及建立数据和注释伙伴关系。
摘要 研究：AI 社会认知评估与建模。评估 LLM 中的心智理论及其在心理学中的应用 NLP：LLM IFT、表征学习（对比和三重态损失）、语义聚类、总结 DL：Transformers、MoE、EncDec、RNNs、DPO、LoRA 工具：Python、Pytorch、Deepspeed、AWS Sagemaker、hydra、SQL 管理：建立 ML 团队、职能、策略和 OKR、招聘和指导科学家和实习生以及建立数据和注释合作伙伴关系。
电话thiha kyaw
3月2024“ Robotics TechTalk”，邀请Talk，缅甸美国中心仰光。2019年12月，“移动机器人运动学”，邀请的研讨会，机器人技术实验室和AI（Lora），缅甸仰光技术大学。Jul。2019年“工程和机器人技术”，邀请演讲，缅甸的Gakken课堂教育研讨会。2019年2月，“初学者的Python编程”，邀请的研讨会，Makerfest Myanmar。Jul。2018“ Python编程简介”，邀请的研讨会，缅甸Barcamp Tu Hinthada。
2024教师资料
内森·亚历山大（Nathan Alexander），博士学位………………………………………………………………1达伦·伯纳尔（Darren Bernal），博士……………………………………………………………………..2萨布丽娜·埃文斯，博士……………………………………………………………….5 J. Reese Faust，LL.M.，Ph.D。 ………………………………………………………………………………………………………………硕士……………………………………………………………………………………………………………… ………………………………………………………………………………………………………………………………………………………………………………………………………… …………………………………………………………………………………………………………………………
外周血细胞图像分析的语言模型
摘要本文研究了视觉模型（VLM）在外周血细胞自动形态学分析中的应用。虽然手动显微镜分析仍然是血液学诊断的金标准，但它既耗时又可能会受到观察者间的变化。这项工作旨在开发和评估能够从微观图像中对血细胞进行准确的形态描述的微调VLM。我们的方法论包括三个主要阶段：首先，我们创建了一个合成数据集，该数据集由10,000个外周血细胞图像与专家制作的形态描述配对。第二，我们在三个开源VLMS上使用低级适应性（LORA）和量化Lora（Qlora）进行了微调方法：Llama 3.2，Qwen和Smovlm。最后，我们开发了一个基于Web的界面，用于实用部署。的结果表明，在预先调整后所有模型的所有模型中都有显着改善，QWEN的性能最高（BLEU：0.22，Rouge-1：0.55，Bertscore F1：0.89）。为了确保可访问性并实现正在进行的评估，该模型已被部署为网络空间的Web应用程序，使研究社区可自由使用。我们得出的结论是，微调的VLM可以有效地分析外周血细胞形态，从而为血液学分析提供了标准化的潜力。这项工作建立了一个框架，可以将视觉模型改编为专业的医疗成像任务，这对改善临床环境中的诊断工作流程的影响。完整的实现可在GitHub
性别平衡的语料库生成神经机器翻译
神经机器翻译模型再现其培训数据中存在的性别偏见，尤其是从性别中性语言（如英语）翻译成像西班牙语（如西班牙语）的语法性别语言时。本文通过将最先进的语言调整为性别平衡且合成生成的领域来调整性别偏见。我们的方法涉及使用以结构化提示为指导的大语言模型（LLM）的合成数据扩展，因为它对可扩展数据增强具有很大的好处。我们首先识别LLM和提示组合，该组合生成最准确，最少偏见的反事实句子。实验表明，当由更广泛的示例，逐步推理引导时，Llama 2-13B模型表现最好，并使用模型所需的相同语言来完成任务。使用此设置，我们增加了一个具有性别修饰句子的数据集，然后使用Lora来调整NLLB模型，Lora是一种参数效率的方法，仅训练模型参数的1.5％。我们的实验表明，在不影响翻译质量的情况下，性别偏差的统计学显着降低。较大的数据集结合了事实和合成反事实，并滤除低质量生成的示例有助于更有效地概括性别语言模式。这些结果具有更广泛的含义：首先，参数有效的微调可以以较小的计算成本减少性别偏见；其次，llm aigment的数据集可以匹配其他合成增强方法的有效性。
LoRaWAN 的高可靠性
物联网 (IoT) 是数字通信和无线网络的新范式，为应用部署开辟了新的机会。但与传统技术相比，物联网也带来了新的限制和要求。这些物联网网络中一个重要且不断增长的部分被归类为低功耗广域网 (LPWAN)。LPWAN 为共享同一网关的数千台终端设备提供低吞吐量连接，范围可达数公里，能耗极低，终端设备收发器以及基础设施和维护成本低。LoRaWAN 是由 LoRa Alliance ® 在 Semtech 的 LoRa ® 专有调制基础上开发的开放网络协议规范，是领先的 LPWAN 技术之一 [1]、[2]、[3]。LoRaWAN 提供了一种实用且灵活的连接解决方案，因为单个网关可以处理数千台终端设备并覆盖半径约十公里的小区。此外，该协议还提供了动态、自动和无线管理和参数调整的基本机制。完善这些机制是充分利用 LoRaWAN 功能的主要手段，通过减少广播时间，提高其可靠性，同时保持其可扩展性。这两个方面对于支持应用程序开发及其工业部署至关重要 [4]，[5]。自适应数据速率 (ADR) 协议是 LoRaWAN 的关键部分，它允许动态调整终端设备 (ED) 传输参数，以适应终端设备的传输条件或网络负载。适当调整 LoRaWAN 网络有可能提高性能，但该过程需要全面准确地了解这些网络的行为，包括
ASR6601-数据表
ASR6601是一般LPWAN无线通信SoC，具有集成的RF收发器，调制解调器和32位RISC MCU。MCU使用ARM CHINA STAR MC1处理器，具有48 MHz操作频率。RF收发器的频率覆盖率从150 MHz到960 MHz。调制解调器支持LPWAN用例的LORA调制，以及（G）FSK调制的传统用例。调制解调器还支持TX和（G）MSK调制中的BPSK调制。使用ASR6601设计的LPWAN无线通信模块为LPWAN应用程序提供了超长范围和超低功率通信。
推进AI驱动的医疗图像合成
摘要MEDVQA-GI挑战挑战解决了AI驱动的文本对象生成模型在医学诊断中的集成，旨在通过合成图像生成来增强诊断能力。现有方法主要集中于静态图像分析，并且缺乏文本描述中医学图像的动态生成。本研究打算通过引入基于微调生成模型的新方法来部分缩小这一差距，以从文本描述中生成动态，可扩展和精确的图像。尤其是，我们的系统集成了微调的稳定扩散和Dreambooth模型，以及低级适应（LORA），以生成高保真的医学图像。问题是两个子任务，即：图像合成（IS）和最佳提示生产（OPG）。前者通过口头提示创建医学图像，而后者提供了在指定类别中产生高质量图像的提示。这项研究强调了传统医学图像生成方法的局限性，例如手绘，限制数据集，静态程序和通用模型。我们的评估措施表明，稳定的扩散在产生高质量，多样化的图像方面超过了夹子和Dreambooth + Lora。具体来说，稳定的扩散的限制距离（FID）得分最低（单中心为0.099，多中心为0.064，合并为0.067），表明图像质量更高。此外，它的平均成立得分最高（所有数据集中为2.327），表明了异常的多样性和质量。这进展了AI驱动的医疗诊断领域。未来的研究将集中于模型炼油，数据集扩展和道德考虑，以有效地将这些进步实施到临床实践中。
2023-2024 年报告 - 欧洲数据保护监督机构
在某个时候，开发具有竞争力的高性能 LLM 似乎只有最有资源的科技公司（例如 Google、Meta 或 OpenAI）才能实现。然而，两项发展改变了这一趋势，使 LLM 开发更加广泛。首先，发表的研究表明，在选择计算能力、模型大小和训练数据集大小时，存在一组最佳值。其次，参数高效微调技术的出现（例如 LoRA），大大减少了训练 LLM 所需的资源量 - PALM 2 已经遵循了这一趋势，尽管它似乎是用更大的数据集进行训练的，但它的参数比其前身要少（3400 亿，而 PaLM 为 5400 亿）。