XiaoMi-AI文件搜索系统
World File Search SystemModeling
深度学习驱动的数据处理，建模... -LAAS
近年来，从机器学习中使用方法来解决光子系统设计和模式的问题的增长显着增长。最近的许多评论已广泛涵盖了（Nano）光子学[1-7]中深度学习的领域。在这里，我们提供了一个介绍，涵盖了深度学习神经网络的一些相关背景，然后提供了许多更深入的应用程序，这些应用程序涉及纳米光子学研究的各个方面，其中神经网络可以在其中发现应用。我们描述了纳米结构内部电磁场的广义预测网络的开发，该网络允许在向前迭代设计中替换数值模拟，一旦网络得到了全面训练，可以通过数量级加速设计过程。接下来，我们将说明使用串联神经网络来预测多子集成电路中的复杂散射模式，作为神经网络启用逆设计的示例。最后，我们讨论了在高级和实时数据处理中的神经网络的使用，以及在光学数据存储和高光谱成像中的最新应用。
生命代码：具有多词序列统一的中央教条建模
如分子生物学的中心教条所示，DNA，RNA和蛋白之间的相互作用是生物过程的基础。现代生物学预训练的模型在分析这些大分子方面取得了巨大的成功，但它们的感染性质仍未得到探索。在本文中，我们遵循Central Dogma的指导来重新设计数据和模型管道，并提供一个全面的框架，即生命代码，这些框架涵盖了不同的生物功能。至于数据流，我们提出了一条统一的管道来通过将RNA转录并反向翻译为基于核苷酸的序列来整合多词数据。至于模型，我们设计了一个密码子令牌和混合长期架构，以用遮罩的建模预训练编码编码和非编码区域的相互作用。通过编码序列对翻译和折叠过程进行建模，生命代码通过从现成的蛋白质语言模型中的知识分离来学习相应的氨基酸的蛋白质结构。这样的设计使生命代码能够在遗传序列中捕获复杂的相互作用，从而更全面地了解了与中央教条的多摩学。广泛的实验表明，生命代码在三个OMIC的各种任务上实现了状态绩效，突出了其进步多摩学分析和解释的潜力。
机器人引发的久坐行为的社会控制
数字阴影（DS），它利用机器学习驱动的数据同化技术，例如非线性贝叶斯过滤和生成AI（Spantini，Baptista和Marzouk 2022; Gahlot，Orozco等人2024），为监视CO 2存储提供了更详细，更可靠的方法（Herrmann 2023; Gahlot等人。2023; Gahlot，Li等。2024; Gahlot，Orozco等。2024）。通过将不确定性（如渗透率）纳入储层特性，该框架提高了CO 2迁移预测的准确性，包括羽状压力和饱和度，从而降低了GCS项目的风险。但是，数据同化取决于有关储层特性的假设，将储层状态与地震特性联系起来的岩石物理模型以及初始条件。如果这些假设不准确，则预测可能会变得不可靠，进而将危害GCS操作的安全性。减轻这种风险的一种方法是增加用于训练负责数据同化过程的神经网络的预测合奏 - 将先前的预测样本映射到后部。在本演讲中，我们证明，通过合并各种岩石物理模型来增加预测集合，从而减轻了使用不准确模型的负面影响（例如，均匀与斑块饱和模型）。此外，我们发现在某些情况下，集成增强可以提高预测精度。
生物学网络中计算建模会议
联合收割联盟是一项旨在协调生物学和医学计算机模型的社区标准和格式的倡议。组合成员在各个地方举办年度会议。本次会议针对有兴趣使用和制定这些标准的所有职业水平的科学家。它还为交换，讨论和互动实验和学习提供了一个平台。从9月1日至5日，联盟2024会议在斯图加特·斯图加特·瓦辛根校园的斯图加特大学举行。该活动是作为面对面的研讨会风格的活动举行的，有机会在分手会议期间进行远程参与，以实现广泛的社区参与。Combine 2024已作为虚拟生理人（VPH）2024会议的卫星事件，该活动也于2024年9月4日至6日在Stuttgart举行。该事件的共同位置是有利的，并促进了两个科学网络之间的交流和协作。今年的联合收割机由Stuttgart卓越群体Exc2075共同主持，“数据集成模拟科学（SIMTECH）”。Simtech是一个工程驱动的集群，它在各个领域开发和应用多规模的计算模型和仿真方案。制定标准和工作流程以实现和促进无缝管理，交换和重复使用模型和数据是集群中的重要主题。此外，在不同社区和应用领域的集群中，深入讨论了为社区长期维护的研究软件的开发和策略。我们认为，模型和计算工具的长期维护以及广泛的用法需要努力。在这方面，我们将联合财团视为系统生物学领域的成功榜样。另一方面，Simtech研究人员还成功地开发了软件工具，例如，用于模型耦合（PRECITE）或工程驱动的模型和多尺度模型（Dynamore）和生物催化（emzymeml）的有效仿真。这个想法是在联合收割机和Simtech和活泼的讨论之间进行交流，这很好。
基于生成代理的建模可以在社交媒体模拟中复制友谊悖论吗？
基于生成代理的建模（GABM）是一种新兴的模拟范式，将大型语言模型的推理能力与传统的基于代理的建模相结合，以复制复杂的社交行为，包括在社交媒体上进行互动。虽然先前的工作集中在局部现象（例如意见形成和信息传播）上，但其捕获全球网络动态的潜力仍然没有被逐渐消失。本文通过通过友谊悖论（FP）的角度分析基于GABM的社交媒体模拟来弥补这一差距，这是一种违反直觉现象，平均而言，个人的朋友比朋友的朋友少。我们为社交模拟的GABM框架提出了一个框架，其特征是模仿具有不同个性和兴趣的真实用户的生成代理。使用美国2020年选举和Qanon阴谋的Twitter数据集，我们表明FP自然出现在GABM模拟中。与现实世界的观察一致，模拟揭示了一个分层结构，在该结构中，代理优先与其他表现出更高活动或影响的人相连。此外，我们发现不频繁的连接主要驱动FP，反映了真实网络中的模式。这些发现将GABM验证为建模全球社交媒体现象的强大工具，并通过对用户行为进行细微的分析来强调其推进社会科学的潜力。
用生成AI和密度在冷冻EM中建模配体...
在原子细节中解决蛋白质 - 配体相互作用是了解小分子如何调节大分子功能的关键。尽管最近的低温电子显微镜（Cryo-EM）进行了分解，但可以对许多复杂的生物分子进行高质量的重建，但是结合的Lig-和S的分辨率通常相对较差。此外，将分子模型构建和完善分子模型的自动化方法主要集中在蛋白质上，并且可能不会针对小分子配体的各种特性进行优化。在这里，我们提出了一种将生成性人工智能（AI）与低温EM密度引导的模拟整合在一起，以将配体拟合到实验图中。使用三个输入：1）蛋白质氨基酸序列，2）配体规范，以及3）实验性的冷冻EM图，我们验证了我们在一组生物医学相关的蛋白质配体复合物上验证了我们的方法，包括激酶，GPCR和溶质转运蛋白，在AI培训数据中都不存在。在生成AI不足以预测实验姿势的情况下，将柔性拟合整合到分子动力学模拟中，相对于沉积的结构从40-71％到82-95％的分子模拟拟合的整合改善了配体模型对图。这项工作提供了一个直接的模板，用于集成生成的AI和密度引导的模拟，以在配体 - 蛋白质复合物的低温EM地图中自动化模型构建，并在新型调节剂和药物的表征和设计中使用潜在的应用。
在聚会岛上建模纳巴氏和katabatic流
摘要这项研究研究了聚会岛上的热环流（21°07'S 55°32'E），重点是该地区的复杂地形。分析了来自Bio -Maïdo运动的观察结果，以及使用Mesonh模型进行了2天的高分辨率模拟，以了解热驱动机制。该模拟的水平分辨率为100 m，并采用垂直拉伸的网格，在最低水平下达到1 m的分辨率。确定了两个不同的风度，其特征是夜间30 m厚的层内盛行的katabatic流，而白天在150至200 m的层中表现出一个分离的流动。通过对表面测量结果进行验证确认了模拟，从而实现了热风循环的详细研究。结果表明，贸易风的强度显着影响热循环的发展。复杂的分层结构。在7 m s -1的强度下，贸易风阻止了坡度上的热环流的发展，并导致局部和区域循环之间的收敛区的出现。对微风建立期的分析表明，katabatic流量在35分钟内稳定，比整形流动更快，这需要110分钟。动量和热预算分析提供了对热循环的主要驱动因素的见解：浮力加速，受解剖流量开始期间局部表面加热的影响以及在katabatic流量开始期间局部表面冷却。
储能参与能源和储备市场的累积收入与最优频率调节模型
π t da 日前市场-DA 电能价格（€/MWh） π t id 日内市场-ID 电能价格（€/MWh） π t fcr, r ,π t fcr, a FCR 底价（€/MW/4h），激活电能价格（€/MWh） π t afrr, r ,π t afrr, a aFRR 底价（€/MW/1h），激活电能价格（€/MWh） π t mfrr, r ,π t mfrr,a +/- mFRR 底价（€/MW/30min），激活电能价格（€/MWh） π t rr, r ,π t rr,a +/- RR 底价（€/MW/30min），激活电能价格（€/MWh） π t cap 容量市场 电能价格（€/MWh） at, j bm, +/- 上行和下行底价的激活信号：bm = {fcr, afrr, mfrr, rr} at bm 上行和下行储备的手动储备信号：bm = { mfrr, rr} at cap 容量市场的激活信号 dt da DA 市场的时间分辨率（1 小时） dt id ID 市场的时间分辨率（30 分钟） dt bm BM 市场的时间分辨率：bm = {fcr, afrr, mfrr, rr} (15 分钟) P max 电池的最大功率容量（MW） E cap 电池的最大能量容量（MWh） ƞ - , ƞ + 充电和放电效率（%） β 上行和下行 BM 储备的激活部分（%） soc max , soc min 充电阶段的最大值和最小值（%）
如何引用本文Suzuki A，Sano K，Saito Y等。 （2025年2月8日）对病毒肝炎患者的肝纤维化进展进行建模
机器学习的最新进展，尤其是在疾病进展模型中，允许从横截面数据重建长期病理。Fonteijn等。 引入了“基于事件的模型” [13]，该模型启动了一系列无监督的机器学习方法，共同称为“疾病进展建模” [14]。 这种方法从横截面数据重建了长期的时间疾病进展，迄今为止，已主要应用于神经退行性疾病领域。 Young等人引入了一项关键的创新，后者开发了一种新颖的技术，即“亚型，阶段和推理”（Sustain）。 该机器学习工具通过结合疾病进展建模和聚类来确定疾病亚组和进展模式[15-18]。Fonteijn等。引入了“基于事件的模型” [13]，该模型启动了一系列无监督的机器学习方法，共同称为“疾病进展建模” [14]。这种方法从横截面数据重建了长期的时间疾病进展，迄今为止，已主要应用于神经退行性疾病领域。Young等人引入了一项关键的创新，后者开发了一种新颖的技术，即“亚型，阶段和推理”（Sustain）。该机器学习工具通过结合疾病进展建模和聚类来确定疾病亚组和进展模式[15-18]。