XiaoMi-AI文件搜索系统
World File Search SystemMultiscale
可解释的多尺度机器学习基于图标的对流参数
摘要机器学习（ML）基于基于地球系统模型（ESM）的参数化，其目标是更好地表示子网格尺度过程或加速计算。杂种ESM中的基于ML的参数化已从短高分辨率模拟中成功地学习了亚网格尺度过程。但是，大多数研究都使用特定的ML方法来参数化基因趋势或通量，该趋势源自主要是理想化的设置或超级参数的各种小规模过程（例如，辐射，对流，重力波）的复合效应（例如，辐射，对流，重力波）。在这里，我们使用过滤技术将对流与这些过程在逼真的环境中使用二十面体非静液压建模框架（ICON）明确分开，并在逼真的环境中对彼此之间的各种ML算法进行基准测试。我们发现，在表现出最佳的离线性能的同时，一条未能的U型NET学习了对流降水与亚网格通量之间的反向因果关系。尽管我们能够将U -NET的学习关系与物理过程联系起来，但对于非深度学习的梯度增强了树是不可能的。然后将ML算法在线耦合到主机图标模型。我们最好的在线性能模型，一种消融的U型NET，不包括沉淀示踪剂物种，表明与传统方案相比，与高分辨率模拟相比，模拟降水极端的一致性和平均值具有更高的一致性。但是，在水蒸气路径和平均沉淀中都引入了平滑偏置。我们的结果暗示了可能通过混合ESM显着减少系统错误的潜力。在线，与未驱动的U -NET相比，融合的U -NET显着提高了稳定性，并且在整个模拟期内运行稳定。
用于多尺度材料工程的均聚物的受控共价自组装
自组装在自然和材料科学中起着至关重要的作用。[1] 在自然界中，生物分子自组装成细胞器，细胞器进一步组织成细胞和多细胞生物体。同样，自组装也用于材料合成，将小的独立单元组织成越来越复杂的结构和材料。[2–4] 一种特别流行的分子单元是聚合物，它已用于制造纳米颗粒、纤维和水凝胶等结构。[5–9] 这些材料虽然在许多领域（特别是在生物医学应用）中都至关重要，但却具有根本的局限性：当前的方法仅报告通过弱非共价相互作用（如疏水、静电或 π-π 堆积相互作用和氢键）进行的聚合物自组装，[1] 这些相互作用都对环境条件（如溶剂极性、温度、离子强度、pH 值和共溶质）极其敏感。此外，
多类运动想象脑机接口的多尺度时频方法
运动想象脑机接口 (MI-BCI) 已成为神经康复领域的一项很有前途的技术。然而，目前的多类 MI-BCI 的性能和计算复杂度尚未得到充分优化，而且很少研究对运动想象任务中个体差异的直观解释。在本文中，首先将精心设计的多尺度时频分割方案应用于多通道脑电图记录以获得时频片段 (TFS)。然后，利用基于特定包装器特征选择规则的 TFS 选择来确定最佳 TFS。接下来，使用发散框架中实现的一对一 (OvO)-divCSP 来提取判别特征。最后，利用一对其余 (OvR)-SVM 根据选定的多类 MI 特征预测类标签。实验结果表明，我们的方法在两个公开的多类 MI 数据集上取得了优异的性能，平均准确率为 80.00%，平均 kappa 为 0.73。同时，提出的 TFS 选择方法可以显著减轻计算负担，同时准确率几乎没有降低，证明了实时多类 MI-BCI 的可行性。此外，运动想象时频反应图 (MI-TFRM) 是可视化的，有助于分析和解释不同受试者之间的表现差异。
使用综合的DICECT和组织学工作流对大鼠大脑的多尺度成像
pH 7.4）并在4ºC下与以下主要抗体一起孵育：（1）小鼠单克隆抗白蛋白（PRV）抗体（no。235，Swant Inc.，瑞士Marly），稀释1：1000； （2）小鼠单克隆抗纤维纤维抗原蛋白（GFAP）（no。） 3670，细胞信号技术，美国马萨诸塞州丹佛市），稀释1：500;或（3）山羊多克隆抗DARPP-32（no。 SC-271111，圣克鲁斯生物技术，美国德克萨斯州达拉斯），稀释1：200。 在4°C的PBS中孵育24小时0.1M Triton X-100，其中包含3％驴血清（no。 SC-2044，圣克鲁斯生物技术）。 冲洗后，在两个小时的室温下与以下二次抗体之一的一种与偶联的荧光染色体一起孵育两小时，将组织免受光的保护：（1）Alexa Fluor 488驴抗小鼠（no。235，Swant Inc.，瑞士Marly），稀释1：1000； （2）小鼠单克隆抗纤维纤维抗原蛋白（GFAP）（no。3670，细胞信号技术，美国马萨诸塞州丹佛市），稀释1：500;或（3）山羊多克隆抗DARPP-32（no。SC-271111，圣克鲁斯生物技术，美国德克萨斯州达拉斯），稀释1：200。在4°C的PBS中孵育24小时0.1M Triton X-100，其中包含3％驴血清（no。SC-2044，圣克鲁斯生物技术）。冲洗后，在两个小时的室温下与以下二次抗体之一的一种与偶联的荧光染色体一起孵育两小时，将组织免受光的保护：（1）Alexa Fluor 488驴抗小鼠（no。A32766 Thermo Fisher Scientific）稀释1：500;或（2）Alexa Fluor 488驴抗山羊（no。705-545-147杰克逊实验室，
使用多尺度全卷积神经网络校正运动伪影
缩写：FCN = 完全卷积神经网络；MSE = 均方误差；SSIM = 结构相似性指数在 MRI 检查期间，患者运动会导致伪影，而伪影是临床实践中造成图像质量下降的常见原因，据报道，这会影响 10% – 42% 的脑部检查的图像质量。1、2 在图像采集时可能会识别出对 MRI 检查诊断价值有重大影响的运动伪影，导致近 20% 的 MRI 检查出现重复序列。1、3 这些重复序列会给放射科带来大量的时间和财务成本。1 由于无法保证患者在重复序列期间能够更好地保持静止，因此图像的诊断价值往往会受到影响。
多尺度分子模拟，研究脑中基于腺苷酸的信号传导
要执行其功能，细胞需要感知和处理代表其外部和间环境状态的各种信号。示例是代表营养可用性，细胞损伤水平的信号，对于多细胞生物来说至关重要，这对多种通信信号非常重要，这些信号用于协调组织和/或器官之间的细胞活性。通过专门的分子电路（称为信号传输级联）来实现所需的信号处理，这些电路已演变为引起对不同刺激的适当响应。的例子包括激活细菌向营养的激活，细胞修复机制的开始以及神经系统突触中突触的增强和减弱。对于细胞外信号，级联反应通常从具有高特异性的细胞表面回收器开始，该分子（一种激动剂）在结合后会触发细胞内部的一系列化学反应，从而在整个膜上传达信号。经常，级联的开始涉及激活通过产生大量细胞内第二信使来扩增细胞外信号的酶。这样是
多偏二敏过程的建模和估计
融合细丝制造（FFF）或融合沉积建模（FDM）是多种领域中广泛使用的增材制造技术。然而，空隙，层之间的粘结差，而FDM Pa-Rameter通常会影响FDM打印的物体，从而改变其强度。研究人员已经研究了用于FDM打印的碳纳米管（CNT）复合材料，以提高其特征。本文提出了一个用于预测机械性能的CIENT三级计算模型，以及用于制备CNT融合的昀碗哀叹的独特淬火过程。通过广泛的参数分析揭示了FDM过程参数在机械性能上的ince。与纯ABS相比，注入CNT的复合材料表现出更好的键合和模量。实验研究表明，对于ABS和ABS-CNT而言，层高度的增加分别使弹性模量分别恶化了21.03％和27.92％。在pure ABS中，In ll密度分别从100％增加到75％和50％，将模量增加49.3％和69.6％。分别在0 - 0 0和0 - 90 0方向上打印的零件，分别为纯ABS和纳米复合材料发现了2.11％和1.7％的降低。计算结果与实验性昀碗nding非常吻合，在0.1 mm和0.2 mm的层高度的差异从10.15％到5.5％不等。对于其他参数（例如栅格方向），0 - 0 0和0 - 90 0的差分别为5.3％和6.9％。计算结果与实验结果一致，使其成为优化FDM打印和利用CNT以提高零件性能的有用工具。
具有多尺度扩散动力学的高级离子尖峰模式
抽象的流体离子基质是成为实现神经形态回路的独特平台，其特征是它依赖于与大脑相同的水性培养基和离子信号载体。借助了离子尖峰电路的最新理论进步以及形成流体回忆录的锥体离子通道的动态电导，我们扩大了离子型电路中提出的神经元尖峰动力学的曲目。通过模型的电路包含带有双极表面电荷的通道，我们提取阶段爆发，混合模式尖峰，补品爆发和阈值可变性，所有这些都带有哺乳动物神经元典型范围内的尖峰电压和频率。由于典型的电导记忆保留时间在通道长度上的强烈依赖性，因此这些特征是可能的，使得时间表从单个尖峰到单个电路中多个尖峰的爆发不等。这些高级形式的神经元状尖峰支持探索水离子化作为神经形态回路的有趣平台。
用于评估碳捕获和封存技术的多尺度电力模型（MEME-CCS）
1. 在 ReEDS 中定义基础设施投资驱动因素（燃料价格、技术成本、二氧化碳价格）。2. 在 ReEDS 中规划美国本土的未来基础设施（发电、存储和传输的位置和容量）。3. 使用 ReEDS-PLEXOS 转换工具将容量缩小到单个发电/存储单元并分配其他操作参数。4. 使用一致的操作驱动因素（燃料价格、二氧化碳价格）模拟 PLEXOS 中未来基础设施的区域每小时调度。5. 调度解决方案包括每个区域的位置边际价格。6. 通过负载加权平均将区域价格汇总到市场区域。
AMEEGNet：基于注意力机制的多尺度 EEGNet，用于有效运动想象 EEG 解码
近年来，基于运动想象 (MI) 的脑电图 (EEG) 在脑机接口 (BCI) 技术中得到了显著的关注，特别用于瘫痪患者的康复。但 MI EEG 的低信噪比使其难以有效解码，阻碍了 BCI 的发展。本文提出了一种基于注意的多尺度 EEGNet (AMEEGNet) 方法来提高 MI-EEG 的解码性能。首先，采用三个并行的融合传输方法的 EEGNets 从多个尺度提取 EEG 数据的高质量时空特征。然后，高效通道注意 (ECA) 模块通过一种加权关键通道的轻量级方法增强了对更具辨别性的空间特征的获取。实验结果表明，所提出的模型在 BCI-2a、2b 和 HGD 数据集上的解码准确率分别为 81.17%、89.83% 和 95.49%。结果表明，所提出的 AMEEGNet 有效地解码了时空特征，为 MI-EEG 解码提供了新的视角，并推动了未来的 BCI 应用。