XiaoMi-AI文件搜索系统
World File Search SystemNORM
天然存在的放射性材料（规范）北塞浦路斯尼科西亚气溶胶粉尘的浓度和健康风险评估
颗粒，从而照射宿主有机体[2]。天然放射性核素在灰尘中的主张取决于其在原始土壤中的数量。此外，灰尘的起源主要与大气灰尘，农业活动，该地区的植物类型，土壤特征和环境污染有关。从辐射保护的角度来看，相关的放射学风险很重要，最近报告了一些研究[3-6]。自然存在的放射性材料（规范），例如40 K和238 U，232 TH及其腐烂产物，它们存在于土壤[7，8]，岩石[5，9]，水[10-12]和建筑材料[13-17]等环境材料中，可能对人类健康有害。基于土壤的地质形成，土壤中放射性的分布取决于其得出的岩石类型以及其地质位置的性质[18]。土壤不仅充当人类连续辐射暴露的来源，而且还充当以灰尘形式将放射性物质运输到呼吸系统中的一种手段[19]。许多因素影响不同地理环境组件（例如土壤，沉积物，水，尘埃）中规范的分布，包括风化过程，局部地质和气候条件[20]。如果不考虑气态ra吸入，则沉积物或土壤中规范的存在通常与外部辐射暴露有关。自从水中暴露于标准涉及多种途径，由于低水平
使用拉普拉斯正则化 Schatten p范数最小化从头预测药物-靶标相互作用
在制药科学中，药物发现的一个关键步骤是识别药物-靶标相互作用 (DTI)。然而，只有一小部分 DTI 经过了实验验证。此外，通过传统的生化实验来捕捉药物和靶标之间的新相互作用是一个极其费力、昂贵且耗时的过程。因此，设计用于预测潜在相互作用的计算方法来指导实验验证具有实际意义，特别是对于从头情况。在本文中，我们提出了一种新算法，即拉普拉斯正则化的 Schatten p 范数最小化 (LRSpNM)，用于预测新药物的潜在靶标蛋白和没有已知相互作用的新靶标的潜在药物。具体而言，我们首先利用药物和靶标相似性信息来动态地预填充部分未知的相互作用。然后基于相互作用矩阵低秩的假设，我们使用 Schatten p 范数最小化模型结合拉普拉斯正则化项来提高新药/新靶点案例的预测性能。最后，我们通过一种高效的交替方向乘子算法对 LRSpNM 模型进行数值求解。我们在五个数据集上评估了 LRSpNM，大量的数值实验表明 LRSpNM 比五种最先进的 DTI 预测算法具有更好、更稳健的性能。此外，我们对新药和新靶点预测进行了两个案例研究，这表明 LRSpNM 可以成功预测大多数经过实验验证的 DTI。
获得性脑损伤后的驾驶适应性：患者认知筛查和道路评估结果与年龄调整常模值的比较
在康复环境中，获得性脑损伤或疾病后是否适合驾驶是一个常见的问题。这项研究的目的是将年龄匹配的常模与用来预测驾驶适应性的患者认知测试结果进行比较。第二个目的是分析道路评估对获得性脑损伤后恢复驾驶的最终决策的贡献。将四个交通医学部门（n = 333）的回顾性认知测试结果与瑞典健康常模人群（n = 410）的结果进行了比较。根据交通医学团队对适合或不适合驾驶的最终决策，将患者分为两类。在所有年龄组的所有认知测试中，常模组的结果明显优于被认为不适合驾驶和适合驾驶的患者。对患者组进行的二元回归分析显示，适合驾驶/不适合驾驶的解释值为 88%，其中包括北欧中风驾驶员筛查评估总分、有用视野总分和道路评估的最终结果。本研究的结果说明了使用多种测试、方法和背景对于最终决定驾驶适应性的重要性。
使我成为BNN：从预训练模型估算贝叶斯不确定性
其中矩阵w（j）µ和w（j）σ表示层j，j j〜n（0，1）的后验分布的平均值和标准偏差，而操作员norm（β，βJ，γJ），可训练的参数βJ和γj的均值和标准偏差，可以指代任何批次，层，层，层，层或实例化。
天然放射性物质
所有矿物和原材料都含有天然放射性核素，其中对辐射防护而言最重要的是 238 U 和 232 Th 衰变系列和 40 K 中的放射性核素。对于大多数涉及矿物和原材料的人类活动，这些放射性核素的暴露水平不会明显高于正常背景水平。此类暴露虽然已成为大量研究的主题，但与辐射防护无关。但是，某些工作活动可能会导致暴露量显著增加，可能需要通过法规进行控制。导致这些暴露量增加的物质被称为天然放射性物质 (NORM)。NORM V 研讨会有来自 40 个国家的 200 名参与者参加，该研讨会恰逢该系列第一次研讨会十年后，为回顾这一时期发生的许多发展提供了重要机会。它还与当前审查和修订有关辐射防护和安全的国际建议和标准的各种举措相吻合。会议记录包含全部 37 份口头报告和 4 份报告员报告，以及总结研讨会主要发现的摘要。随会议记录附送的 CD-ROM 中提供了 46 份海报展示的文本版本。
gleipnir：探索量子程序的实际错误分析
实用误差分析对于嘈杂的中等规模量子（NISQ）计算的设计，优化和评估至关重要。然而，量子程序中的边界错误是一个巨大的挑战，因为量子错误的影响取决于指数的大量子状态。在这项工作中，我们提出了Gleipnir，这是一种新颖的方法论，实际上可以计算量子程序中经过验证的错误界限。gleipnir引入了（ˆ 𝜌，𝛿） - diamond norm，这是一个误差度量，该误差度量受近似状态ˆ及其距离组成的量子谓词约束的误差度量，并将其距离为理想状态𝜌。可以使用基于矩阵乘积状态的张量网络自适应地计算此谓词（ˆ 𝜌，𝛿）。gleipnir具有轻巧的逻辑，用于基于（ˆ 𝜌，𝛿）-diamond Norm Metric的嘈杂量子程序中的错误界限的推理。我们的实验结果表明，Gleipnir能够为具有10至100 QUBIT的现实世界量子程序有效地产生严重的误差范围，并且可用于评估量子编译器转换的误差缓解性能。
spinet-qsm：基于模型的深度学习，schatten p ...
抽象的客观定量敏感性映射（QSM）提供了使用磁共振（MR）相测量的组织磁化率的估计。通过数值求解逆源效应问题来估计MR相图像中测得的磁场分布/局部组织场（效应）的组织磁化率（源）。本研究旨在开发一个有效的基于模型的深度学习框架来解决QSM的反问题。材料和方法这项工作提出了带有可学习的范围参数P的schatten p-norm驱动模型的深度学习框架，以适应数据。与其他基于模型的体系结构相比，该结构强制执行l 2 -norm或l 1 -norm，而拟议的方法可以在可训练的正规机构上强制执行任何p -norm（0 结果将所提出的方法与基于深度学习的方法（例如QSMNET）和基于模型的深度学习方法进行了比较，例如学习的近端卷积神经网络（LPCNN）。 使用具有不同采集方案和临床条件的77次成像体积进行的重建，例如出血和多发性巩膜，表明所提出的方法在定量优点方面以显着的优势超出了现有的最新方法。 结论拟议的Spinet-QSM在高频误差规范（HFEN）和归一化的根平方误差（NRMSE）方面，至少提高了至少5％的持续改善，而与其他QSM重建方法相比，使用有限的训练数据。结果将所提出的方法与基于深度学习的方法（例如QSMNET）和基于模型的深度学习方法进行了比较，例如学习的近端卷积神经网络（LPCNN）。使用具有不同采集方案和临床条件的77次成像体积进行的重建，例如出血和多发性巩膜，表明所提出的方法在定量优点方面以显着的优势超出了现有的最新方法。结论拟议的Spinet-QSM在高频误差规范（HFEN）和归一化的根平方误差（NRMSE）方面，至少提高了至少5％的持续改善，而与其他QSM重建方法相比，使用有限的训练数据。
电池储能容量投标窗口2...
法律 RFP 规定，投标人必须在投标提交日期之前根据 1998 年《国家环境管理法》第 107 号（“NEMA”）的要求获得项目的环境授权，但是，投标人应考虑林业、渔业和环境部（“DFFE”）于 2024 年 3 月 27 日发布的最新电池存储排除规范（GN。编号 50387）。该规范涉及排除与电池存储设施的开发和扩展相关的某些活动。如果投标人提议的项目根据电池存储排除规范免于环境授权要求，则投标人必须在申请法律意见中详细说明该结论的依据。
纠缠的复杂性
Nielsen 的量子态复杂性方法将准备状态所需的量子门的最小数量与用酉变换流形上的某个范数计算的测地线长度联系起来。对于二分系统，我们研究了绑定复杂性，它对应于作用于单个子系统的门没有成本的范数。我们将问题简化为研究施密特系数流形上的测地线，并配备适当的度量。绑定复杂性与其他量（如分布式计算和量子通信复杂性）密切相关，并且在 AdS/CFT 的背景下提出了全息对偶。对于具有黎曼范数的有限维系统，我们发现了绑定复杂性与最小 Rényi 熵之间的精确关系。我们还发现了最常用的非黎曼范数（所谓的 F 1 范数）的分析结果，并为量子计算和全息术中普遍存在的状态复杂性相关概念提供了下限。我们论证说，我们的结果适用于分配给作用于子系统的生成器的一大类惩罚因子。我们证明，我们的结果可以借用来研究 F 1 范数情况下单个自旋的通常复杂度（非约束性），而这在之前的文献中是缺乏的。最后，我们推导出多部分约束复杂度的界限以及相关（连续）电路复杂度，其中电路最多包含 2 个局部相互作用。