XiaoMi-AI文件搜索系统
World File Search SystemNeel
最初发表于：罗斯，托马斯； Enriquez-Geppert，Stefanie； Zotev，Vadim；等Scharnowski，弗兰克；尼科尔森（Andrew A）； DRECH-SLER，RENATE（20
Sechenov第一莫斯科州立医科大学，俄罗斯，俄罗斯44杜克大学神经工程中心，杜克大学，杜克大学，美国北卡罗来纳州达勒姆大学，美国45，西部大学，西部大学，伦敦，安大略省，加拿大安大略省46，心理学系，心理学干预，行为干预，行为分析，行为和诺夫堡大学的行为分析和调节德国奥尔登伯格48磁共振研究中心（MRRC），放射学和生物医学成像系，耶鲁大学，纽黑文，美国康涅狄格州纽黑文49，维也纳医科大学，儿童和青少年精神病学系，奥地利维也纳，奥地利50 JARA-INSTIUTION MELECULAL SENUROSCIENT和NEUROIMIMIMIMANID（IN MELOCOLIGE），JUNICHANY IN MELOCOLICE及塞尔氏塞洛尼基市塞夫大学国际教师，希腊，希腊52 Clle Lab，CNRS，CNRS，UNICETITE'TOULOUSE'TOULOUSE'Toulouse Jean Jaures，Toulouse，法国，法国53心理学和神经科学学院55 55 Alpert医学院，布朗大学，美国普罗维登斯，美国，美国56荷兰Eindhoven技术系56电气工程系57 Sagol Brain Institute，Wohl高级成像研究所，Sourasky Medical Center，Tel Aviv，以色列58 ISRAEL 58放射学和生物医学临床部，Neure Hevener，Neure Heady，Neure of Medicial，Neure of School，Neure of Medicine of Medicine of Medicial distrial of Medicine of Medicine of Medicine of Medicine School of Neel Havential School，U.9神经科学，瑞士日内瓦大学医院医院
数据库概念
撰稿人：德鲁·亚当斯（Drew Adams），阿什什·阿格拉瓦尔（Ashish Agrawal），特洛伊·安东尼（Troy Anthony），维卡斯·阿罗拉（Vikas Arora），贾根·阿特拉（Jagan Athraya），戴维·奥斯丁（David Austin），托马斯·巴里（Thomas Baby），弗拉基米尔·巴里尔Chidambaran，Deba Chatterjee，Shasank Chavan，Tim Chien，Gregg Christman，Bernard Clouse，Maria Colgan，Carol Colrain，Nelson Corcoran，Michael Coulter，Jonathan Creighton，Judith Creighton，Judith D'Addmo ，比尔·哈贝克（Bill Habeck），米尔·汉克（Min-Hank Ho），李·亨（Lijie Heng），比尔·霍达克（Bill Hodak），Yong Hu，Pat Huey，Praveen Kumar Tupati Jaganath，Sanket Jain，Prakash Jashnani，Caroline Johnston，Shantanu Joshi，Shantanu Joshi Surinder Kumar， Paul Lane, Adam Lee, Allison Lee, Jaebock Lee, Sue Lee, Teck Hua Lee, Yunrui Li , Ilya Listvinski, Bryn Llewellyn, Rich Long, Barb Lundhild, Neil Macnaughton, Vineet Marwah, Susan Mavris, Bob McGuirk, Joseph Meeks, Mughees Minhas, Sheila Moore, Valarie Moore, Gopal Mulagund, Charles Murray, Kevin Neel, Sue Pelski, Raymond Pfau, Gregory Pongracz, Vivek Raja, Ashish Ray, Bert Rich, Kathy Rich, Andy Rivenes, Scott Rotondo, Vivian Schupmann, Venkat Senaptai, Shrikanth Shankar, Prashanth Shanthaveerappa, Cathy Shea, Susan Shepard, Kam Shergill, Mike Skarpelos, Sachin Sonawane, James Spiller, Suresh Sridharan, Jim Stenoish, Janet Stern, Rich Strohm, Roy Swonger, Kamal Tbeileh, Juan Tellez, Ravi Thammaiah, Lawrence To, Tomohiro Ueda, Randy Urbano, Badhri Varanasi, Nick Wagner, Steve Wertheimer, Patrick Wheeler, Doug Williams, James威廉姆斯、安德鲁·维特科夫斯基、丹尼尔·黄、余海玲
基础模型的机遇与风险 - arXiv
Rishi Bommasani* Drew A. Hudson Ehsan Adeli Russ Altman Simran Arora Sydney von Arx Michael S. Bernstein Jeannette Bohg Antoine Bosselut Emma Brunskill Erik Brynjolfsson Shyamal Buch Dallas Card Rodrigo Castellon Niladri Chatterji Annie Chen Crescent Crescent Daro 和 Chris Doncy Moussa Doumbouya Esin Durmus Stefano Ermon John Etchemendy Kawin Ethayarajh 李飞飞 Chelsea Finn Trevor Gale Lauren Gillespie Karan Goel Noah Goodman Shelby Grossman Neel Guha Tatsunori Hashimoto Peter Henderson John Hewitt Daniel E. Ho Jenny J Hong Hong J. Jag 和 Thomas H. Jaghil I. Pratyusha Kalluri Siddharth Karamcheti Geoff Keeling Fereshte Khani Omar Khattab Pang Wei Koh Mark Krass Ranjay Krishna Rohith Kuditipudi Ananya Kumar Faisal Ladhak Mina Lee Tony Lee Jure Leskovec Isabelle Levent Xiang Lisa Li Xuechen Li Tengyu Ma Ali Malik Dtch Mikwall Manning Mikwall Mikwane Eric Dtch. Suraj Nair Avanika纳拉扬 迪帕克·纳拉亚南 本·纽曼 艾伦·聂 胡安·卡洛斯·尼布尔斯 哈米德·尼勒福罗尚 朱利安·尼亚尔科 吉雷·奥古特 劳雷尔·奥尔 伊莎贝尔·帕帕迪米特里奥 朴俊成 克里斯·皮耶希 伊娃·波特兰斯 克里斯托弗·波茨 阿迪蒂·拉古纳坦 罗布·赖希 任洪宇 弗里达·荣 尤瑟夫·罗哈尼 罗希亚·瑞安 罗希亚·罗 多拉·瑞安 卡梅罗 R. 佐川诗织Keshav Santhanam Andy Shih Krishnan Srinivasan Alex Tamkin Rohan Taori Armin W. Thomas Florian Tramèr Rose E. Wang William Wang Bohan 吴家俊 吴玉怀 吴桑 谢志强 Michihiro Yasunaga Jiaxuan You Matei Zaharia Michael 张天一 张希坤 张宇恒 张鲁恒 周凯蒂 珀西梁*1
人工智能监管本身存在协调问题 - Daniel E. Ho
人工智能监管有其自身的一致性问题：披露、注册、许可和审计的技术和制度可行性 * Neel Guha、† Christie M. Lawrence、† Lindsey A. Gailmard、Kit T. Rodolfa、Faiz Surani、Rishi Bommasani、Inioluwa Deborah Raji、Mariano-Florentino Cuéllar、Colleen Honigsberg、Percy Liang、Daniel E. Ho ‡ 斯坦福大学 摘要 要求监管人工智能 (AI) 的呼声十分高涨，但对于监管可以且应该解决的具体危害以及应采取的适当监管行动，仍未达成共识。计算机科学家提出的技术解决方案可能不可行或非法；律师提出的监管可能在技术上不可行；评论员提出的政策可能会适得其反。从这个意义上讲，人工智能监管有其自身的一致性问题，其中提议的干预措施往往与社会价值观不一致。在本文中，我们详细介绍并评估了美国四项主要 AI 监管提案的一致性以及技术和制度可行性：披露、注册、许可和审计。我们对在不解决监管一致性问题的情况下急于对 AI 进行严格监管的警告基于三个论点。首先，AI 监管提案往往同时存在监管不匹配（即垂直错位）和价值冲突（即水平错位）。提案的目标、可行性和影响的清晰度可能会突显该提案与旨在解决的危害不匹配。事实上，在某些情况下，非 AI 监管改革可能更好地解决 AI 监管的冲动。拟议的法规越具体，就越能暴露出不同监管目标和价值观之间的紧张关系和权衡。那些声称解决人工智能所有问题（安全性、可信度、偏见、准确性和隐私）的提案忽略了许多目标无法共同实现的现实。其次，主流人工智能监管提案面临着共同的技术和制度可行性挑战——政府中谁应该协调和执行监管，监管干预的范围如何避免膨胀，在缺乏技术共识且实现技术共识的途径不明确的情况下，哪些标准和指标可以使值得信赖的人工智能价值得以实施？第三，联邦政府可以通过设计干预措施来考虑可行性和一致性考虑，在不同程度上减少人工智能监管错位。因此，我们最后提出了具体的建议，以尽量减少人工智能监管的错位。
企业供应链对碳税的适应
本文研究了企业如何根据气候政策的变化调整清洁和肮脏投入的采购。我们使用来自欧盟排放交易体系 (EU ETS) 和碳边境调整机制 (CBAM) 的信息，根据产品是否受到国内或边境碳税的影响，对清洁和肮脏产品进行新的分类。然后，我们将该数据集与 2000 年至 2019 年法国企业的产品级进口数据相结合，并估计企业从非欧盟国家进口肮脏投入的倾向在 2010 年代有所增加，反映了碳泄漏。然后使用异质企业模型来量化在实施碳税和碳关税的情况下企业清洁和肮脏投入采购变化的影响。模拟的 ETS 碳税情景能够匹配数据中观察到的泄漏，并导致价格水平上升和排放量适度下降。进一步包括 CBAM 碳关税的情景以价格进一步上涨为代价逆转了碳泄漏。总体而言，家庭福利下降是因为碳政策带来的高成本超过了减少排放带来的好处。 JEL 分类：F14、F18、F64、H23、Q56 关键词：企业采购、供应链适应、碳税、碳关税、碳泄漏 ________________ Di Giovanni：纽约联邦储备银行，CEPR（电子邮件：juliandigiovanni@gmail.com）。 Coster：南加州大学（电子邮件：pcoster@usc.edu）。 Mejean：巴黎政治学院，CEPR（电子邮件：isabelle.mejean@sciencespo.fr）。 作者感谢巴黎政治学院、纽约联邦储备银行、杜克大学、慕尼黑大学、南加州大学、玛丽女王学院和欧洲工商管理学院的参与者提供的宝贵意见。 他们还感谢 Sotiros Georgousis 和 Neel Lahiri 提供的出色研究协助。 Mejean 非常感谢法国国家研究机构 (ANR) 监督的公共资助，该资助是“Investissements d'Avenir”计划的一部分（Idex 资助协议编号 ANR-11-IDEX-0003-02/Labex ECODEC 编号 ANR-11-LABEX-0047 和 Equipex 参考：ANR-10-EQPX-17 - Centre d'accès sécurisé aux données - CASD）。本文介绍了初步研究结果，并分发给经济学家和其他感兴趣的读者，仅用于激发讨论和征求意见。本文表达的观点为作者的观点，并不一定反映纽约联邦储备银行或联邦储备系统的立场。任何错误或遗漏均由作者负责。
医疗保健成本监督工作组
III. 工作计划摘要 工作组在过渡期间举行了两次会议。第一次会议于 2024 年 10 月 6 日下午 1:00 在州议会厅举行。工作组听取了以下人士的发言：印第安纳州立法服务机构 (LSA) 的 Casey Kline 和 Katherine Cassell、RXConnection LLC 的 Jeff Post 和 Ray O'Neel、参议员 Andy Zay、印第安纳州全付款人索赔数据库的 Jonathan Handsborough、印第安纳州保险部 (DOI) 的 Amy Beard 和 Holly Lambert、印第安纳州人事部的 Matthew Brown 以及印第安纳州家庭和社会服务管理局 (FSSA) 的 Paul Bowling。第一次会议讨论的主题包括：影响医疗保健成本的近期州立法、HEA 1445-2023 要求的药房福利管理员 (PBM) 审计报告、关于处方药成本的潜在州选择、所有付款人索赔数据库、关于 HEA 1004-2023 实施要求的更新、SEA 400-2023 要求的事先授权变化的州雇员健康计划成本估算，以及 HEA 1004-2023 要求的医疗补助报销率研究。第二次也是最后一次会议于 2024 年 10 月 29 日下午 1 点在州议会大厦议事厅举行。工作组听取了以下人士的发言：来自 Hoosiers for Affordable Healthcare 的 Matt Bell、来自印第安纳州商业健康合作组织的 Luke Messer、来自印第安纳大学理查德·费尔班克斯公共卫生学院的博士 Aparna Soni、来自 Joey Fox Consulting 的 Joey Fox、来自美国药物研究和制造商协会的 Kristina Moorhead、来自普渡大学的 Ryan Ades、来自托皮卡药房的 Trevor Thain、州参议员 Tyler Johnson、医学博士 Mercy Hylton、FreedomDoc 的 Chris Habig、Cheryl Ferguson、来自印第安纳州医生健康联盟的 John McGoff 以及来自印第安纳州社区行动贫困研究所的 Erin Macey。第二次会议讨论的主题包括：各种研究比较了印第安纳州与其他州在医疗保健成本、医院价格、PBM 的运作方式、PBM 的资金模式、PBM 的审计结果、药品回扣、SEA 8-2023 的要求、药品配药费、企业行医原则、医生税收抵免和医疗债务方面的差异。工作组以 6-0 票通过了最终报告。可以通过访问以下链接并选择适当的会议日期来查看医疗保健成本监督工作组会议：
序号 学生姓名
序号英语：雇主1年的学生名称Saurabh Verma Abinbev 2019 2 Divyansh Gupta Aditya Birla Capital 2019 3 Aditya Abhishek Aditya Birla Group 2019 4 Paridhi Gupta Amazon 2019 Amazon 2019 5 ANG GARG AXTRIA 2019 10 SHARAD YADAV AXTRIA 2019 2019 11 ASHIT SHRIVASTAVA AXTRIA 2019 12 KAPIL SACHAR AXXELA咨询服务2019 13 Sameer Kumar Singh BCC 2019 14 Madhur Khandelwal BCC BCC 2019 2019-10-01 19 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 2019年31。罗伯特·瓦德拉（Robert Vadra）2019 32。大卫·库珀（David Cooper）2019 33。理查德·尼克森（Richard Nixon）2019 34 ARMA 2019 43。萨兰什·莫汉蒂（Saransh Mohanty）2019 44。卡比尔·阿哈伊（Kabir Ahuja HSBC）2019 45。tanmay Jain 2019 46。ayushi agarwal 2019 47 .Abhishek Murti 2019 48. Ummay Aiman Haidry 2019 49。 2019-10-01 50 51. Avinash Pati JP Morgan Services 2019 52. Nitin Mankani Jarvis Technologies 2019 53. Akheel Shibli A JDA Software 2019 54. Akshansh Sharma KPMG 2019 55. Deeptanshu Agarwal Merilytics 2019
生物技术在花卉特征改变中的作用
Yogita Jureshiya 和 Neel Kusum Tigga 摘要 生物技术有助于创造变异性、保护生物多样性和选择对有吸引力的植物生长至关重要的优良基因型。花卉产业要求观赏植物出现新的性状。然而，大多数观赏植物的遗传信息很少，杂合性很高，这阻碍了育种工作。因此，使用基因工程等生物技术方法提供了一种获得具有改变性状的花朵的不同方法。随着 CRISPR/Cas9 的发展，植物科学开辟了一个新的可能性领域，它在花卉栽培中有着广阔的用途。未来基因组编辑技术的进步将改变观赏植物的市场。传统育种技术和生物技术方法相结合，以改善花卉的颜色、外观和抗病性。关键词：生物技术、杂合性、CRISPR/Cas 9、基因组编辑、抗性介绍在被称为“花卉栽培”的园艺领域，观赏植物和花卉被种植、出售和展示用于商业目的。与大多数其他大田作物相比，商业花卉的单位土地产量潜力更大，从出口角度来看意义重大。由于基因工程扩大了花卉基因库，促进了切花创新品种的开发，全球花卉产业因创新而蓬勃发展。包括 RNAi、CRES-T 和 miRNA 在内的基因沉默方法改变了花朵的特性。与此类似，基因工程可用于解决花卉品质问题，例如花朵的颜色、气味、对生物和非生物胁迫的适应性以及收获后的存活率。转基因切花收获的效益可能会增加。生物技术方法 1. 微繁殖：无病花卉作物的快速繁殖和繁殖早已通过使用组织培养来实现。（Mousavi 等人，2012 年）[7]。基因型、培养基、碳水化合物、生长调节剂、外植体类型等都对组织培养繁殖的有效性有显著影响。 2. 体细胞克隆变异：在愈伤组织不定芽再生过程中，可能会发生体细胞克隆变异。自 20 世纪 70 年代发现体细胞克隆变异以来，其作为品种开发来源的前景一直存在争议。无论争论如何，体细胞克隆多样性确实是花卉栽培作物品种开发的关键因素。这种特定作物组的体外栽培产生的体细胞克隆变体可能是独一无二的，并且可以通过无性繁殖稳定下来。3. 多倍体育种：倍性操作被认为是改善观赏特性和促进育种计划的宝贵工具（Roughani 等人，2017 年）[9]。4. 突变：任何改良农作物的植物育种计划都必须考虑到遗传多样性。诱发突变已被用作产生变异和育种的工具。在所有诱变剂中，伽马射线被广泛有效使用。5. 基因改造：虽然基因改造为开发重要花卉植物的新品种提供了其他途径，但传统育种技术在生产新型花卉方面非常有效。
增强的结构和光学特性
铋铁氧体 (BiFeO 3 ) 纳米颗粒 K. SARDAR a 、K. ALI a,* 、S. ALTAF a 、M. SAJJAD a 、B. SALEEM a 、L. AKBAR a 、A. SATTAR b 、Z. ALI a 、S. AHMED a 、U. ELAHI a 、EU HAQ a 、A. YOUNUS aa 纳米光电子研究实验室，费萨拉巴德农业大学物理系，38040 费萨拉巴德，巴基斯坦 b 机械、机电一体化和制造工程系（新校区 KSK），工程技术大学，拉合尔，巴基斯坦 通过溶胶凝胶法合成多铁性铋铁氧化物 (BiFeO 3 ) 纳米颗粒。本研究展示了在 550 ᵒ C 下制备铋铁氧体纳米粒子的方法。在该方法中，硝酸铋 [Bi (NO 3 ) 3 .5H 2 O] 和硝酸铁 [Fe (NO 3 ) 3 .9H 2 O] 被用作起始化学剂。为了克服铋在高温下的挥发性，使用了不同重量百分比的化学品。柠檬酸被用作螯合剂。在 550 ᵒ C 下对样品进行热处理。铋铁氧体纳米粒子表现出明显的铁磁性。随着磁化强度的增加，铋铁氧体纳米粒子的尺寸减小。随着 550 ᵒ C 下化学品浓度的增加，由于重结晶，粒径减小。溶胶凝胶法有助于控制晶体的尺寸。利用 X 射线衍射 (XRD)、扫描电子显微镜 (SEM) 和紫外-可见光对制备的铋铁氧体纳米粒子样品进行表征，以获取有关表面形貌和晶体结构的信息。X 射线衍射结果提供了有关粒度和相位识别的信息。紫外-可见光提供了有关 BiFeO 3 纳米粒子带隙能量的信息。扫描电子显微镜结果提供了不同分辨率下纳米粒子的表面形貌和晶粒尺寸的信息。 (2019 年 9 月 23 日收到；2020 年 1 月 22 日接受) 关键词：纳米粒子、溶胶凝胶、氧化铋铁、带隙 1. 简介 在所有多铁性材料中，铋铁氧体 (BiFeO 3) 是一种在钙钛矿结构中显示反铁磁和铁电序参数共存的材料。它以块体形式早已为人所知。 BiFeO 3 在尼尔温度 (TN =643 ᵒ K) 下表现出反铁磁现象，在居里温度 (T c =1103 ᵒ K) 下表现出铁电现象。研究表明，尽管名称如此，BiFeO 3 并非铁氧体结构，而是钙钛矿结构。在块体中，BiFeO 3 被描述为具有空间群 R 3 C 和菱面体扭曲的铁电钙钛矿。晶格参数为 C hax = 13.87Ȧ、ar = 5.63Ȧ、a hax = 5.58Ȧ 和 α r = 59.350。室温下的最大极化为 90µ/cm 2 至 100µ/cm 2。目前对铋铁氧体的研究表明，如果粒子尺寸大于磁性，则磁性会消失，晶体尺寸越小磁性越强。在纳米粒子中，磁性导致螺旋序被抑制（Manzoor 等人，2015 年）。来自天体化学活动的 Bi 3+ 电子离子对起源于铁电序（T c ∼ 830 ᵒ C）。在此类材料中，d 需要不同的填充状态来转换金属离子在铁电和磁性中的状态（Johari，2011 年）。室温下的铋铁氧体是铁电性的，因为沿着钙钛矿结构的一个方向自发电极化是定向的。铁电态导致铋离子相对于 FeO 6 八面体的较大位移，这导致了一些重要的后果。沿 <111> 方向存在 BFO 铁电极化。它导致八种可能的极化方向。通过使用电场，可以通过切换的可能性来控制磁态
