XiaoMi-AI文件搜索系统
World File Search SystemNeum
Maggie E. Neumann Health Sciences Research Fund
目的本要求的试点研究赠款提案的目的是为捐赠的Maggie E. Neumann Health Sciences Research Fund寻求跨学科申请。本公告邀请了旨在为新颖且可能可扩展的方法提供概念概念的飞行员研究赠款的申请，以改善慢性残疾患者的健康和福祉。美国残疾人协会将残疾人定义为具有物理或精神障碍的人，该人具有实质上限制一项或多项主要生活活动的人。残疾类别包括与视力，流动性，听觉，神经系统，认知，医学和心理障碍有关的残疾类别。我们预计每人25,000至60,000美元的范围内为2-4个飞行员赠款提供资金。背景健康人2030和患者以患者为中心的结果研究计划（PCORI）确定了改善残疾人的健康和福祉，这是国家优先事项。与这些国家优先事项一致，Maggie E. Neumann Health Sciences Research Fund的目标是将科学家，社区和/或商业合作伙伴组成的跨学科团队汇总，以应对慢性残疾儿童和成人的最佳健康和福祉的最紧迫的障碍。数据表明，特拉华州四分之一的成年人患有慢性残疾，约有14％的人具有认知障碍。与没有残疾的人相比，患有残疾的人的抑郁症，肥胖，糖尿病和心脏病的患病率要高得多。此外，在残疾人患者中，关键的风险行为，例如体育锻炼水平较低，睡眠不良，耐饮食不良，饮食不良和饮酒量的增加更为常见。残疾人不太可能获得足够的娱乐和就业机会，并且独立生活。健康和健康方面的这些差异可能特别明显，对于属于种族和少数民族群体并居住在农村环境中的慢性残疾人。该要求提出的一般兴趣的主题，以改善儿童和/或慢性残疾成年人的健康和/或生活质量包括但不限于：
单位磁盘中的neumann磁Laplacian的特征值
其中⃗ν是正常的外向单位。众所周知，Hβ是一个自动化算子，非负（如果β̸= 0），则具有紧凑的分辨。让λ（β）表示其最低特征值。我们的目标是详细了解λ（β）对参数β（解释为磁场强度）的依赖性。对诺伊曼问题的分析是由物理表面超导性的分析强烈激励的，而诺伊曼边界条件至关重要（请参阅[29]）。在数学层面上，磁盘的情况是理解边界曲率作用的一种方法。我们指的是[3]，[20]和[15]，以介绍2014年的艺术状态，包括（提及其中一些）Bernoff-Sternberg [3]，Bauman-Phillips-Tang [1]（其中磁盘上的分析起着重要作用）和Lu-Pan [25] [25]的作品。请注意，在过去的几年中，对Dirichlet问题进行了相似的技术（请参阅[30，2]和其中的参考文献），但让我们强调，在Neumann案件中观察到的现象是完全不同的。用于分析光谱Hβ，使用域D的径向对称性，我们传递到极坐标（x 1，x 2）=（rcosθ，rsinθ）
Neumirna Therapeutics 获得 2000 万欧元 A 轮融资，用于开发针对癫痫和其他神经系统疾病的 RNA 疗法。融资轮由
Neumirna Therapeutics 获得 2000 万欧元 A 轮融资，用于开发用于治疗癫痫和其他神经系统疾病的 RNA 疗法。此轮融资由 Angelini Ventures 和 Invivo Partners 共同领投，现有投资者（如 Innovestor 的生命科学基金）也参与其中。丹麦，哥本哈根，2025 年 8 月 1 日 – Neumirna Therapeutics（“Neumirna”）是一家专注于 RNA 的生物技术公司，致力于开发用于治疗神经系统疾病的下一代疗法，该公司欣然宣布其 A 轮融资首轮完成，融资金额为 2000 万欧元。该投资由新投资者 Angelini Ventures 和 Invivo Partners 共同领投，Neumirna 的种子投资者、Innovestor 的生命科学基金和其他现有投资者也参与其中。 Neumirna 成立的使命是彻底改变具有挑战性的神经系统疾病的治疗模式，该公司处于 RNA 疗法的前沿，利用微小 RNA (miRNA) 的力量提供改善疾病的药物。该公司的开创性药物发现平台能够开发针对以前难以治愈的疾病的 RNA 疗法，例如耐药性癫痫 (DRE) 和帕金森病。Neumirna 的主要治疗候选药物 NMT.001 是一种反义寡核苷酸 (ASO) 疗法，用于治疗 DRE，这种疾病影响着全球数百万患者，而目前的治疗方案仍未提供足够的治疗。临床前研究显示，DRE 在动物模型中具有良好的疗效，凸显了 NMT.001 显著改善患者治疗结果和生活质量的潜力。有了新的资金，Neumirna 准备扩大其研发范围，扩大其平台，并推动 NMT.001 进入下一个关键发展阶段。此轮融资标志着 Neumirna 朝着其目标迈进，即为有需要的患者提供改变生活的疗法。“这一融资里程碑证明了我们基于 RNA 的平台和主要开发候选药物 NMT.001 的突破性潜力，”Neumirna Therapeutics 首席执行官 Janine Erler 教授表示。“我们很高兴获得领先国际投资者的支持，他们与我们有着共同的愿景，即解决神经系统疾病患者尚未满足的需求。这笔资金对于将 NMT.001 推向临床试验和推进我们的产品线至关重要。”“作为联合牵头投资者，我们很自豪能够支持 Neumirna 实现其使命，即利用 RNA 疗法的潜力来治疗癫痫和其他复杂的神经系统疾病，”Angelini Ventures 高级负责人 Thomas Thestrup 表示。“通过利用针对 microRNA 的药物来解决癫痫和帕金森病等疾病的根本原因，Neumirna 正在该领域开辟新天地。我们高度关注脑部疾病，并致力于推进癫痫的创新治疗，我们很高兴能与 Neumirna 的管理团队合作，共同为全球患者开发变革性解决方案。” Invivo Partners 管理合伙人 Luis Pareras 表示：“投资 Neumirna 代表着一个独特的机会，可以支持一家利用 RNA 技术治疗神经系统疾病的先锋公司。作为一名神经外科医生，我对 NMT.001 的创新方法和结果印象深刻。为患者提供变革性解决方案的可能性
博士約翰·冯·諾伊曼
约翰·冯·诺依曼博士在美国弹道导弹计划的发展中发挥了关键作用。1953 年，他成为空军战略导弹评估委员会主席。该委员会就该部门管辖的所有导弹项目向空军部长提供建议和推荐。1954 年，他担任 ATLAS（后来的 ICBM）科学咨询委员会主席，负责监督 ATLAS 的进展并寻求加快导弹的开发。作为两个委员会的主席，冯·诺依曼博士提出了使用弹道导弹运载核武器的可行性。他认为苏联在洲际弹道导弹的发展方面具有优势，并预测到 20 世纪 50 年代末美国和苏联之间的导弹差距将非常明显。在没有更多资金的情况下，可投入使用的ATLAS洲际弹道导弹的研发最早也要到1963年才能完成。在冯·诺依曼委员会的建议和特雷弗·加德纳（时任美国空军研究与发展助理部长）的劝说下，美国加快了导弹计划的推进速度，并于1958年12月成功发射了一枚ATLAS导弹。
使用函子的von Neumann熵的表征
von Neumann熵是量子信息理论中的关键概念，它量化了量子状态的歧义。此外，香农熵是古典信息理论中的重要概念，可以被视为古典状态中的冯·诺伊曼熵。baez，Fritz和Leinster衍生的Shannon熵是一种表征从经典系统到经典系统的测量功能的数量[1]。特别是，他们表明，如果以概率度量到非负实数的概率措施的映射被视为类别理论中的函子并满足某些特性，则表示为Shannon入口的不同。在本文中，我们试图通过将其结果扩展到量子系统来得出von Neumann熵（或Segal熵）。parzygnat最近扩大了结果[2]。与参考文献之一相比，我们方法的主要差异。[2]是使用被认为较弱的条件的使用。参考。[1]和[2]，讨论仅限于衡量保留功能（或它们扩展到量子系统，统一 * - 肌形态），但是在本文中，我们考虑了表征任何量子通道的数量。尽管在本文中未提及，但许多不同的方法以表征香农熵和冯·诺伊曼熵（例如[3] - [6]）而闻名。
超越冯·诺依曼的计算连续体
摘要 —本文讨论了新兴的非冯·诺依曼计算机架构及其在计算连续体中的集成，以支持现代分布式应用，包括人工智能、大数据和科学计算。它详细总结了现有和新兴的非冯·诺依曼架构，范围从节能的单板加速器到量子和神经形态计算机。此外，它还探讨了它们在各种社会、科学和工业领域彻底改变数据处理和分析方面的潜在优势。本文对最广泛使用的分布式应用程序进行了详细分析，并讨论了它们在计算连续体中执行的困难，包括通信、互操作性、编排和可持续性问题。
![b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'](/simg/4/4e9553780581bbfda8e4d6bb48115782efffb2a7.webp)
b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'
b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'
引用本文：Oliver Neumann、Katharina Guirguis 和 Reto Steiner (2022)：探索公共组织中人工智能的采用：比较案例研究，公共管理评论，DOI：10.1080/14719037.2022.2048685
代理和助手、预测分析、欺诈和威胁检测、资源分配以及支持专家任务 (Mehr、Ash 和 Fellow 2017；Wirtz、Weyerer 和 Geyer 2019)。不出所料，公共组织越来越多地考虑采用人工智能技术 (Sun 和 Medaglia 2019)，并已开始发布有关使用人工智能的政策文件 (Ulnicane 等人2021)。然而，虽然在某些早期采用人工智能的国家（例如美国或英国），公共部门对人工智能的使用正在增加，但在许多公共组织中，生产性应用仍然很少（Mikalef 等人2021 ；Oxford Insights 2020 ；Margetts 和 Dorobantu 2019 ；Wirtz 和 Müller 2019 ）。政府中的人工智能通常处于实验阶段（Margetts 和 Dorobantu 2019 ），或者传统自动化解决方案被错误地标记为“人工智能”。