XiaoMi-AI文件搜索系统
World File Search SystemParameter
PTPT：通过多目标贝叶斯优化进行物理设计工具参数调整
摘要 — 在先进的集成电路设计中，与电子设计自动化 (EDA) 工具相关的物理设计流程起着至关重要的作用。大多数情况下，输入物理设计工具的参数主要是基于专家的领域知识手动挑选的。然而，由于技术节点的不断缩小以及参数组合所跨越的设计空间的复杂性，甚至再加上耗时的仿真过程，这种对物理设计工具参数配置的手动探索变得极其费力。在设计流程参数调整领域存在一些工作。然而，非常有限的现有技术探索了多个感兴趣的结果质量 (QoR) 指标（例如延迟、功率和面积）之间的复杂相关性并同时明确优化这些目标。为了克服这些弱点并寻求物理设计工具的有效参数设置，在本文中，我们提出了一个多目标贝叶斯优化 (BO) 框架，以多任务高斯模型作为替代模型。采用基于信息增益的获取函数依次选择工具模拟候选对象，以有效逼近帕累托最优参数配置。在 7 纳米技术节点下的三个工业基准上的实验结果证明了所提出的框架相对于前沿作品的优越性。
CDK4/6抑制剂相关的平均红体体积变化：预测
摘要目的：评估CDK4/6抑制剂对红细胞平均红体体积（MCV）变化的影响及其与无进展生存率（PFS）和总生存期（OS）的可能相关性。研究设计：观察性研究。研究的地点和持续时间：2020年1月至2023年1月之间，Turkiye的Kahramanmaras Necip Fazil City医院医学肿瘤学系。方法论：回顾性分析了74例HR（+）HER2（ - ）转移性乳腺癌患者的数据。MCV和其他全部血数指标。在三个月后进行了第一次治疗评估。计算了治疗基线后第三个月的中位ΔMCV值。结果：患者都是女性，中位年龄为55岁（35至80岁）。在治疗之前，基线中值MCV水平为90.4（最小值：77.3-113.2）。三个月后，中位MCV水平为95（最小值：84.3-115.3）。7.15是中位ΔMCV水平。关于PFS（16.53 vs. 15.26个月）（p = 0.13）和OS（21.46 vs。17.83个月（p = 0.08），在ΔMCV≥7.15的组与ΔMCV<7.15的组之间没有统计学上的显着差异。结论：CDK4/6抑制剂导致MCV增加，但PFS或OS之间没有明显的差异和MCV的增加。发现MCV的上升是否代表预后或预测标记，需要进一步的研究。
重型电动汽车中锂离子电池的建模，参数识别和老化敏感的管理
电池是对完整电动汽车（EV）的成本和环境足迹产生重大影响的组件。因此，有强大的动力可以最大化其利用率。用法限制由电池管理系统（BMS）执行，以确保安全操作并限制电池降解。限制往往是保守的，以说明电池状态估计的不确定性以及由于老化而导致的电池特性变化。为了提高利用率，需要对衰老敏感的电池管理。这是指管理策略，该策略是a）根据其状态调整电池期间的寿命，b）根据特定应用程序的要求平衡利用率和退化之间的权衡。在最新的电池安装中，仅测量了三个信号；电流，电压和温度。但是，必须估计的其他州（例如其最先进的（SOC）或局部浓度和潜力）对电池的行为进行了政府。因此，BMS依靠模型来估计状态并执行控制动作。为了实现点a）和b），必须在船上更新用于状态估计和控制的模型。更新的型号还可以实现诊断电池的目的，因为它反映了电池老化电池的变化。本论文研究了从操作EV数据中识别电化学和经验蝙蝠模型的鉴定。此外，IT研究了基于模型的最佳和自适应快速充电策略。工作分为四个主要研究。1）在驾驶数据上鉴定了经验线性参数变化（LPV）动态模型。模型参数是作为测得的温度，电流幅度和估计的开路电压（OCV）的功能提出的。处理电池电压响应的时间尺度差异，采用了连续的时间系统识别。我们得出的结论是，与离散和时间不变的对应物相比，所提出的模型具有较高的预测能力。2）对高阶电化学模型的参数进行了全局灵敏度分析。用实际电动汽车的测量电流曲线用作输入，并且评估了参数对建模细胞电压和其他内部状态的影响。研究表明，为了激发所有模型参数，需要高电流率，较大的SOC跨度以及更长的电荷或放电期的输入。这仅在电动卡车的数据集中存在，该电池组很少。来自带有更多包装（电动总线）和有限的SOC操作窗口（插电式混合动力卡车）的车辆的数据集激发了更少的模型参数。3）我们还投资了设计充电电流以增加其有关模型参数的信息内容，而不是使用驱动数据来参数化模型。这是在频域中作为最佳实验设计问题的提法。基于等效电路模型（ECM）状态优化了对衰老敏感的快速充电过程。最后，结合最佳快速电荷和
衰老和阿尔茨海默氏病中基因座的定量多参数映射
15525279，2024，S8，从https://alz-journals.onlinelibrary.wiley.com/doi/10.1002/alz.095275下载，MPI 374人类认知和脑科学，Wiley在线图书馆，wiley在[20/01/2025]。有关使用规则，请参见Wiley Online Library上的条款和条件（https://onlinelibrary.wiley.com/terms-and-conditions）； OA文章由适用的Creative Commons许可
钙钛矿太阳能电池的双二极管建模及使用朗伯 W 函数的参数提取
过去几十年来，随着掺杂技术 [1–7]、基于超表面结构的太阳能聚光器 [8–10] 或具有吸光特性的新型复合材料或混合材料 [11–13] 的发现，光伏技术取得了快速发展。在这些材料中，尤其是钙钛矿基太阳能电池 (PSC)，据报道具有出色的能量转换效率 [14, 15]。这种良好的性能归功于钙钛矿活性层的结构，它表现出卓越的光吸收特性，以及长的载流子扩散长度和直接带隙跃迁 [16]。然而，在 PSC 技术和制造中仍必须克服几个关键的缺点 [17–19]，然后它们才能被视为硅太阳能电池（目前市场上的主要太阳能转换器）的可行替代品。这些缺陷大多是结构性的，例如快速降解、薄膜质量差、厚度薄、对热和湿度敏感以及由于铅 (Pb) 化合物的存在而具有高毒性。准确的器件和材料特性对于解决这些缺陷至关重要。太阳能电池器件特性中最广泛使用的两种模型是单二极管等效模型（见图 1a）及其更复杂的推导模型——双二极管模型（见图 1b）。
酪氨酸激酶作为尤文氏肉瘤关键预后参数的作用及其靶向治疗
尤文氏肉瘤 (ES) 是一种罕见、高度侵袭性的骨或软组织相关肿瘤。尽管这种肉瘤通常对初始化疗反应良好，但 40% 的患者会出现致命的疾病复发，尽管接受了高剂量化疗，75-80% 的转移性 ES 患者在 5 年内死亡。ES 的遗传学特征十分明显，80-90% 的 ES 患者以及 ES 相关癌细胞系中由于染色体易位而编码的 EWS-FLI1 融合蛋白就是明证。最近，酪氨酸激酶已被确定为 ES 发病机制中的一员。这些酪氨酸激酶作为癌蛋白，通过激活各种细胞内信号通路，与 ES 的临床发病机制、转移、获得自我更新特性和化学抗性有关。本综述介绍了酪氨酸激酶在 ES 进展中的细胞和分子功能作用的最新进展。
使用贝叶斯推理实现 MEMS 最终模块测试中的可靠参数提取
摘要：在微机电系统 (MEMS) 中，高整体精度和可靠性测试至关重要。由于对运行效率的额外要求，近年来人们一直在研究机器学习方法。然而，这些方法通常与不确定性量化和可靠性保证方面的固有挑战有关。因此，本文的目标是提出一种基于贝叶斯推理的 MEMS 测试新机器学习方法，以确定估计是否可信。使用四种方法评估整体预测性能以及不确定性量化：贝叶斯神经网络、混合密度网络、概率贝叶斯神经网络和 BayesFlow。在训练集大小变化、不同加性噪声水平和分布外条件（即 MEMS 设备的阻尼系数变化）下对它们进行研究。此外，还评估和讨论了认知和随机不确定性，以鼓励在部署之前彻底检查模型，力求在 MEMS 设备的最终模块测试期间进行可靠和有效的参数估计。 BayesFlow 在预测性能方面始终优于其他方法。由于概率贝叶斯神经网络能够区分认知不确定性和随机不确定性，因此它们在总不确定性中所占的份额已得到深入研究。
在线降低锂离子电池等效电路模型的复杂性参数估计技术
电动汽车中面向控制的电池管理应用程序的摘要，电池组的等效电路模型（ECM）提供可接受的建模精度和简单的数学方程式，以包括单元参数。但是，在实时应用中，电路参数通过改变电池的操作条件和状态不断变化，因此需要在线参数估计器。估计器必须使用适合实时处理的计算复杂性更新电池参数。本文为ECM的在线参数估计提供了一种新颖的在线降低复杂性（ORC）技术。与现有技术相比，所提出的技术提供的复杂性明显较小（因此估计时间），但没有损害准确性。我们使用基于信任区域优化（TRO）最小二（LS）方法作为提议技术中的更新算法，并使用Nissan Leaf（Pouch）细胞实验验证我们的结果，并借助标准车辆测试周期，即动态驾驶周期（DDC）和新的欧洲驾驶周期（NEDC）。
多步校准策略，用于可靠的参数确定盐岩力学组成模型
可再生氢在盐洞中的储存需要快速注入和生产速率，以应对能源生产和消费之间的不平衡。这种操作条件引起了人们对盐洞穴的机械稳定性的担忧。为盐学选择适当的构成模型是研究此问题的重要一步，文献中已经介绍了许多具有多个参数的本构模型。但是，基于应力应变数据，可靠地确定哪个模型和哪个参数代表给定岩石的强大校准策略仍然是一个未解决的挑战。在社区中，我们首次提出了一个多步策略，以根据许多用于盐岩的变形数据集确定单个参数集。为此，我们首先开发了一个综合的构造模型，能够捕获瞬态，反向和稳态蠕变的所有相关非线性变形物理。然后，通过将校准过程作为优化问题来实现单个代表性材料参数的确定，并为其使用该问题。动态数据集成是通过多步校准策略来实现的，对于一次可用的一个实验。此外，我们的校准策略可以灵活地考虑岩石样品之间的轻度异质性，从而产生一组代表变形数据集的参数。我们的绩效分析结果表明，提出的校准策略是可靠的。作为对所提出方法的严格数学分析，缺乏相关的实验数据集，我们考虑了广泛的合成实验数据，灵感来自文献中现有的稀疏相关数据。此外，随着包含更多数据进行校准，模型的精度变得越来越好。
基于图形的 CMOS 晶体管紧凑建模 (GCM)，用于高效参数提取：一种机器学习方法
CMOS晶体管的紧凑建模是硅制造和电路仿真之间的重要桥梁[1]。为了捕捉器件物理的复杂性，必须在紧凑模型中引入越来越多的模型参数，这对参数提取和仿真效率提出了巨大挑战。为了提取CMOS晶体管的模型参数，已经提出了一种基于机器学习的方法[2,3]。此外，人工神经网络（ANN）已用于通用晶体管行为的紧凑建模[4,5]。然而，由于没有明确的物理意义，这种人工神经网络（ANN）会阻碍模型的可扩展性和效率。因此，开发一种紧凑、可扩展、计算高效的CMOS晶体管模型势在必行。