作为一个著名的远视哲学家,在1800年代后期,查尔斯·皮尔斯(Charles Peirce)已经转向了人工智能(AI)的主题。在1887年的一篇题为“逻辑机器”的论文中,他写道:“确切地说,可以将一台机器的企业付诸实践,并且必须剩下哪些部分来实现生命的思想,这不是一个问题,并不是没有可以想象的实际重要性”(Peirce 1887:165)。他讨论了英国的威廉·史丹利·杰文斯(William Stanley Jevons)和美国的艾伦·马奎德(Allan Marquand)已经开发的某些机械逻辑机器 - 马奎德(Marquand)是约翰·霍普金斯大学(Johns Hopkins University)的一名学生 - 并指出这些机器需要人类干预才能执行每个推理步骤。因此,他建议,逻辑机器工程师接下来应该尝试开发相当于雅克德织机的推理,该推理执行预先存储且任意复杂的编织模式(Peirce 1887:170)。因此,他优雅地预期了计算机程序的概念,尤其是当Jacquard Loom将其模式存储在打孔卡中时,这直接启发了它们在早期计算机系统中存储程序的用途。此外,肯·凯特纳(Ken Ketner)明显地猜想,皮尔斯(Peirce)是由“和”和“或'gates组成的电子计算机电路设计设计的作者,后来在马奎德(Marquand)的论文中被发现(Ketner等人,1984年)。
推断和重建复杂网络摘要:网络数据为我们提供了广泛的复杂系统的描述,包括社会动态,人脑,细胞代谢,生态系统,气候动态,流行病扩散,用户行为,文本语料库,信息基础架构等。过去二十年来,几乎所有科学,技术和工业领域的网络数据中都有越来越多的洪水泛滥。是高维,稀疏,构造且通常是大的关系对象,网络数据提出了特定的挑战,需要特殊的分析和方法论框架。尤其是这些属性阻止了我们直接检查大型网络的结构,而要求我们开发生成模型和推理算法来描述它们的大和中尺度结构。此外,引起系统功能行为的成对相互作用通常无法直接访问,因为它们是不可能直接测量的。在这种情况下,我们需要从间接信息中推断或重建隐藏的交互网络。在本演讲中,我回顾了一种基于大规模生成模型和贝叶斯统计推断的全面,原则性和可扩展的方法,可从网络数据中提取科学理解。我将重点介绍模块化结构的原则提取以及从动力学行为中重建网络,从而利用统计物理和信息理论的分析框架。与统计物理学的联系尤其富有成果,因为它揭示了与自旋系统的等效性,包括与可检测性和计算硬度基本限制相关的相变的现象学。
Busulfan(BU)是一种用于化学疗法方案的烷基化剂,以及诸如环磷酰胺(CY)和氟甲滨(Flu)的药物,用于造血干细胞移植(HSCT)。由于对儿童全身照射的长期影响的担忧,基于BU的调节方案已被广泛应用于小儿造血干细胞的调节。但是,BU具有狭窄的治疗窗口,其药代动力学特征显示出显着的个体间变异性,这在儿童中尤其明显(Marsit等,2020)。不足的药物暴露与移植衰竭或复发率更高有关,而过度暴露与毒性增加和与移植相关的死亡率增加有关(Bartelink等,2016)。值得注意的是,BU的效率和不良药物反应与其血液浓度的集中时间曲线(AUC)紧密相关,因此通常需要进行治疗药物监测(TDM)以实现个性化药物管理(Rasor等人,Rasor等,2019; Sweiss等,2019; Sweiss等,2020; Bogn。;Bognàret,2022; bogn- et al et a,202 and a,202 al an a e,202 al an a g an,202 and al a a n a e,202 al。有限的采样策略(LSS)是一种使用药代动力学模型来确定最佳采样
r Grants (funded): 2023/07, NSF CCF #2337454 NSF Workshop on Algorithm-Hardware Co- design for Medical Applications (PI), Total: $ 50,000 r Grants (funded): 2023/04, Navy #2328972 Enabling Real-Time Flaw Detection in Laser Powder Bed Fusion Using In-Situ Infrared Monitoring (Co-PI), Total: $ 240,000, My Share: $ 105,708 r Grants (funded): 2022/08, NSF CNS #2213701 Collaborative Research: CCRI: New: A Scalable Hardware and Software Environment Enabling Secure Multi-party Learning (Co-PI), Total: $ 1,600,000, Pitt: $ 480,000, My Share: $ 60,000 r Grants (funded): 2022/08, NSF CCF #2217003 Collaborative Research: PPoSS: LARGE: Co-designing Hardware, Software, and Algorithms to Enable Extreme-Scale Machine Learning Systems (Co-PI), Total: $ 5,000,000, Pitt: $ 1,800,000, My Share: $ 336,000 r Grants (funded): 2022/05, University of Pittsburgh, Provost's Committee Open Educational Resources (OER)Grant(PI),“人工智能硬件设计的OER开发”,5,000美元的R赠款(资助):2021/12,匹兹堡大学,“纳米结构:纳米结构:杠杆机器学习,用于可扩展的生物塑造的chiral nanostructures的可扩展制造业,
奖项 数据科学新星,加州大学圣地亚哥分校、芝加哥大学和斯坦福大学 2024 电子工程与计算机科学新星,麻省理工学院 2024 MICCAI NIH 奖,马拉喀什 2024 MICCAI 旅行奖,利马 2020 IPMI 奖学金,香港 2019 校长奖学金,上海大学(最高荣誉,前 10 名) 2018 国家奖学金,中国教育部(前 1%) 2018 优秀毕业生,中国教育部 2018 宝钢国家奖学金,上海(前 4 名) 2017 美国数学建模竞赛 (MCM) 决赛获胜者(团队负责人,前 0.4%,36/8843) 2017 上海市数学竞赛(数学专业)三等奖 2016 上海大学特等奖学金(前 3%) 2015-2017 上海大学优秀学生奖2015-2017 上海大学公益慈善奖 2015-2016
阿尔茨海默氏症治疗Peizhe Yuan(M.D.),瓦兹港科学技术大学Xia li(博士,医学博士)上海精神健康医院的关键要点•脑淋巴系统是大脑清除病理蛋白质的途径,并且在阿尔茨海默氏病的患者中,其清除能力受损。•我们已经开发了一种外科手术,宫颈分流到解开脑淋巴系统(CSULS),旨在增强大脑肾小球系统的排水,并加速病理蛋白质(如大脑中Aβ和TAU)的清除。•初步研究结果表明,CSULS手术改善了患者的认知和反应,减轻了Aβ和TAU蛋白负担,并且是减缓阿尔茨海默氏病进展的一种有希望的方法。•需要开发更严格的证据,以确认CSULS的短期和长期有效性。
研究声明siyou pei |博士学位|加州大学洛杉矶分校sypei@ucla.edu | Sypei.com的研究愿景和贡献目标:线束相互作用,使XR自然,有效地在具有不同的背景和专业知识的用户中。“扩展现实”一词是AR,VR和MR的伞。 XR融合虚拟和真实的信息和经验,为人们提供了与计算资源互动的新机会,不仅影响娱乐的实践,还影响培训,维护,医学,教育,可及性和机器人技术。然而,与XR Technologies可以提供的丰富含量带宽相比,人类和XR之间的相互作用带宽仍然有限,这是由XR中的二维界面和先天3D含量之间的不匹配引起的障碍。为了扩大这种带宽,我的目标是通过人体界面使XR技术自然而有效,具有不同的背景和专业知识。人体本身是一个复杂而精致的系统,经过数百万年的进化,它具有人类基因刻有的巨大隐式知识。通过将身体变成相互作用介质(图1),实施例是将用户对人体的知识转移到看不见的相互作用的关键。为了实现这一目标,我提出了XR的体现相互作用的概念 - 通过实施例将车身转化为XR接口 - 并探索如何设计相互作用的技术并为身体变形的接口设计启用技术。1。塑造XR通过跨科学,工程和界限的跨学科研究,我将通过迭代技术和技术实现我的目标,这些技术和技术互相加强,从而构成了下一代的人类XR相互作用,并创造了一个可以访问所有空间计算的时代。我的研究贡献以两种协同的线条进行展开:①设计角度:我塑造了XR的体现相互作用的范围,从数字实体[手界面,Chi '22▋▋▍▎▍;手指开关,CHI '24]从徒手互动到全体体现[工作气泡,提交给ISS '25;资产'23],填补了这个新兴领域的知识差距,创建了用于体现互动的元系统,解决了娱乐,教育,人类手机之间的实用挑战,人工互动,工作场所协作和可访问性。②科学与工程学的观点:我开发了非遗产力传感的感应原理和技术[力瞄准器,Uist '22'22▋▍]和触觉人造肌肉皮肤[触觉皮肤,科学进步],具有用于身体互动和机器人感知的新颖方式的建筑系统。
大自然在新加坡17:E 2024038出版日期:2024年4月24日,doi:10.26107/nis-2024-0038©新加坡国立大学生物多样性记录:Peirce Robin上层Peirce Robin的Pacific Golden Plovers W. J. ngam *&ryututa teo电子邮件:yanrobin@hotmail.com( *通讯作者),ryutateo@gmail.com推荐引用。ngam RWJ&teo R(2024)生物多样性记录:上皮尔斯水库的太平洋金色菜单。新加坡的自然,17:e2024038。doi:10.26107/nis-2024-0038受试者:太平洋黄金普洛弗,富尔瓦(Aves:charadriiforms:charadridae)。主题确定为:Robin W. J. Ngam和Yta Teo。地点,日期和时间:上海盗水库新加坡岛; 2024年2月16日;大约1100小时。栖息地:大型开放淡水湖的岩石堤,被次要森林包围,旁边是高尔夫球场。观察者:Robin W. J. Ngam。观察:四个成年太平洋黄金植物群(图1)在非繁殖羽毛中(图2)在储备金的岩石银行上观察到。当新人岛乡村俱乐部高尔夫高尔夫球时,该位置也是Macritchie Public Access Trail的新开放的上层Peirce(图3)。鸟类是从人类徒步旅行者的视野中隐藏的,这是小径景观植物的。这可能为鸟类提供了安全保障,甚至认为它们距离小径只有六米。因此,观察者能够通过植被获得鸟类的特写照片。
人工智能 (AI) 是指能够通过应用算法、数据分析和计算来执行需要人类智能的任务的智能计算机系统。简而言之,AI 可以执行通常需要人类智能的认知任务。1 AI 的另一个重要方面是机器学习 (ML),它可以通过经验学习、适应新输入并做出自主决策。机器学习模型使用大型数据集来识别模式并准确预测结果。这包括通过摄像头和传感器识别物体和面部。2 通过模仿人类智能,AI 可以解决各个领域的复杂问题,从每个应用程序中学习并提供各种解决方案来模仿智能人类行为。2022 年 11 月 30 日,OpenAI 发布了 ChatGPT(聊天生成预训练 Transformer),这是一个使用 OpenAI 的大型语言模型 (LLM) GPT-3 模型创建的高级聊天机器人,并通过监督和强化学习技术进行了细致的微调。 3 GPT-3 具有高级文本生成功能,可用于回答问题、起草电子邮件、撰写文章、创作诗歌、生成代码和翻译语言等任务。尽管 GPT-3(以及改进的 GPT-4)能够理解上下文、做出决策并处理冗长的对话,但教师们的反应喜忧参半,他们期待一种更具吸引力和可理解性的 AI 工具。4 反对者担心缺少参考资料、数据不准确以及科学回答缺乏深度,需要进一步分析。其他人开始接受这种工具,将其用于自己的学术角色,在谨慎行事的同时强调 AI 的重要性。在健康职业教育领域,
综合多矩分析揭示了与疾病进展相关的新型特发性肺纤维化亚型。呼吸研究。24(1),1-12。•Ren,Yue,Peifeng Ruan,Mark Segal,Mirela Dobre,Jeffrey R. Schelling,Upasana Banerjee,Tariq Shafi,Peter Ganz,Ruth F. Dubin和Cric研究研究人员。2023。评估透析肾衰竭患者的大规模适体蛋白质组学平台。PLOS ONE。 18(12),E0293945。 •Peifeng Ruan和Shuang Wang。 2021。 disnep:一种特异性基因网络增强,以改善优先候选疾病基因的优先级。 生物信息学的简报,22(4),P.BBAA241。 •Peifeng Ruan,Shuang Wang和Hua Liang。 2020。mirpls:一种使用microRNA的癌症亚型的部分线性结构标识符方法。 生物信息学,36(19),pp.4902-4909。 •Peifeng Ruan,Ya Wang,Ronglai Shen和Shuang Wang。 2019。 使用关联信号注释来增强相似性网络融合。 生物信息学,35(19),pp.3718-3726。 •Hailin Huang,Jizi Shangguan,Peifeng Ruan和Hua Liang。 2019。 在高维AFT模型中的双层特征选择,并应用了基因组研究。 遗传学和分子生物学中的统计应用,18(5)。 •Ya Wang,Min Qian,Peifeng Ruan,Andrew E. Teschendorff和Shuang Wang。 2019。 使用加权表观遗传距离的方法检测表观遗传缺陷。 核酸研究,47(1),pp.e6-e6。PLOS ONE。18(12),E0293945。•Peifeng Ruan和Shuang Wang。2021。disnep:一种特异性基因网络增强,以改善优先候选疾病基因的优先级。生物信息学的简报,22(4),P.BBAA241。•Peifeng Ruan,Shuang Wang和Hua Liang。2020。mirpls:一种使用microRNA的癌症亚型的部分线性结构标识符方法。生物信息学,36(19),pp.4902-4909。•Peifeng Ruan,Ya Wang,Ronglai Shen和Shuang Wang。2019。使用关联信号注释来增强相似性网络融合。生物信息学,35(19),pp.3718-3726。•Hailin Huang,Jizi Shangguan,Peifeng Ruan和Hua Liang。2019。在高维AFT模型中的双层特征选择,并应用了基因组研究。遗传学和分子生物学中的统计应用,18(5)。•Ya Wang,Min Qian,Peifeng Ruan,Andrew E. Teschendorff和Shuang Wang。2019。使用加权表观遗传距离的方法检测表观遗传缺陷。核酸研究,47(1),pp.e6-e6。•Peifeng Ruan,Jing Shen,Regina M. Santella,Shuigen Zhou和Shuang Wang。2016。nepic:一种使用均值和方差组合信号进行表观遗传学研究的网络辅助算法。核酸研究,44(16),E134-E134。