XiaoMi-AI文件搜索系统
World File Search SystemQSPR
数据分析和不规则测量碳纳米酮CNC T（M）
摘要。不规则指数本质上是拓扑指数。它们对于确定非规范图的分子结构的定量形态非常有帮助。定量结构 - 特性关系（QSPR）和定量结构 - 活性关系（QSAR）都在很大程度上取决于图中异常的计算。它由几种化学和物理特征组成，包括抗性，焓，熵，毒性，熔融和沸点以及熵。本文研究了不同不规则性指数在碳纳米酮分子网络中识别不规则度测量（IMS）CNC T（M）的应用，t = 4、5和T。我们使用了不同的不规则指标，例如IRDIF（ξt），AL（ξt），IRL（ξt），IRLU（ξt），IRLF（ξT），IRF（ξT），IRLA（ξT），IRLA（ξt），IRD 1（IRD 1（IRD 1（ξt），IRA（ξt），IRA（IRA（IRA），IRA（IRA（IRA），IRGA（IRGA（IRGA），IRGA（IRGA（IRGA）），IRB（IRB），IRB（ξT）在CNC 4（M），CNC 5（M）和CNC T（M）中的不规则性比较图形测量也已被阐明并提出。我们有兴趣创建新的公式，以便使用上述指数更好地了解碳纳米酮中的不规则度量。
基于机器学习的嘧啶化合物的腐蚀抑制效率的预测：线性和非线性算法的比较研究
摘要。材料的腐蚀在各个行业构成了重大挑战，从而产生了重大的经济影响。在这种情况下，嘧啶化合物出现是有希望的，无毒的，具有成本效益和多功能腐蚀抑制剂的。然而，识别这种抑制剂的常规方法通常是时必时间的，昂贵的且劳动力密集的。应对这一挑战，我们的研究利用机器学习（ML）预测嘧啶化合物化合物腐蚀抑制效率（CIE）。使用定量结构 - 特性关系（QSPR）模型，我们比较了14个线性和12种非线性ML算法来识别CIE的最准确预测指标。装袋回归模型表现出卓越的性能，达到均方根误差（RMSE）为5.38，均方根误差（MSE）为28.93，平均绝对误差（MAE）为4.23，平均绝对百分比误差（MAPE）为0.05，以预测吡啶胺化合物的CIE值。这项研究标志着腐蚀科学的显着进步，提供了一种新型，有效的基于ML的方法，可替代传统的实验方法。它表明机器学习可以快速，准确地确定有机化学抑制剂（如嘧啶止材料腐蚀）的良好状态。这种方法为行业提供了一种新的观点和可行的解决方案，以解决已经存在的问题。
![arxiv：2503.00388v1 [Quant-ph] 2025年3月1日](/simg/g:\will\search\icon\source\4\436b4cba32137f0410fc8b28cbdebd4ad3d934c7.webp)
arxiv：2503.00388v1 [Quant-ph] 2025年3月1日
准确的胺属性预测对于优化后燃烧过程中的CO 2捕获效率至关重要。量子机学习（QML）可以通过利用叠加，纠缠和干扰来捕获复杂相关性来增强预测性建模。在这项研究中，我们开发了杂交量子神经网络（HQNN），以改善CO 2接制胺的定量结构 - 性质关系模型。通过将变异量子回归器与经典的多层感知器和图形神经网络相结合，在无噪声条件下的物理化学属性预测中探索了量子优势，并使用IBM量子系统评估了针对量子硬件噪声的鲁棒性。我们的结果表明，HQNNS提高了关键溶剂特性的预测准确性，包括碱度，粘度，沸点，熔点和蒸气压。具有9个Quarbits的微调和冷冻预训练的HQNN模型始终达到最高排名，突出了将量子层与预验证的经典模型相结合的好处。此外，硬件噪声下的模拟证实了HQNN的鲁棒性，以保持预测性能。总体而言，这些发现强调了分子建模中杂交量子古典体系结构的潜力。随着量子硬件和QML算法继续推进，QSPR建模和材料发现中的实用量子益处有望变得越来越可实现，这是由量子电路设计，降解噪声和可扩展体系结构的改进而驱动的。
使用人工智能的工业自动化
摘要：制药和消费者医疗保健行业受到人工智能和机器学习的极大影响。一个名为人工智能的计算机科学子场能够分析复杂的医学数据。人工智能（AI）的目标是创建智能建模，从而促进知识的想象，解决问题和决策。AI在药房的许多领域越来越重要，包括药物递送，过程优化，测试和药代动力学/药物学（PK/PD）研究的增长。本综述着重于AI在包括药物开发和发现在内的各种药物领域中的重要应用，正在进行许多研究，以增强目前可用的AI技术，以提高药房专业的效率。人工智能和系统掌握近年来已经大幅度热潮。它减少了人类在非凡生活中晋升所需的努力。已经检查了许多药物发现实施，证明了该技术在定量结构 - 特性关系（QSPR）和定量结构 - 活性关系（QSAR）中的有效性。此外，它们还在临床试验中，以生成和解释从患者信息中收集的数据。由于研发费用上升和生产力下降，制药行业目前在维护其药物开发计划方面遇到困难。关键字：医疗保健行业除了帮助实验设计外，机器学习算法还可以预测潜在药物的毒性和药代动力学。通过实现铅化合物的优先级和优化，这种能力减少了对广泛且昂贵的动物测试的需求。检查实际患者数据的人工智能（AI）算法可以支持个性化的医学策略，改善患者的依从性和治疗结果。