XiaoMi-AI文件搜索系统
World File Search SystemRections
开发评论和油页岩的前景 -
作为一种非常规的资源，石油页岩具有丰富的储量和重要潜力。石油页岩资源的理性和有效发展在减少国家能源需求方面非常重要。原位催化技术，其特征在于其高效率，低污染和最少的能源消耗，这是未来油页岩开发的关键方向。本文对原位油页岩采矿技术，油页岩热解催化剂，动构的热解机制以及不同加热过程和催化剂的兼容性进行了全面综述。此外，本文提出了未来的研究研究和油页岩原位催化技术的前景，包括储层修饰，高效催化剂合成，注射过程和高耐高率加热技术。这些视觉是油页岩原位催化技术的有价值的技术参考。©2023作者。Elsevier B.V.的发布服务代表KEAI Communications Co. Ltd.这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/ 4.0/）下的开放访问文章。
肠道微生物组在创伤后应激障碍中的新兴作用
创伤后应激障碍（PTSD）发生在暴露于涉及实际/威胁死亡，严重伤害或性暴力的可怕或灾难性事件后的某些人中。PTSD是一种常见且令人衰弱的精神障碍，对个人，家人，卫生服务和社会造成了重大负担。此外，PTSD是慢性疾病的危险因素，例如冠心病，中风，糖尿病以及过早死亡。此外，PTSD与免疫功能失调有关。尽管PTSD的患病率很高，但其病因和表现形式的基础机制仍然很少理解。令人信服的证据表明，人类肠道微生物组是一个复杂的微生物社区，生活在胃肠道中，在宿主神经系统的发展和功能，复杂的行为和脑电路中起着至关重要的作用。肠道微生物组可能通过影响炎症，压力反应和神经递质信号传导来促进PTSD，而肠道和脑之间的双向通信涉及微生物代谢物，免疫系统激活等机制。在本文献综述中，我们总结了有关肠道微生物组在PTSD中的作用的最新发现。我们讨论了现有研究的方法论局限性，并提出了未来的研究区域，以进一步了解肠道微生物组在PTSD中的作用。
从 IC 布局到芯片照片：基于 CNN 的数据...
摘要 —我们提出了一个基于深度学习的数据驱动框架，该框架由两个卷积神经网络组成：1）LithoNet，可预测 IC 制造导致的电路形状变形；2）OPCNet，可建议 IC 布局校正以补偿这种形状变形。通过学习布局设计模式对与其产品晶圆的扫描电子显微镜 (SEM) 图像之间的形状对应关系，给定一个 IC 布局模式，LithoNet 可以模拟制造过程以预测其制造的电路形状。此外，LithoNet 可以将晶圆制造参数作为潜在向量，以模拟可以在 SEM 图像上检查的参数产品变化。此外，用于建议对光刻光掩模进行校正的传统光学邻近校正 (OPC) 方法在计算上非常昂贵。我们提出的 OPCNet 模仿了 OPC 程序，并通过与 LithoNet 协作来检查制造的电路形状是否与其原始布局设计最佳匹配，从而有效地生成校正的光掩模。因此，提出的 LithoNet-OPCNet 框架不仅可以从布局模式预测制造的 IC 的形状，还可以根据预测形状与给定布局之间的一致性建议布局校正。使用几个基准布局模式的实验结果证明了所提方法的有效性。
材料表征-Aisberg -unibg
这项工作涉及不同热处理对定向能量沉积（DED）产生的TI-6AL-4V样品的影响。在1050℃下退火处理，然后进行不同的冷却速率，以允许对微结构的完整重结晶并去除柱状先验β晶粒，从而增加了材料的整体各向同性。还进行了540℃的氨基处理，以进一步的微结构稳定。微结构，纹理和机械性能。由于热处理，在等同的谷物形态中实现了巨大的微观结构。但是，检测到“谷物记忆”效应，导致晶粒尺寸沿样品高度增加。这种效果与沿Z上典型的DED技术的固有的先验β晶粒宽度变化相关。电子反向散射分析证明，热处理后优先分离截面的强度增加，这可能是由于样品从退火温度冷却时发生的晶体学变异选择机制。这种效应还受热处理和当ASPRINT标本之间的先验β晶粒大小而言的显着差异。总结一下，通过高于β-透射温度的热处理对材料进行完全均质化，这是具有挑战性的。实际上，数据表明制造过程授予的固有纹理相关的各向异性很难被消除。
以专家为依据、以用户为中心的机器学习解释
解释人工智能的决策已成为一个重要的研究课题。使用深度学习进行图像分类取得了长足的进步（Krizhevsky 等人，2012 年；LeCun 等人，2015 年），引起了人们对解释图像分类结果的浓厚兴趣。尽管可解释人工智能 (XAI) 有许多应用，但本文首先关注学习对图像进行分类。然后，我们讨论可解释人工智能的更广泛含义。最近的会议包括有关可解释人工智能的教程和研讨会。有几项关于 XAI 的很好的调查（Chakraborty 等人，2017 年和 Došilović 等人，2018 年）。这不是其中之一。相反，在与放射学和眼科学专家以及鸟类识别专家一起研究问题之后，我们得出结论，现有技术仍有很大改进空间。该领域需要更多的方向和方法，包括明确 XAI 的目标，特别是在用户、专家和图像分类方面。尽管 XAI 的一些最初目标是“向人类用户解释他们的决定和行动”（Gunning & Aha，2018），但目前最先进的技术是以开发人员为中心，而不是以用户为中心。解释图像分类的主要方法是为图像上叠加的显着图或热图上的像素或区域分配重要性分数，用颜色尺度（红色、橙色、黄色……）可视化区域的重要性。为创建热图而开发的方法包括遮挡灵敏度（Zeiler &
机器学习的专家信息，以用户为中心的解释
解释AI的决定已成为一个重要的研究主题。使用深度学习（Krizhevsky等，2012; Lecun等，2015）在图像分类方面取得了很大进展，对解释图像分类的结果产生了重大兴趣。尽管有许多可解释的AI（XAI）的信息，但本文首先着重于学习对图像进行分类。然后，我们讨论可解释AI的更广泛的信息。最近的会议包括有关可解释AI的教程和讲习班。XAI有几项好的调查（Chakraborty等人。，2017＆došilović等，2018）。这不是其中之一。取而代之的是，在与放射学和眼科专家解决问题以及鸟类识别方面的问题之后，我们得出的结论是，现有的技术留出了很大的改进空间。该领域需要其他方案和方法，包括澄清XAI的目标，尤其是在用户，专家和图像分类方面。尽管Xai的一些最初目标是“向人类用户解释他们的决策和行动”（Gunning＆Aha，2018），但最新的最新目前是以开发人员为中心的，而不是以用户为中心。解释图像分类的主要方法是将重要性得分分配给图像上的显着图或区域上的像素或区域，以形象化区域的重要性（红色，橙色，黄色…）。为创建热图开发的方法包括遮挡灵敏度（Zeiler＆
利用深度神经网络进行生物医学成像的可解释人工智能技术综述
深度学习的人工智能 (AI) 技术以其出色的图像分类性能彻底改变了疾病诊断。尽管取得了出色的成果，但这些技术在临床实践中的广泛采用仍处于中等速度。主要障碍之一是经过训练的深度神经网络 (DNN) 模型提供了预测，但关于为什么以及如何做出该预测的问题仍未得到解答。这种联系对于受监管的医疗保健领域至关重要，可以提高从业者、患者和其他利益相关者对自动诊断系统的信任。由于健康和安全问题，深度学习在医学成像中的应用必须谨慎解读，类似于自动驾驶汽车事故中的归咎问题。假阳性和假阴性病例对患者的福祉影响深远，不容忽视。最先进的深度学习算法由复杂的互连结构、数百万个参数和“黑匣子”性质组成，与传统机器学习算法不同，人们对其内部工作原理的理解很少，这加剧了这种情况。可解释的人工智能 (XAI) 技术有助于理解模型预测，从而有助于建立对系统的信任，加速疾病诊断并满足监管要求。本综述全面回顾了生物医学成像诊断领域 XAI 的前景。我们还对 XAI 技术进行了分类，讨论了尚未解决的挑战，并提供了 XAI 的未来方向，这将引起临床医生、监管机构和模型开发人员的兴趣。
精神分裂症的社会隶属关系的一种努力的方法：在实时社会互动期间提高Theta和Alpha连接性的初步证据
构建一种理论，即统一量子力学（QM）和一般相对论（GR）一直是一项近一个世纪的努力，一直持续到今天。即使在理论量子重力方面取得了长足的进步，我们仍然没有完整的解决方案。也许是由于这项努力的巨大困难，因此早期实现了体验物理学在量子重力领域中起着的关键作用，这是早期实现的，这是对重力波（GWS）在2015年提高引力波（GWS）的首次观察的作用[1-4]。在2016年GW发现论文之前，量子重力实验探针的建议包括γ射线爆发[5]，米歇尔森实验室量表的干涉仪[6]，超高的能量宇宙射线和界面[7] [7] 9]，重力耦合G [10，11]，量子与重力散射[12，13]，分子干涉测定法[14]，洛伦兹违反了签名和约束[15]，以及许多其他[16] [16] [16]，两种模型依赖于模型的空间（例如，弦量量子量）（例如，弦量量子量）（例如，独立的量子）。从2016年开始，在越来越多的新（或更新）的实验溶液（包括干涉仪）中，可以检测到GW的较弱领域中可能弱的信号。实际上，尽管GR正确地解释了所有当前的GW观察结果[17-19]和重力测试[20]，但仍然有可能
Riken Accelerator进度报告2021 Vol.55.indd
48 Cr是双光子发射计算机断层扫描的有前途的放射性同位素。1）提出的方法可以实现高空间分辨率和高信号噪声比。2）作为48 cr，一对112和308-kev Photons可用于重合成像。1）我们计划在46 Ti（α，2 N）48 Cr反应中产生48 Cr。在核医学中，必须将48 CR与目标材料和副产物进行化学分离。 在这项研究中，我们使用51 cr（t 1 /2 = 27.7 d）的Nat Ti（α，Xn，Xn，Xn）51 Cr反应产生的51 cr（t 1 /2 = 27.7 d）的α-粒子辐照NAT TI（NAT =天然同位素丰度）靶标的无载液cr radiotracers的生产方法。 将来，可以使用昂贵的46 Tio 2作为目标材料生产48 Cr。 因此，我们还研究了CR放射性示踪剂生产后的目标材料的回收率。 48，51 cr是在使用Riken AVF Cyclotron的Nat Ti（α，Xn）48，51 Cr Rections中产生的。 将45 mg/cm 2的金属NAT TI板用28.9-MEV的强度为3.1粒子μA。 在NAT Ti（α，X）48 V反应中还产生了48 V（T 1/2 = 16.0 D）的48 V（T 1 /2 = 16.0 D），并且作为电子捕获和β + -48 Cr的女儿（t 1/2 = 21.6 h）。 希望在成像实验之前使用48 Cr的成像实验之前去除长期寿命的48 V，以增加信噪比。 将辐照的NAT Ti板（63.4 mg）溶解在1 ml浓缩的HF（c。hf）和0.3 mL C的混合物中。 HNO 3通过加热，并将溶液蒸发至干燥。在核医学中，必须将48 CR与目标材料和副产物进行化学分离。在这项研究中，我们使用51 cr（t 1 /2 = 27.7 d）的Nat Ti（α，Xn，Xn，Xn）51 Cr反应产生的51 cr（t 1 /2 = 27.7 d）的α-粒子辐照NAT TI（NAT =天然同位素丰度）靶标的无载液cr radiotracers的生产方法。将来，可以使用昂贵的46 Tio 2作为目标材料生产48 Cr。因此，我们还研究了CR放射性示踪剂生产后的目标材料的回收率。48，51 cr是在使用Riken AVF Cyclotron的Nat Ti（α，Xn）48，51 Cr Rections中产生的。将45 mg/cm 2的金属NAT TI板用28.9-MEV的强度为3.1粒子μA。在NAT Ti（α，X）48 V反应中还产生了48 V（T 1/2 = 16.0 D）的48 V（T 1 /2 = 16.0 D），并且作为电子捕获和β + -48 Cr的女儿（t 1/2 = 21.6 h）。希望在成像实验之前使用48 Cr的成像实验之前去除长期寿命的48 V，以增加信噪比。将辐照的NAT Ti板（63.4 mg）溶解在1 ml浓缩的HF（c。hf）和0.3 mL C的混合物中。 HNO 3通过加热，并将溶液蒸发至干燥。用1 ml的c溶解残留物。 HF加热，并将溶液蒸发至干燥。通过加热将残留物溶解在6 ml的4.5 m HF中。随后，将溶液馈入阴离子交换柱（Muromac 1x8，100-200 et chemes，10 mm i.d.×110毫米高）。用9 ml（1 ml×9）的4.5 m HF和35 mL（5 ml×7）的C洗涤树脂。 HF。组合了4.5 m HF的分数，并将3 mL用于ICP-MS测量，以确认NAT TI的污染。使用阳离子交换色谱法将4.5 m HF的其余部分蒸发至干燥，并进一步纯化48 V。将残基溶解在3 ml的0.5 m HNO 3中。溶液（1 mL×3）被送入阳离子交换柱（Muromac 50wx8，100-200 Mesh，5 mm I.D.×50毫米高）。用0.5 m HNO 3和5 ml（1 ml×5）的3 ml（1 ml×3）洗涤树脂，为6 m HNO 3。用GE检测器对阴离子和阳离子交换柱进行每个洗脱液进行γ射线光谱法进行了γ射线光谱法，以获得51 cr和48 V的洗脱曲线。以评估每个c的Nat Ti的洗脱曲线。 HF
从根本上理解和解决 RowHammer
我们概述了困扰现代 DRAM（动态随机存储器访问）芯片的 RowHammer 漏洞的最新发展和未来发展方向，几乎所有计算系统都使用 DRAM 芯片作为主存储器。RowHammer 是一种现象，即反复访问真实 DRAM 芯片中的某一行会导致物理上相邻的行发生位翻转（即数据损坏）。自 2014 年最初的 RowHammer 论文发表以来，许多研究都表明，这种现象会导致严重且广泛的系统安全漏洞。最近对 RowHammer 现象的分析表明，随着 DRAM 技术的不断扩展，问题变得越来越严重：较新的 DRAM 芯片在设备和电路级别上更容易受到 RowHammer 的攻击。对 RowHammer 的更深入分析表明，问题有很多方面，因为漏洞对许多变量都很敏感，包括环境条件（温度和电压）、工艺变化、存储的数据模式以及内存访问模式和内存控制策略。因此，设计出完全安全且非常高效（即性能、能耗和面积开销低）的 RowHammer 保护机制已证明非常困难，DRAM 制造商所做的尝试也表明缺乏安全保障。在回顾了利用、理解和缓解 RowHammer 的各种最新进展之后，我们讨论了我们认为对解决 RowHammer 问题至关重要的未来方向。我们主张在两个主要方向上加大研究和开发力度：1）在现场部署的尖端 DRAM 芯片和计算系统中，更深入地了解该问题及其诸多方面；2）通过系统内存协作设计和开发极其高效且完全安全的解决方案。