XiaoMi-AI文件搜索系统
World File Search SystemShang
中医
• Anatomy • Ancient Medical Chinese Literature # / Traditional Chinese Medicine Culture ## • Biochemistry • Chinese Medicine Materia Medica • Critical Thinking Skills • Diagnostic of Chinese Medicine • History of Chinese Medicine • Introduction to Traditional Chinese Medicine • Physiology • Theory of Chinese Medicine • Chinese Medicine Internal Medicine 1 • Fundamentals of Acupuncture • Microbiology • Pathology • Pharmacology • Prescription of Chinese Medicine • Shang Han Lun (Treatise on Febrile Disease Caused by Cold) • Tuina的技术•黄色皇帝的经典•现代诊断的基本•放射学基础•中医妇科学•中医内科医学2•中医儿科学•Jin Gui yao lue•金室处方的概要（概要的概述）商业管理的基础•医学法律，法规和道德•心理学•中医不同思想流派•脊柱的病因和治疗学•古代中国文学/传统中药文化•最后一年项目1•最终年度项目2-传统中医•实习1•实习2•实习2 div> div> div> div>
有机定形相变材料的制备及其储能应用
DOI：https://dx.doi.org/10.30919/es8d474 有机形状稳定相变材料的制备及其储能应用 胡新鹏，1，2，3 吴浩，1，2，3 刘爽，1，2，3 龚尚，1，2，3 杜宇，1，2，3 李小龙，1，2，3 陆翔 1，2，3* 曲金平 1，2，3，4* 摘要 有机相变材料 (OPCM) 是一种先进的储能材料，能够在恒温下储存和释放热能。使用形状稳定的 PCM (SSPCM) 的高效储能系统有望调整能源供需之间的差距。SSPCM 的性能受多种因素影响，这些因素在制造过程中必须加以考虑。就此，我们概括了OPCM和SSPCM所期望的性能，然后系统地讨论了支撑材料、OPCM和填料的制备方法。最后，我们详细阐述了SSPCM在三种能源中的储热应用。本综述旨在对SSPCM的制备和储能应用提供深入和建设性的见解，从而为高性能SSPCM的开发和应用做出贡献。
人工智能、教育和创业
∗ Michael Gofman（通讯作者，Gofman@mail.huji.ac.il）就职于耶路撒冷希伯来大学和罗切斯特大学。赵进（Jinzhao@ckgsb.edu.cn）就职于长江商学院。我们感谢 Sabrina Howell（讨论者）、Ron Kaniel、Adrien Matray、Cade Metz、Michael Roach、Scott Stern、Zvi Wiener、2019 年斯坦福 HAI-AI 指数圆桌研讨会和 2021 年 SFS Cavalcade NA 的参与者，以及希伯来大学、阿尔伯塔大学和 UCSC-BIU-BGU 虚拟研讨会的研讨会参与者提供的意见。Michael Gofman 感谢阿尔弗雷德·P·斯隆基金会的资金支持（拨款编号：G-2020-14005）。赵金感谢尤因·马里昂·考夫曼基金会的资金支持（拨款编号：G-201806-4434）和 Crunchbase 对其数据库的访问权限。我们感谢 Luis Azar Barrionuevo、陈侃、Theo Mambu、Ayobami Sanusi、Botong Shang 和 Yuchi Yao 提供的出色研究协助。所有错误均由我们自己承担。我们已阅读《金融学杂志》的披露政策，没有利益冲突需要披露。
通过价值敏感设计引领更安全的E2E对话式AI的发布
自然语言处理及其应用的社会影响在 NLP 社区中受到越来越多的关注（例如 Hovy 和 Spruit，2016 年），其中大型语言模型 (LLM) 成为近期的主要目标之一（例如 Bender 等人，2021 年；Bommasani 等人，2021 年；Weidinger 等人，2021 年）。本文探讨了在设计和发布对话式 AI (ConvAI) 模型时需要考虑的事项。我们专注于神经对话响应生成模型，这些模型在开放域对话数据上训练，缺乏特定领域的任务公式，而是旨在自由而引人入胜地谈论各种主题。这些模型通常在流行的编码器-解码器范式中训练，该范式由 Vinyals 和 Le（2015 年）；Shang 等人（2015 年）；Serban 等人首次为此任务引入。 （2016 年）。我们将在此范式中训练的对话模型称为端到端 (E2E) 系统，因为它们学习输入和输出之间的隐藏映射，而无需临时语义表示。在此范式中训练的 E2E ConvAI 模型的一个重要优点是它们可以
SCL-RAI：基于跨度的对比学习与检索增强推理，用于 NER 中未标记实体问题
命名实体识别是自然语言处理中的一项基本任务，旨在对文本中的命名实体进行定位和分类。由于大规模且经过良好注释的数据集，基于深度学习的方法（Li et al.，2022b；Devlin et al.，2019）取得了巨大成功。然而，在具有 112 个细粒度命名实体标签的真实数据集（如 Ling 和 Weld（2012））中，大量的实体类别可能会导致不可避免的注释缺失。此外，在实际场景中，为了获得大型 NER 数据集，远程监督方法（Ren et al.，2015；Fries et al.，2017）可能会使这个问题更加严重，因为实体词典无法覆盖所有实体。前人的研究（Li et al.，2021；Shang et al.，2018）发现这个问题严重阻碍了NER模型的性能，并将这个问题命名为无标记实体问题。如图1所示，未标记的第二个“NBA”可能会混淆模型并引入不必要的噪音。为了解决这个问题，人们从不同的角度提出了几种尝试。受到启发
引用: 张 HC、马 XY、蒋 CP、尹 JL、吕 S、鲁 SY、商 XT、曼 BW、张 C、李 DD、李 SH、陈 WJ、刘 HX、王 GF、曹 KH、ZH
磁性随机存取存储器 (MRAM) 作为一种新兴的非挥发性存储器，具有读写速度快、耐久性高、存储时间长、功耗低等特点，几年前就引起了台积电、三星、格罗方德等大型半导体代工厂的极大兴趣 [1−5]。一方面，MRAM 的高性能特性使其成为 28nm CMOS 技术节点以下嵌入式闪存 (e-flash) 的重要替代解决方案，而 e-flash 存在严重的经济障碍，阻碍了其进一步微缩 [6]。另一方面，MRAM 的目标是成为静态随机存取存储器 (SRAM) 等工作存储器的替代品，以解决先进 CMOS 节点中可能出现的严重漏电问题 [7,8]。然而，由于速度限制和耐久性问题，很难取代L1或L2缓存SRAM，尤其是对于两端自旋转移矩（STT）MRAM [ 9 − 11 ] 。因此，需要进一步探索下一代MRAM器件。
引用: 张 HC、马 XY、蒋 CP、尹 JL、吕 S、鲁 SY、商 XT、曼 BW、张 C、李 DD、李 SH、陈 WJ、刘 HX、王 GF、曹 KH、ZH
磁性随机存取存储器 (MRAM) 作为一种新兴的非挥发性存储器，具有读写速度快、耐久性高、存储时间长、功耗低等特点，几年前就引起了台积电、三星、格罗方德等大型半导体代工厂的极大兴趣 [1−5]。一方面，MRAM 的高性能特性使其成为 28nm CMOS 技术节点以下嵌入式闪存 (e-flash) 的重要替代解决方案，而 e-flash 存在严重的经济障碍，阻碍了其进一步微缩 [6]。另一方面，MRAM 的目标是成为静态随机存取存储器 (SRAM) 等工作存储器的替代品，以解决先进 CMOS 节点中可能出现的严重漏电问题 [7,8]。然而，由于速度限制和耐久性问题，很难取代L1或L2缓存SRAM，尤其是对于两端自旋转移矩（STT）MRAM [ 9 − 11 ] 。因此，需要进一步探索下一代MRAM器件。
生物信息学的大型语言模型
Wei Ruan ∗1 , Yanjun Lyu ∗2 , Jing Zhang ∗2 , Jiazhang Cai 3 , Peng Shu 1 , Yang Ge 4 , Yao Lu 4 , Shang Gao 5 , Yue Wang 1 , Peilong Wang 6 , Lin Zhao 1 , Tao Wang 3 , Yufang Liu 3 , Luyang Fang 3 , Ziyu Liu 3 , Zhengliang Liu 1 , Yiwei Li 1 , Zihao Wu 1 , Junhao Chen 1 , Hanqi Jiang 1 , Yi Pan 1 , Zhenyuan Yang 1 , Jingyuan Chen 6 , Shizhe Liang 7 , Wei Zhang 8 , Terry Ma 9 , Yuan Dou 10 , Jianli Zhang 10 , Xinyu Gong 10 , Qi Gan 10 , Yusong Zou 10 , Zebang Chen 10 , Yuanxin Qian 10 , Shuo Yu 10 , Jin Lu 1 , Kenan Song 10 , Xianqiao Wang 10 , Andrea Sikora 11 , Gang Li 12 , Xiang Li 13 , Quanzheng Li 13 , Yingfeng Wang 14 , Lu Zhang 15 , Yohannes Abate 16 , Lifang He 17 , Wenxuan Zhong 3 , Rongjie Liu 3 , Chao Huang 4 , Wei Liu 6 , Ye Shen 4 , Ping Ma 3 , Hongtu Zhu 5 , Yajun Yan 10 , Dajiang Zhu †2 , and Tianming Liu †1
![arXiv:2211.04868v1 [quant-ph] 2022 年 11 月 9 日](/simg/g:\will\search\icon\source\1\126e5b8372f6690252371cc4946c07f77a351c04.webp)
arXiv:2211.04868v1 [quant-ph] 2022 年 11 月 9 日
这里{ pi }是概率分布，ρ i A 和ρ i B 分别为子系统A和B的状态，则它是可分离的，否则它是纠缠的。对于2 ⊗ 2和2 ⊗ 3系统，上述问题可以通过Peres-Horodecki准则完全解决：二分状态ρ AB 是可分离的当且仅当它是正部分转置（PPT），即（id⊗T）（ρAB）≥0[6]。然而对于任意维系统，该问题是NP难的[7]。在过去的二十年中，还有其他几个突出的准则。可计算交叉范数或重排准则（CCNR）准则由Rudolph[8]以及Chen和Wu[9]提出。 2006 年，作者提出了局部不确定性关系 (LUR)，并证明 LUR 比 CCNR 准则更强 [10]。2007 年，作者提出了一个基于 Bloch 表示的准则 [11]。随后，张等人提出了增强重排准则 [12]。2015 年，作者提出了一种改进的 CCNR 准则，并证明其比 CCNR 准则更强 [13]。2018 年，尚等人提出了二分状态可分性的充分条件，称为 ESIC 准则 [14]。最近，Sarbicki 等人提出了一类基于状态的 Bloch 表示的可分性准则 [15]。随后，他们证明
分钟
-- 立法会秘书处拟备的最新背景资料摘要) 政府当局的介绍 3. 应主席邀请，政府当局及香港科技园公司以 PowerPoint 简报向事务委员会简介香港科学园及创新园的最新发展 (立法会文件 CB(1)791/2023(01) 号)。 利益申报 4. 主席申报为科技园公司董事局成员；吴志强博士申报为金福集团董事局主席，该集团曾投资于在科技园营运的企业；而尚海龙先生申报为一间在科技园营运的企业的顾问。 讨论 将军澳创新园内的先进制造业中心 5. 委员关注到，先进制造业中心的租用率远低于大埔创新园内的医疗配件供应中心。议员询问政府当局提高资产管理中心租用率的策略，或会否考虑拨出空置土地给有意租用MARS中心的企业使用。 6. 政府当局告知议员，MARS中心提供约18 600平方米的总楼面面积，而资产管理中心则提供近110 000平方米的总楼面面积。科技园公司会因应企业的需要和行业，建议企业租用合适的设施。