XiaoMi-AI文件搜索系统
World File Search SystemSoftware
后网络安全的软件和硬件设计……
Nguyen博士的研究团队已经开发了在加密数据上运行的高度安全，准确的联合学习系统。该团队还将密码学，错误校正代码和人工智能集成到了物联网通信，自主系统和智能医疗保健的应用中。他的研究得到了国家科学基金会，陆军研究实验室，国防部，亚利桑那州商务管理局以及亚利桑那州技术与研究计划的赠款的支持。Nguyen博士致力于指导学生进行研究，这是由20多个与本科，研究生和学生一起在他的课程中共同撰写的出版物，以及他的团队获得的许多研究奖。Nguyen博士致力于指导学生进行研究，这是由20多个与本科，研究生和学生一起在他的课程中共同撰写的出版物，以及他的团队获得的许多研究奖。
使用荷马软件的可持续，可靠和经济能源的微电网配置的创新优化
梅瓦尔大学（Mewar University）与高昂的能源成本捕捉约1kWh，电源不可靠，并且对柴油发动机和电网非常依赖。这种依赖性不仅会升级能源费用，还会导致温室气体排放，加剧气候变化，全球变暖和环境污染。为了减轻这些问题，本研究提出了一项优化的微电网设计，该设计集成了PV太阳能电池板，风力涡轮机，柴油发电机和网格连接，并利用Homer软件进行优化。该软件确定了多种配置，最佳设计通过太阳能PV（每年288,947,670 kWh）组合（每年288,947,670 kWh），风力涡轮机（每年36,825,618 kWH），以及对柴油生成器的最小依据。该系统将在低续签产量期间每年从网格中购买3,827,194 kWh，并在剩余生产中每年售出167,761,193 kWh。此设计的级别的能源成本（LCOE）为0.00146/kWh，投资回报率（ROI）为10.1％，总组件支出为16,207,384美元，涵盖资本投资，运营和维护（O＆M），以及燃料成本。太阳能光伏占年产量的83％，剩余的17％来自电网和风力涡轮机，由于其对可再生能源（RES）的严重依赖，因此该系统具有成本效益和环境友好。全面的可行性，技术，经济和敏感性分析证实了实施该建议系统的生存能力。最终，拟议的微电网设计有望为大学提供可持续，经济且可靠的能源解决方案。
硬件 +软件 +工具 +工程
CAN FD Light是基于CAN FD数据链路层的指挥官/响应者通信方法，每个数据框架最多具有64个字节数据字段。它在ISO 11898-1：2024的附件中进行了国际标准化。可以使用FD响应器节点不需要昂贵的外部电路，例如精确的时钟。它们是针对应用程序的，其中一个指挥官节点（正常的CAN CAN协议控制器）管理与多个响应器节点的通信。总线仲裁不是必需的：指挥官节点始终具有通信计划。Bosch的演示者使用了FPGA中实现的公司CAN FD Light IP内核。stmicroelectronics的网络基于其微控制器，其芯片can fd灯光响应者。向量展示了其可以使用的fd灯设计和诊断工具。
硬件 +软件 +工具 +工程
CAN FD Light是基于CAN FD数据链路层的指挥官/响应者通信方法，每个数据框架最多具有64个字节数据字段。它在ISO 11898-1：2024的附件中进行了国际标准化。可以使用FD响应器节点不需要昂贵的外部电路，例如精确的时钟。它们是针对应用程序的，其中一个指挥官节点（正常的CAN CAN协议控制器）管理与多个响应器节点的通信。总线仲裁不是必需的：指挥官节点始终具有通信计划。Bosch的演示者使用了FPGA中实现的公司CAN FD Light IP内核。stmicroelectronics的网络基于其微控制器，其芯片can fd灯光响应者。向量展示了其可以使用的fd灯设计和诊断工具。
使用Bosch Sensortec的BMV080软件（此处bmv080 SDK）的许可条款和条件（以下是“条款和条件”）
2.9终止这些许可条款和条件的权利，恕不另行通知。如果出现事实，则应根据该当事方的所有事实存在事实，应终止一方终止的原因，该事实不得不期望继续本协议，考虑到个人案件的所有情况并权衡合同双方的利益。对于BST而言，这种原因应特别存在，如果用户犯有罪名违反这些许可条款和条件的规定，或者如果BST无权获得Sublicense第三方软件组件，则不再是软件的一部分。在BST终止的情况下，用户不得有权索取损害赔偿索赔，而BST保留索赔额外损害的权利。
生成的AI和经验软件工程
摘要 - 软件工程中广泛采用的生成AI标志着范式的转变，提供了新的企业来设计和使用软件工程工具，同时又影响了开发人员及其创建的文物。已建立了软件工程中的传统经验方法，包括定量，定性和混合方法方法。但是，这种范式转移引入了新颖的数据类型，并重新填充了软件工程过程中的许多概念。开发人员，用户，代理商和研究人员的作用越来越重叠，模糊了这些社会和技术参与者之间的区别。本文研究了如何将AI集成到软件启动挑战传统研究范例中。它重点介绍了我们研究的研究现象，我们采用的方法和理论，我们分析的数据以及对在这种新背景下出现的有效性的威胁。通过此探索，我们的目标是了解AI采用如何破坏已建立的软件开发实践，从而为经验软件工程研究创造新的机会。索引项 - 软件工程，生成AI，经验方法。
HCI 研究人员如何描述他们的软件工具？多模式交互工具概要调查的见解
[1] Abdullah X. Ali、Meredith Ringel Morris 和 Jacob O. Wobbrock。2019 年。Crowdlicit：一种用于开展分布式最终用户诱导和识别研究的系统。2019 年 CHI 计算机系统人为因素会议论文集。ACM，美国纽约州纽约，1-12。https://doi.org/10.1145/3290605.3300485 [2] Khalil J. Anderson、Theodore Dubiel、Kenji Tanaka、Marcelo Worsley、Cody Poultney 和 Steve Brenneman。2019 年。化学舱：一种用于课堂的多模式实时回顾工具。2019 年国际多模式交互会议（ICMI '19）论文集。 ACM，纽约，纽约州，美国，506–507。https://doi.org/10.1145/3340555.3358662 [3] Muhammad Zeeshan Baig 和 Manolya Kavakli。2020 年。多模态系统：分类、方法和挑战。arXiv：2006.03813 [cs.HC]
使用赋形剂预测软件（Expreso）
由于新的方式和更高的预期药物浓度，蛋白质生物药物的制定发展变得越来越具有挑战性。药物供应的约束以及对整体分析方法的需求意味着，只能在湿实验室中彻底测试少量的赋形剂。到目前为止，几乎没有开发出用于完善用于湿实验室测试的候选赋形剂的工具。为了填补这一空白，我们开发了赋形剂预测软件（Expreso），这是一种机器学习算法，该算法建议基于蛋白质药物和靶产品概况的特性，建议不活跃成分。创建了超过350种肽/蛋白质药物制剂的数据集，具有可靠的长期稳定性。该数据集具有预测特征，包括蛋白质结构特性，蛋白质语言模型嵌入和药物产品特征。进行了监督的机器学习，以创建一个模型，该模型为数据集中的每种药物提供了赋形剂。expreso可以成功预测九种最普遍的赋形剂的存在，验证得分远高于随机预测，并且过度拟合最少。仅使用基于序列的输入特征的快速变体显示出与依赖分子建模的模型较慢的模型相似的预测功率。有趣的是，仅具有基于蛋白质的输入功能的Expreso变体也显示出良好的性能，证明该算法对数据集中平台配方的影响有弹性。据我们所知，这是机器学习首次被用来建议生物制药赋形剂。总体而言，Expreso在制定过程中与赋形剂筛查相关的时间，成本和风险显示出巨大的潜力。关键字：配方开发，机器学习，赋形剂，不活跃成分，CMC，生物制药，单克隆抗体，可发展性，蛋白质疗法缩写：Expreso，excipient预测软件； ROC，接收器操作特征； AUC，