XiaoMi-AI文件搜索系统
World File Search SystemUQ
抑制剂Na+泵送NADH-偶像氧化还原酶扮演多个角色以阻止酶功能
Na 1-倾斜的NADH-偶像酮（UQ）氧化还原酶（Na 1 -NQR）存在于许多病原细菌的呼吸链中，被认为是有前途的抗生素靶标。虽然已知Na 1 -NQR结构和功能的许多细节，但有效抑制剂的作用机理并不理解。阐明机制不仅可以提高药物设计策略，而且还可能提供有关末端电子从核黄素转移到UQ的见解。为此，我们使用了两个已知的抑制剂Aurachin和korormicin的光反应性衍生物进行了光性标记实验，该衍生物是在分离的弧菌cholerae na 1 -NQR上进行的。标记为NQRB亚基的细胞质表面结构域的抑制作用，其中包括突出的N末端拉伸，这可能是批评在相邻NQRA亚基中调节UQ反应的。标签被短链UQ（例如泛素酮-2。The photolabile group (2-aryl-5-carboxytetrazole (ACT)) of these inhibitors reacts with nucleophilic amino acids, so we tested mutations of nucleophilic residues in the labeled region of NqrB, such as Asp 49 and Asp 52 (to Ala), and observed mod- erate decreases in labeling yields, suggesting that these resi- dues are involved in与行为的互动。我们得出的结论是，抑制剂以两种方式干扰了UQ反应：第一种是阻止NQRA和NQRB之间的细胞质界面处的结构重排，第二个是在该界面区域内的UQ结合的直接阻塞。通常的竞争行为证实了我们先前的主张，即Na 1-NQR中可能存在两个抑制剂结合位点。
受助者名单——资助开始于 2025 年
研究团队：Sean Halstead 博士 MSAMHS Nicky Korman 博士 MSAMHS Tim Tanzer 先生 PAH Donnie Johnson 女士 Logan 医院 Justin Chapman 博士 MSAMHS/格里菲斯大学 Nicola Warren 副教授 MSAMHS Tim Edwards 博士 MSAMHS Korinne Northwood 博士 MSAMHS Urska Arnautovska 博士 MSAMHS Gabrielle Ritchie 博士 UQ Mike Trott 博士 MSAMHS Centaine Snoswell 博士 UQ CHSR Sharon Locke MSAMHS Manju Shine MSAMHS Veronica De Monte 博士 MSAMHS Steve Kisely 教授 MSAMHS Christoph Correll 教授 Charite 医院 Berlin Michael Berk 教授 迪肯大学 Heidi Taipale 副教授 卡罗琳医学院瑞典 Ingrid Hickman 副教授 UQ James Kesby 博士 UQ 副教授 Julia Lappin 新南威尔士大学 Ravi Iyer 博士 斯威本科技大学墨尔本分校
不确定性吸引模块化的设计和分析...
我们提出了不确定性感知的模块化自治堆栈的框架，以描述利用不确定性定量（UQ）的现代机器人系统。在论文的第一部分中，我们引入了导航框架的实现。我们提出了一条新型管道，以从使用保形预测的轨迹预测模型以及一种利用这些集合的安全保证的计划方法中获得概率安全且可行的可行性集合。我们通过实际的自动驾驶数据以及波音车辆的实验来展示管道在仿真中的功效。在第二部分中，我们通过研究使用UQ的系统范围的影响，对框架进行了分析。我们使用级别设置估计工具来有效地量化系统的鲁棒性和校准，即使评估过程成本很高。我们将分析应用于两个现实的行业级系统。我们发现，在存在输入误差的情况下，UQ改善了整体系统的鲁棒性，尽管上游的错误输出错误，但UQ使下游模块能够提供校准的输出。
![arxiv：2405.00202v2 [CS.LG] 2024年8月15日](/simg/g:\will\search\icon\source\5\561e2f8c4218297e979fa3ffd920c9ea3fa94c08.webp)
arxiv：2405.00202v2 [CS.LG] 2024年8月15日
深层生成模型一直在加快材料和药物设计中的反设计过程。与典型的分子设计框架中的Coun-Terpart性质预测变量不同，生成的分子设计模型由于其大量参数所带来的贝叶斯推论所提出的计算挑战，因此在不确定性定量（UQ）上的努力更少。在这项工作中，我们专注于结树变异自动编码器（JT-VAE），这是一种流行的生成分子设计模型，并通过杠杆来解决此问题，以捕获低维活性子空间（AS）以捕获模型参数中的不确定性。具体而言，我们在活动子空间参数上占据了后验分布，以估计非常高维参数空间中认知模型的不确定性。所提出的UQ方案不需要对模型档案的任何更改，因此很容易适用于任何预训练的模型。我们的实验证明了基于AS的UQ的功效及其对分子优化的潜在影响，通过在认知不确定性下表达模型多样性。
400 个梦想奖学金测试 - Lukmaan IAS
v uq ns'k v uq ns'k v uq ns'k v uq ns'k v uq ns'k 1-1-1-1-1- ijh{kk izkjEHk gksus ds rqjUr ckn] vki bl ijh {k.k iqfLrdk dh iM+rky vo ijh{kk izkjEHk gksus [ds rqjUr ckn] bl ijh{k.k iqfLrdk dh iM+rky vo ijh{kk izkjEHk gksus ds rqjUr ckn] vki bl ijh{k.k iqfLrdk dh iM+rky vo'; '; '; '; '; dj ysa fd blesa dksbZ dj ysa fd blesa dksbZ dj ysa fd blesa dksbZ dj ysa fd blesa dksbZ dj ysa fd blesa dksbZ fcuk Nik] QVk ;k NwVk gqvk i` fcuk Nik] QVk ;k NwVk gqvk i` f库克尼克] QVk;k NwVk gqvk i` fcuk Nik] z'z'z'uka ukauka ukauka'''''k vkfn u gksA ;fn ,slk gS] rks bls lgh ijh{k.k k vkfn u gksA ;fn ,slk gS] rks bls lgh ijh{k.k k vkfn u gksA ;fn ,slk gS] rks bls lgh ijh{k.k k vkfn u gksA ;fn ,slk gS] rks bls lgh ijh {k.k k vkfn u gksA ;fn ,slk gS] rks bls lgh ijh{k.k iqfLrdk ls cny ysaA iqfLrdk ls cny ysaA iqfLrdk ls cny ysaA iqfLrdk ls cny ysaA iqfLrdk ls cny ysaA
400 个梦想奖学金测试 - Lukmaan IAS
v uq ns'k v uq ns'k v uq ns'k v uq ns'k v uq ns'k 1-1-1-1-1- ijh{kk izkjEHk gksus ds rqjUr ckn] vki bl ijh {k.k iqfLrdk dh iM+rky vo ijh{kk izkjEHk gksus [ds rqjUr ckn] bl ijh{k.k iqfLrdk dh iM+rky vo ijh{kk izkjEHk gksus ds rqjUr ckn] vki bl ijh{k.k iqfLrdk dh iM+rky vo'; '; '; '; '; dj ysa fd blesa dksbZ dj ysa fd blesa dksbZ dj ysa fd blesa dksbZ dj ysa fd blesa dksbZ dj ysa fd blesa dksbZ fcuk Nik] QVk ;k NwVk gqvk i` fcuk Nik] QVk ;k NwVk gqvk i` f库克尼克] QVk;k NwVk gqvk i` fcuk Nik] z'z'z'uka ukauka ukauka'''''k vkfn u gksA ;fn ,slk gS] rks bls lgh ijh{k.k k vkfn u gksA ;fn ,slk gS] rks bls lgh ijh{k.k k vkfn u gksA ;fn ,slk gS] rks bls lgh ijh{k.k k vkfn u gksA ;fn ,slk gS] rks bls lgh ijh {k.k k vkfn u gksA ;fn ,slk gS] rks bls lgh ijh{k.k iqfLrdk ls cny ysaA iqfLrdk ls cny ysaA iqfLrdk ls cny ysaA iqfLrdk ls cny ysaA iqfLrdk ls cny ysaA
从核心到认知：探索人工智能中的不确定性量化技术
索引术语 - 不确定性量化，人工智能，态度和认识论不确定性，深度学习模型，高风险应用，评估基准摘要 - 不确定性量化（UQ）是人工智能系统的关键方面，尤其是在高级技术中，尤其是诸如健康状况，诸如Nearthancianal-neveral-sarke and Navtial-sarke，诸如健康状况，以及自定义的医疗服务，过程必须考虑不确定性。本综述探讨了AI中不确定性量化技术的演变，区分了核心和认知不确定性，并讨论了用于量化这些不确定性的数学障碍和方法。我们提供了先进技术的概述，包括概率方法，集合学习，基于抽样的方法和生成模型，同时还强调了整合域特异性知识的混合方法。此外，我们研究了UQ在各种领域的各种应用，强调了其对决策，预测准确性和系统鲁棒性的影响。该评论还解决了关键挑战，例如可扩展性，效率和与可解释的AI的整合，并概述了在这个快速发展的领域的未来研究方向。通过这项全面的调查，我们旨在更深入地了解UQ在增强AI系统的可靠性，安全性和可信度方面的作用。
项目手册 - CINEA 专题会议
新型推进技术的整合对航空领域提出了巨大挑战。从初始设计到运营部署，不确定性贯穿于飞机开发的每个阶段。这些不确定性给安全性和效率蒙上了阴影。传统方法难以应对这些技术固有的复杂性和不可预测性。考虑到这一点，欧盟资助的 DEMOQUAS 项目旨在通过其开创性的不确定性量化 (UQ) 框架和整体飞机/发动机设计工具彻底改变该领域。通过解决设计、制造和运营阶段的不确定性，该项目将提高效率和决策能力。该项目重点关注六个与工业相关的测试案例，旨在提升 UQ 方法，减轻模拟时间限制并提高准确性。
贝叶斯逆不确定性量化驼鹿...
添加剂制造（AM）技术由于能够快速生产，原型和自定义设计而越来越多地在各种应用领域中采用。AM技术在核材料方面有明显的机会，包括加速制造过程和成本降低。在爱达荷州国家实验室（INL）的多个物理学面向对象的模拟环境（MOOSE）中，正在开发AM过程的高层建模和模拟（M＆S），以支持AM过程优化并提供对所涉及的各种物理相互作用的基本了解。在本文中，我们采用贝叶斯逆不确定性定量（UQ）来量化AM基于驼鹿的熔体模型中的输入不确定性。逆UQ是成型量化输入不确定性的过程，同时保持模型预测与测量数据一致。逆UQ过程考虑了模型，代码和数据的不可能，而同时表征输入参数中不确定的分布，而不是仅提供最佳位点估计值。我们使用熔体池几何形状（长度和深度）的测量数据来量化多个熔体池模型参数中的不确定性。模拟结果与实验数据的一致性提高了。可以使用所得参数不确定性来代替未来的不确定性，敏感性和验证研究中的专家意见。
具有不确定性的数字孪生概念在核电应用中
摘要：数字孪生 (DT) 受到多个学科的广泛关注。目前，许多文献都致力于数字孪生的概念化以及相关的支持技术和挑战。在本文中，我们考虑了这些针对核电具体应用的主张。我们的审查发现，当前的 DT 概念适用于核电系统，但可以从一些修改和增强中受益。此外，围绕核电系统的现有建模和仿真基础设施的某些领域适用于 DT 开发，而最近在高级建模和仿真方面的努力目前不太适合。对于核电应用，DT 开发应首先依靠基于机械模型的方法来利用对这些系统的丰富经验和理解。然后可以采用无模型技术来有选择地和纠正性地增强基于模型的方法中的限制。还讨论了实现 DT 的挑战，其中一些是核工程所独有的，但大多数挑战更为广泛。我们详细讨论了 DT 的一个挑战性方面，即不确定性量化 (UQ) 的结合。正向 UQ 能够传播来自数字表示的不确定性以预测物理资产的行为。类似地，逆 UQ 允许将从物理资产获得的新测量数据合并回 DT。不确定性下的优化通过最佳实验设计和设计优化的正式方法促进决策支持，从而最大限度地提高不确定环境中物理资产的信息增益或性能。