XiaoMi-AI文件搜索系统
World File Search SystemV6T
将脂质纳米粒子靶向血脑屏障以改善急性缺血性中风
Jia Nong 1, † , Patrick M. Glassman 1,11, † , Sahily Reyes-Esteves 2 , Helene C. Descamps 3 , Vladimir V. Shuvaev 1 , Raisa Y. Kiseleva 1 , Tyler E. Papp 3 , Mohamad-Gabriel Alameh 4 , Ying K. Tam 5 , Barbara L. Mui 5、Serena Omo-Lamai 10、Marco E. Zamora 1、Tea Shuvaeva 1、Evguenia Arguiri 1、Christoph A Thaiss 3,7,8、Jacob W. Myerson 1、Drew Weissman 6、Scott E. Kasner 2、Hamideh Parhiz 3 *、Vladimir R. Muzykantov 1 *、Jacob S.布伦纳 1,9 *，奥斯卡A. Marcos-Contreras 1,2 * 附属机构 1 宾夕法尼亚大学佩雷尔曼医学院系统药理学和转化治疗学系，宾夕法尼亚州费城 19104，美国。 2 宾夕法尼亚大学佩雷尔曼医学院神经病学系，宾夕法尼亚州费城。 3 宾夕法尼亚大学佩雷尔曼医学院微生物学系，宾夕法尼亚州费城，美国。 4 宾夕法尼亚大学佩雷尔曼医学院传染病科，宾夕法尼亚州费城，美国。 5 Acuitas Therapeutics，加拿大不列颠哥伦比亚省温哥华 V6T 1Z3。 6 宾夕法尼亚大学佩雷尔曼医学院传染病科，宾夕法尼亚州费城，美国。 7 宾夕法尼亚大学佩雷尔曼医学院糖尿病、肥胖症和代谢研究所，宾夕法尼亚州费城，美国。thaiss@pennmedicine.upenn.edu。 8 美国宾夕法尼亚州费城宾夕法尼亚大学佩雷尔曼医学院免疫学研究所。9 美国宾夕法尼亚州费城宾夕法尼亚大学佩雷尔曼医学院医学系肺部过敏和重症监护科。10 美国宾夕法尼亚州费城宾夕法尼亚大学工程与应用科学学院生物工程系。11 美国宾夕法尼亚州费城天普大学药学院药学系
多尺度材料建模路线图 - UCL Discovery
1 格罗宁根大学泽尼克先进材料研究所，Nijenborgh 4, 9747 AG 格罗宁根，荷兰 2 桑迪亚国家实验室，新墨西哥州阿尔伯克基 87185，美国 3 劳伦斯利弗莫尔国家实验室，加利福尼亚州利弗莫尔 94551，美国 4 斯坦福大学，斯坦福，加利福尼亚州 94305，美国 5 剑桥大学工程实验室，剑桥 CB2 1PZ，英国 6 埃因霍温理工大学机械工程系，埃因霍温 5600 MB，荷兰 7 IMDEA 材料研究所，C / Eric Kandel 2，E-28906 马德里，西班牙 8 马德里理工大学材料科学系，ETS de Ingenieros de Caminos，E-28040 马德里，西班牙 9 辛辛那提大学，俄亥俄州辛辛那提45221，美国 10 苏黎世联邦理工学院，CH — 8092 苏黎世，瑞士 11 加州理工学院，帕萨迪纳，CA 91125，美国 12 洛斯阿拉莫斯国家实验室，洛斯阿拉莫斯，新墨西哥州 87522，美国 13 不列颠哥伦比亚大学物理与天文系和量子物质研究所，温哥华 BC V6T 1Z1，加拿大 14 伦敦大学学院，Gower Street，伦敦 WC1E 6BT，英国 15 桑迪亚国家实验室，利弗莫尔，CA 94551，美国 16 先进材料模拟跨学科中心（ICAMS），波鸿鲁尔大学，D-44801 波鸿，德国 17 普渡大学材料工程学院和 Birck 纳米技术中心，西拉斐特，印第安纳州 47907，美国 18 系明尼苏达大学航空工程与力学系，美国明尼苏达州明尼阿波利斯 55455
3D 多模态脑肿瘤分割和分级...
1 美国国立卫生研究院国家癌症研究所癌症研究中心，10 号楼，马里兰州贝塞斯达，20892，美国。2 爱琴海大学计算机工程系，伊兹密尔博尔诺瓦，35100，土耳其。3 不列颠哥伦比亚大学医学院，317 - 2194 健康科学商城，温哥华，BC V6T 1Z3，加拿大。摘要 神经胶质瘤是最常见的脑肿瘤之一。早期检测和分级神经胶质瘤对于提高患者的生存率至关重要。计算机辅助检测 (CADe) 和计算机辅助诊断 (CADx) 系统是必不可少的重要工具，可提供更准确、更系统的结果，从而加快临床医生的决策过程。通过利用各种深度学习模型（例如 CNN）和迁移学习策略（例如微调），图像分类的性能结果提高了准确性，并且提高了有效性，尤其是对于具有相似性的新型大规模数据集。在本文中，我们介绍了一种新方法，该方法结合了机器、深度学习和迁移学习方法的变体，用于在多模态脑肿瘤分割 (BRATS) 2020 数据集上对脑肿瘤（即神经胶质瘤）进行有效的分割和分级。我们将流行且高效的 3D U-Net 架构应用于脑肿瘤分割阶段。我们还利用 23 种不同的深度特征集组合和基于 Xception、IncResNetv2 和 EfficientNet 的机器学习/微调深度学习 CNN 模型，在肿瘤分级阶段使用 4 种不同的特征集和 6 种学习模型。实验结果表明，该方法在 BraTS 2020 数据集上对基于切片的肿瘤分级的准确率为 99.5%。此外，我们的方法与最近的类似研究相比具有竞争力。关键词：神经胶质瘤；神经胶质瘤等级；分割；特征提取；深度学习、集成学习、MRI 分类
技术锁定和气候政策延迟的成本
*我们感谢 Jason Abaluck、Joe Altonji、Steve Berry、Brian Copeland、Claudio Ferraz、Matt Kotchen、Arik Levinson、Rohini Pande、Jacquelyn Pless、Nick Ryan、Joe Shapiro、Stephanie Weber 以及亚利桑那州立大学、英格兰银行、CESifo 能源与气候经济学地区会议、科斯项目会议、哥伦比亚大学/康奈尔大学/麻省理工学院、旧金山联邦储备银行、佐治亚州立大学、哈佛大学、莫纳什大学、伦敦经济学院、巴黎经济学院、圣克拉拉大学、斯坦福经济政策研究所 (SIEPR)、卡尔加里大学、芝加哥大学、多伦多大学、不列颠哥伦比亚大学、奥斯陆大学和加州大学伯克利分校能源营的研讨会参与者提供的有益讨论，感谢 Kendra、Marcoux、Andrew Tang 和 Benji Reade Malagueno 提供的出色研究协助，感谢考尔斯基金会、耶鲁经济增长中心和 SIEPR 提供的资助。所表达的任何观点均为作者观点，而不代表消费者金融保护局、美国人口普查局或美国的观点。人口普查局的披露审查委员会和披露避免官员已审查了此信息产品是否存在未经授权的机密信息披露，并批准了适用于此版本的披露避免做法。这项研究是在联邦统计研究数据中心根据 FSRDC 项目编号 2309 进行的。（发布编号 CBDRB-FY21-P2309-R8908、CBDBRB-FY21-P2309-R9137 和 CBDRB-FY22-P2309-R9520）本文之前以“技术锁定和最佳碳定价”为标题分发。联系人：Hawkins-Pierot：消费者金融保护局，1700 G St. NW，华盛顿特区 20552；瓦格纳：不列颠哥伦比亚大学，温哥华经济学院，211-6000 Iona Dr，温哥华，BC V6T 1L4。
![用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。](/simg/d\d0b24e3de4e984953fcbe1080336ba472eefd4f9.png)
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
高质量基因组组装使得能够预测等位基因...
1 北京林业大学生物科学与技术学院, 国家林木育种与生态修复工程研究中心, 林木分子设计育种北京市高精尖创新中心, 林木育种国家工程实验室, 林木园林植物遗传育种教育部重点实验室, 北京 100083 2 山东省农业科学院作物种质资源研究所, 作物遗传改良与生理生态重点实验室, 济南 250100 3 广东省农业科学院水稻研究所, 农业农村部南方优质水稻遗传育种重点实验室 (省部共建) , 广东省水稻育种新技术重点实验室, 广州 510640 4 宁夏大学农学院, 银川 750021 5 云南省水稻遗传改良重点实验室中国科学院昆明植物研究所东亚植物多样性与生物地理学重点实验室极小种群植物综合保护重点实验室，云南昆明 650201 6 山东农业大学林学院，山东泰安 271000 7 于默奥大学生态与环境科学系于默奥植物科学中心，瑞典于默奥 SE-901 87 8 不列颠哥伦比亚大学林业与保护科学系，加拿大不列颠哥伦比亚省温哥华，V6T 1Z4 9 图能森林遗传研究所，德国格罗斯汉斯多夫 22927 10 根特大学植物生物技术和生物信息学系，比利时根特 9052 11 VIB 植物系统生物学中心，比利时根特 9052 12 微生物生态学和基因组学中心，比勒陀利亚大学生物化学、遗传学和微生物学系，比勒陀利亚 0028，南非 13 南京农业大学园艺学院，高等交叉研究院，南京 210095，中国 14 于默奥植物科学中心，植物生理学系，于默奥大学，SE-901 87 于默奥，瑞典 15 森林与森林科学系，Faculté de林业，地理与地理，拉瓦尔大学，魁北克，QC G1V 0A6，加拿大
高质量基因组组装使得能够预测等位基因...
1 北京林业大学生物科学与技术学院, 国家林木育种与生态修复工程研究中心, 林木分子设计育种北京市高精尖创新中心, 林木育种国家工程实验室, 林木园林植物遗传育种教育部重点实验室, 北京 100083 2 山东省农业科学院作物种质资源研究所, 作物遗传改良与生理生态重点实验室, 济南 250100 3 广东省农业科学院水稻研究所, 农业农村部南方优质水稻遗传育种重点实验室 (省部共建) , 广东省水稻育种新技术重点实验室, 广州 510640 4 宁夏大学农学院, 银川 750021 5 云南省水稻遗传改良重点实验室中国科学院昆明植物研究所东亚植物多样性与生物地理学重点实验室极小种群植物综合保护重点实验室，云南昆明 650201 6 山东农业大学林学院，山东泰安 271000 7 于默奥大学生态与环境科学系于默奥植物科学中心，瑞典于默奥 SE-901 87 8 不列颠哥伦比亚大学林业与保护科学系，加拿大不列颠哥伦比亚省温哥华，V6T 1Z4 9 图能森林遗传研究所，德国格罗斯汉斯多夫 22927 10 根特大学植物生物技术和生物信息学系，比利时根特 9052 11 VIB 植物系统生物学中心，比利时根特 9052 12 微生物生态学和基因组学中心，比勒陀利亚大学生物化学、遗传学和微生物学系，比勒陀利亚 0028，南非 13 南京农业大学园艺学院，高等交叉研究院，南京 210095，中国 14 于默奥植物科学中心，植物生理学系，于默奥大学，SE-901 87 于默奥，瑞典 15 森林与森林科学系，Faculté de林业，地理与地理，拉瓦尔大学，魁北克，QC G1V 0A6，加拿大
![arXiv:2407.00285v1 [physics.atom-ph] 2024 年 6 月 29 日](/simg/3\3d69549a0782f233999170d61ea866d8a6096f89.png)
arXiv:2407.00285v1 [physics.atom-ph] 2024 年 6 月 29 日
1 科罗拉多州立大学物理系，科罗拉多州柯林斯堡 80523，美国 2 麦吉尔大学物理系，魁北克省蒙特利尔 H3A 2T8，加拿大 3 SUBATECH，南特大学，IMT Atlantique，CNRS/IN2P3，法国南特 44307 4 斯坦福大学物理系，加利福尼亚州斯坦福 94305，美国 5 SLAC 国家加速器实验室，加利福尼亚州门洛帕克 94025，美国 6 太平洋西北国家实验室，华盛顿州里奇兰 99352，美国 7 德雷塞尔大学物理系，宾夕法尼亚州费城 19104，美国 8 马萨诸塞大学阿默斯特基础相互作用中心和物理系，马萨诸塞州阿默斯特 01003，美国 9 国家研究中心“库尔恰托夫研究所”，俄罗斯莫斯科 123182 10 劳伦斯利弗莫尔国家实验室，美国加利福尼亚州利弗莫尔 94550 11 肯塔基大学物理与天文系，美国肯塔基州列克星敦 40506 12 布鲁克海文国家实验室，美国纽约州厄普顿 11973 13 伦斯勒理工学院物理、应用物理与天文系，美国纽约州特洛伊 12180 14 TRIUMF，加拿大不列颠哥伦比亚省温哥华 V6T 2A3 15 SNOLAB，加拿大安大略省莱夫利 P3Y 1N2 16 劳伦森大学自然科学学院，加拿大安大略省萨德伯里 P3E 2C6 17 中国科学院高能物理研究所，中国北京 100049 18 卡尔顿大学物理系，加拿大安大略省渥太华 K1S 5B6 19 阿拉巴马大学物理与天文系，阿拉巴马州塔斯卡卢萨35405，美国 20 北卡罗来纳大学威尔明顿分校物理与物理海洋学系，美国北卡罗来纳州威尔明顿 28403 21 天际线学院，美国加利福尼亚州圣布鲁诺 94066 22 科罗拉多矿业学院物理系，美国科罗拉多州戈尔登 80401 23 南达科他大学物理系，美国南达科他州弗米利恩 57069 24 IBS 地下物理中心，韩国大田 34126 25 加利福尼亚大学圣地亚哥分校物理系，美国加利福尼亚州拉霍亚 92093 26 温莎大学物理系，加拿大安大略省温莎 N9B 3P4 27 西开普大学物理与天文系，南非贝尔维尔 P/B X17 7535 28 加利福尼亚大学欧文分校物理与天文系，加利福尼亚州欧文92697，美国 29 耶鲁大学物理系莱特实验室，康涅狄格州纽黑文 06511，美国 30 皇后大学物理系，安大略省金斯顿 K7L 3N6，加拿大 31 中国科学院微电子研究所，北京，100029，中国（日期：2024 年 7 月 2 日）
量子纳米技术的路线图 - 研究收集
1量子计算与通信技术中心，电气工程和电信学院，新南威尔士州悉尼，新南威尔士州2052，澳大利亚2 Physikalisch-Technische Bundesanstalt，38116，Braunschweig，德国Braunschweig，德国Technologies，Windsor House，Windsor Road，Harrogate HG1 HG1 2PW，英国5物理学院，悉尼大学，悉尼，悉尼，新南威尔士州，2006年，澳大利亚6 Microsoft Corporation，Q悉尼站，悉尼，悉尼，悉尼，新南威尔士大学，2006年，新南威尔士大学，2006年，澳大利亚澳大利亚7号，DTU FOTONIK，DTU FOTONIK，DENMASK，DENMASK，DENMBRED，DENMASK，DENMASK，DENMASK，DENMASK，DENMASK，DENMASK，DENSKRED 33 34。
量子纳米技术路线图 - 亚琛工业大学出版物
1 量子计算和通信技术中心，电气工程和电信学院，新南威尔士大学，悉尼，新南威尔士州 2052，澳大利亚 2 德国联邦物理技术研究院，38116，不伦瑞克，德国 3 Quantum Motion Technologies，Nexus，Discovery Way，利兹，LS2 3AA，英国 4 现地址：Quantum Motion Technologies，Windsor House，Cornwall Road，哈罗盖特 HG1 2PW，英国 5 悉尼大学物理学院，悉尼，新南威尔士州 2006，澳大利亚 6 微软公司，悉尼大学 Q 站，悉尼，新南威尔士州 2006，澳大利亚 7 丹麦技术大学 DTU Fotonik 光子工程系，343 号楼，DK-2800 公斤。丹麦灵比 8 柏林洪堡大学物理系，12489，柏林，德国 9 费迪南德-布劳恩研究所，莱布尼茨高频率技术研究所，12489 柏林，德国 10 苏黎世联邦理工学院物理系，CH-8093，苏黎世，瑞士 11 苏黎世大学尼尔斯玻尔研究所哥本哈根，2100，哥本哈根，丹麦 12 JARA-FIT 量子信息研究所，亚琛工业大学和于利希研究中心，52074，亚琛，德国 13 新南威尔士大学电气工程与电信学院 悉尼，新南威尔士州 2052，澳大利亚 14 墨尔本大学物理学院，澳大利亚墨尔本 15 英国大学电气与计算机工程系哥伦比亚, 不列颠哥伦比亚省温哥华 V6T 1Z4，加拿大 16 大阪大学科学与工业研究中心，茨城，大阪 567-0047，日本 17 大阪大学开放与跨学科研究计划研究所量子信息与量子生物学中心，大阪 560-8531，日本 18 大阪大学工程科学研究生院自旋电子学研究网络中心 (CSRN)，大阪 560-8531，日本 19 于韦斯屈莱大学物理学系和纳米科学中心，FI-40014 于韦斯屈莱大学，芬兰 20 纳米光子学中心，AMOLF，1098 XG，阿姆斯特丹，荷兰 21 雪城大学物理学系，雪城，纽约州 13244-1130，美国 22 现地址：美国空军研究实验室，罗马，纽约州 13441，美国 23 量子计算研究所，滑铁卢大学，加拿大安大略省滑铁卢 N2L 3G1 24 金乌国立科技大学材料科学与工程学院和能源工程融合系，韩国龟尾 39177 25 新南威尔士大学物理学院，澳大利亚悉尼 2052 26 澳大利亚研究委员会未来低能耗电子技术卓越中心，新南威尔士大学新南威尔士分校，澳大利亚悉尼 2052 27 代尔夫特理工大学 QuTech 和 Kavli 纳米科学研究所，荷兰代尔夫特 2600 GA