XiaoMi-AI文件搜索系统
World File Search SystemVector
基于原子向量和深度学习的超导体临界温度预测
摘要：本文提出一种结合卷积神经网络（CNN）和长短期记忆神经网络（LSTM）的混合神经网络（HNN）来提取材料的高级特征用于超导体的临界温度（T c）预测。首先，通过从材料计划（MP）数据库中获取73,452个无机化合物并构建原子环境矩阵，通过对原子环境矩阵进行奇异值分解（SVD）得到87个原子的向量表示（原子向量）。然后，利用所得原子向量按照超导体化学式中原子的顺序实现超导体的编码表示。使用12,413个超导体训练的HNN模型的实验结果与三种基准神经网络算法和多种机器学习算法进行了比较，采用了两种常用的材料表征方法。实验结果表明,本文提出的HNN方法能有效提取超导体原子间的特征关系,对T c 的预测具有较高的准确率。
在主要非洲疟疾媒介阵线菌群中发现敲低抗性
资金：这项研究得到了从Bill＆Melinda Gates Foundation获得的资金（授予号Inv-002138）致F.O.O.，F.B.，H.M.F。 霍华德·休斯医学研究所基金会国际研究学者奖（授予号） OPP 1099295）至F.O.O.和医学科学学院Springboard奖（参考：SBF007 \ 100094）至F.B. 本出版物中的发现和结论是作者的发现和结论，不一定反映了HHMI，BMGF或AMS的立场或政策。 疟疾载体天文台得到多个机构和资助者的支持。 Wellcome的参与得到了Wellcome的资金（220540/Z/20/A，“ Wellcome Sanger Institute Quinquennial Review 2021-2026”）和Bill＆Melinda Gates Foundation（Inv-001927）的支持。 利物浦热带医学学院的参与得到了美国国家过敏和传染病研究所（[NIAID] R01-AI116811）的支持，并得到了医学研究委员会的额外支持（MR/P02520X/1）。 后者的赠款是英国资助的奖项，是欧盟支持的EDCTP2计划的一部分。 马丁·唐纳利（Martin Donnelly）得到皇家学会（RSWF \ ft \ 180003）的支持。 泛非蚊子控制协会的参与是由Bill and Melinda Gates Foundation（Inv-031595）资助的。Inv-002138）致F.O.O.，F.B.，H.M.F。霍华德·休斯医学研究所基金会国际研究学者奖（授予号OPP 1099295）至F.O.O.和医学科学学院Springboard奖（参考：SBF007 \ 100094）至F.B.本出版物中的发现和结论是作者的发现和结论，不一定反映了HHMI，BMGF或AMS的立场或政策。疟疾载体天文台得到多个机构和资助者的支持。Wellcome的参与得到了Wellcome的资金（220540/Z/20/A，“ Wellcome Sanger Institute Quinquennial Review 2021-2026”）和Bill＆Melinda Gates Foundation（Inv-001927）的支持。利物浦热带医学学院的参与得到了美国国家过敏和传染病研究所（[NIAID] R01-AI116811）的支持，并得到了医学研究委员会的额外支持（MR/P02520X/1）。后者的赠款是英国资助的奖项，是欧盟支持的EDCTP2计划的一部分。马丁·唐纳利（Martin Donnelly）得到皇家学会（RSWF \ ft \ 180003）的支持。泛非蚊子控制协会的参与是由Bill and Melinda Gates Foundation（Inv-031595）资助的。
高级核酸酶 - 属于载体 - 载体 - ...
慢病毒载体（LV）的有效且健壮的下游加工对于产生高质量的基因治疗载体至关重要。在LV生产中使用的传统核酸酶通常会导致最终药物中的次优载体回收和较高的残留DNA水平。该项目旨在识别和整合替代核酸酶，即盐活性核酸酶（SAN）和中盐活性核酸酶（M-SAN），将其纳入OXB的LV制造工作流程中，以增强矢量恢复并提高整体产品质量。对替代核酸酶（例如最佳pH）（参见图A）和盐缓冲液（参见图B）条件的关键特征进行了评估，并将其纳入下游过程（请参见图C），并与传统的基于核酸酶的下游过程进行了比较。我们的发现表明，在典型的LV制造条件下，使用SAN和M-SAN的使用表现出卓越的活动。值得注意的是，在纯化过程中掺入替代核酸酶会减少载体聚集，并在挑战性的无菌过滤步骤中提高了载体恢复左右的载体恢复。最重要的是，这些核酸酶的掺入导致最终药物中残留DNA的水平明显较低，以解决基因治疗应用的关键质量属性。
使用python-oracledB中的Oracle数据库23AI向量
＃vector.py import import impas intim intray导入oracledb un =“ scott” cs =“ localhost/orclpdb1” pw = getPass.getPass.getPass（f“ Enter for {un}@{cs}：”） = array.Array（'d'，[4.25，5.75，6.5]）＃64位float vector_data_8 = array.Array.Array（'B'，[7，8，9]）＃8位签名的整数Vector vector vector_data_data_bin = array = array.Array.Array.Array（ oracledb.connect（user = un，password = pw，dsn = cs）as conn：cursor = conn.cursor（）cursor.execute.execute（“如果存在samem sample_vector_tab”）cursor.execute.execute（“”） int8），vbin vector（24，二进制））“”）cursor.execute（“插入sample_vector_tab values（：1，：1，：2，：3，：3，：4）”，[vector_data_32，vector_data_64，vector_data_64，vector_data_8，vector_data_8，vector_data_data_data_bin] curnecter.exectectectectectectectectem.tecter.exab.excute.exectab.try * curry.tab.tab.tabry.tabry.tab）光标中的行：
玛丽安：带有ZVK矢量加密扩展的开源RISC-V处理器
对玛丽安的初步性能评估是针对从OpenSSL 3.3.1 [2]获得的密码原始图的C语言参考实现进行的。随后使用带有ZVK指令的代码执行等效操作。使用RISC-V Intert和循环性能CSR用于测量在执行过程中退休的指令数量和CPU周期的数量。在执行周期中观察到6倍-100倍加速度，而执行指令则介于12倍-300倍之间。
QSAR建模用于预测阿尔茨海默氏病中β-分泌酶1抑制活性，并具有支持载体回归
摘要阿尔茨海默氏病（AD）是一种神经退行性疾病，其特征是认知能力下降，β-淀粉样蛋白（Aβ）斑块的积累在其进展中起关键作用。β-分泌酶1（BACE1）是Aβ产生的关键酶，使其成为AD治疗的主要治疗靶标。但是，由于选择性差和血脑屏障的渗透性有限，设计有效的BACE1抑制剂一直在挑战。为了应对这些挑战，我们在定量结构活性关系（QSAR）模型中使用支持向量回归（SVR）采用了机器学习方法来预测潜在的BACE1抑制剂的抑制活性。我们的模型在Chembl数据库的7,298种化合物的数据集上训练，使用分子描述符准确地预测了PIC 50值，在测试集中实现了R²为0.690。该模型的性能证明了其在优先考虑候选药物的优先级方面的实用性，可能会加速药物发现。这项研究强调了计算方法在优化药物发现方面的有效性，并表明进一步的完善可以增强该模型对AD疗法的预测能力。
视觉和语言模型是否共享概念？向量空间对齐研究
另一些人则认为，语言模型具有推理语义，但没有指称语义（Rapaport，2002；Sahlgren 和 Carlsson，2021；Piantadosi 和 Hill，2022），3 而一些人则认为，至少对于直接对话的聊天机器人来说，一种外部指称语义是可能的（Cappelen 和 Dever，2021；Butlin，2021；Mollo 和 Milli`ere，2023；Mandelkern 和 Linzen，2023）。然而，大多数研究人员都认为，语言模型“缺乏将话语与世界联系起来的能力”（Bender 和 Koller，2020），因为它们没有“世界的心理模型”（Mitchell 和 Krakauer，2023）。这项研究提供了相反的证据：语言模型和计算机视觉模型 (VM) 是在独立的数据源上进行训练的（至少对于无监督的计算机视觉模型而言）。唯一的共同偏见来源是世界。如果 LM 和 VM 表现出相似性，那一定是因为它们都对世界进行了建模。我们通过测量不同 LM 和 VM 的几何形状的相似性来检查它们学习到的表示。我们始终发现，LM 越好，它们诱导的表示就越类似于计算机视觉模型诱导的表示。这两个空间之间的相似性使得我们能够从一组非常小的并行示例中将 VM 表示线性投影到语言空间并检索高度准确的字幕，如图 1 中的示例所示。
![识别GO 中的软件供应链攻击向量
arxiv：2502.07152v1 [stat.me] 2025年2月11日](/simg/7/7a52d4776c8aa25ca7fae2eb48cee446999e7797.webp)
识别GO 中的软件供应链攻击向量 arxiv：2502.07152v1 [stat.me] 2025年2月11日
在GO中，开源软件的广泛采用导致了繁荣的第三方依赖性生态系统，这些生态系统通常被整合到关键系统中。但是，依赖关系的再利用引入了重大的供应链安全风险，因为单个折衷的软件包可能会产生级联的影响。现有的供应链攻击分类法忽略了特定于语言的功能，这些功能可以被攻击者隐藏恶意代码。在本文中，我们提出了一种针对GO语言及其包装生命周期的12个不同攻击向量的新颖分类学。我们的分类法确定了用于良性目的的特定语言的GO特征，可以滥用以通过供应链隐秘地传播恶意代码。此外，我们推出了Gosurf，这是一种静态分析工具，该工具根据我们提出的分类法分析GO包装的攻击表面。我们评估了500个使用现实世界中的500个语料库的Gosurf。我们的工作提供了确保GO生态系统中开源软件供应链的初步见解，使开发人员和安全分析师可以优先考虑代码审核工作并发现隐藏的恶意行为。
玛丽安：带有ZVK矢量加密扩展的开源RISC-V处理器
RISC-V矢量加密扩展（ZVK）在2023年批准并集成到2024年的ISA主要手册中。这些表面支持在矢量寄存器文件上运行的高速对称加密（AES，SHA2，SM3，SM4），并且由于数据并行性而对标量密码扩展（ZK）提供了显着的性能改进。作为批准的扩展名，ZVK由编译器工具链提供支持，并且已经集成到流行的加密中间件（例如OpenSSL）中。我们报告了玛丽安（Marian），这是带有ZVK扩展程序的向量处理器的第一个开源硬件实现。设计基于纸浆“ ARA”矢量单元，该矢量单位本身就是流行的CVA6处理器的扩展。该实现位于SystemVerilog中，并已使用Virtex Ultrascale+ FPGA原型制作进行了测试，其计划的磁带针对22nm的过程节点。我们对矢量密码学对处理器的架构要求进行分析，以及对我们实施的绩效和面积的初步估计。