XiaoMi-AI文件搜索系统
World File Search SystemWeng
Zhilong Weng
Zhilong Weng是科隆大学和科隆大学医院的博士生，由Yuri Tolkach监督。 他从德国达姆施塔特技术大学获得了计算工程硕士学位，他专注于计算机视觉研究，包括传统的图像处理和基于深度学习的图像检测。 他目前的研究重点是推进计算病理学中的人工智能应用。Zhilong Weng是科隆大学和科隆大学医院的博士生，由Yuri Tolkach监督。他从德国达姆施塔特技术大学获得了计算工程硕士学位，他专注于计算机视觉研究，包括传统的图像处理和基于深度学习的图像检测。他目前的研究重点是推进计算病理学中的人工智能应用。
高等教育生成AI的评估和学习成果：关于当前的研究状况和趋势的范围审查
生成人工智能（Genai）影响了高等教育评估和学习成果，这些评估和学习成果紧密相关且交织在一起。文献表明，在高等教育中，教育者和研究人员对学生评估有许多不同的担忧，例如如何评估学生的学习和新的（重新聚焦）学习成果，这些学习成果在基台 - 富度学习环境中出现。为了提供基于证据的见解和回答这些问题，我们通过在相关研究领域整理文献进行了范围审查。在五个阶段的范围审查框架之后，我们进行了协作并编码34项研究。审查中确定的三种评估方法是传统评估，创新和重新集中评估以及与Genai的评估。确定的新的，重新聚焦的学习成果是职业驱动的能力和终身学习能力。审查还表明，大多数研究设计都是定性方向的（例如，具有探索性设计，描述性研究，人种学研究和现象学研究）。本研究提出了一个整体图，显示了当前的研究状况和趋势。它提出了五个未来的研究方向：创新的评估设计，评估方法之间的合作，新的学习成果，评估方法和学习成果之间的关系以及定量或混合研究。对实践或政策的影响：•高等教育中的传统评估方法在Genai时代没有有效运作。•创新和重新关注的评估以及与Genai的评估是评估学生学习的有前途的策略。•以职业为导向的能力和终身学习能力是从使用Genai的新的学习成果。•应进行更多的定量和混合研究，以提供有关Genai对学生评估和学习结果的影响的其他经验证据。关键字：生成AI，评估，高等教育，学习成果，范围评论
谭锦荣简历
7. 指导意见 ................................................................................................................ 6 8. 研究兴趣 .............................................................................................................. 10 9. 大学主要服务案例 .............................................................................................. 10 10. 主要社区服务案例 .............................................................................................. 11 11. 国际专业服务 ...................................................................................................... 12 12. 研究项目 ............................................................................................................. 14 13. 科学与应用研究成果案例 ............................................................................. 17 14. 13. 出版物 ............................................................................................................. 18
Madden, Stephen; Cremona, Mattia; Farrelly, Angela; Low, Weng Hei; McBryan, Jean (2023): 乳腺癌细胞的蛋白质组学时间进程突显增强
为了防止内分泌耐药性乳腺癌的发展，越来越多的人尝试将额外的靶向疗法与内分泌疗法相结合。促进癌细胞在内分泌治疗期间存活的分子机制仍然未知，但可以帮助直接选择额外的靶向疗法。我们提出了一个新的蛋白质组学时间进程数据集，分析了 1 年他莫昔芬治疗期间 MCF7 细胞群中的潜在药物靶点。反相蛋白阵列分析了 30 个时间点的 70 多种蛋白质。对他莫昔芬的双相反应很明显，这与生长率的变化相吻合。他莫昔芬在前 160 天强烈阻碍细胞生长，随后逐渐恢复生长并最终产生耐药性。生长受阻期以 Stat3 (y705) 和 Src (y527) 的磷酸化为特征。接受新辅助内分泌治疗 (<4 个月) 的患者的肿瘤组织也显示出 Stat3 和 Src 信号传导增加。 Stat3（napabucasin）和 Src（达沙替尼）抑制剂可有效杀死经他莫昔芬治疗的 MCF7 和 T47D 细胞。一旦他莫昔芬诱导生长受阻阶段，对这两种药物的敏感性就会显著增强。这种新颖的蛋白质组学资源确定了在他莫昔芬治疗期间使细胞存活的关键机制。它为可能阻止内分泌耐药性发展的潜在药物组合和时机提供了宝贵的见解。
引用：Jin，Wengong等。 “深度学习确定了治疗Covid-19的协同药物组合。”美国国家学院
迫切需要对Covid-19的有效治疗。然而，发现针对严重急性呼吸综合症2（SARS-COV-2）活性的单药疗法一直具有挑战性。组合疗法在抗病毒疗法中起着重要作用，因为它们的效率提高和毒性降低。最近的方法应用了深度学习，以确定具有广泛先前数据集的疾病的协同药物组合，但这些疾病不适用于具有有限组合数据的新疾病，例如COVID-19。鉴于药物协同作用通常是通过抑制离散的生物学靶标而发生的，我们在这里提出了一种神经网络结构，该神经网络结构共同学习药物 - 靶标相互作用和药物 - 药物协同作用。该模型由两个部分组成：药物 - 靶标相互作用模式和目标 - 疾病关联模块。此设计使该模型还可以利用药物 - 靶标相互作用数据和单药抗病毒活性数据，此外还可以使用可用的药物 - 药物组合数据集（本质上可能很小）。通过局限于其他生物学信息，我们的模型在协同预测准确性上的性能要比具有有限的药物组合训练数据的前提方法要好得多。我们通过经验验证了我们的模型预测，并发现了两种药物组合，Remdesivir和Reserpine以及Remde-Sivir和IQ-1，它们在体外表现出强大的抗病毒SARS-COV-2协同作用。我们的方法在这里应用于解决Covid-19的紧急威胁，可以很容易地扩展到其他疾病，而这些疾病的存在 - 化学 - 化学组合数据的缺乏。
Chen, Kevin、Weng Han Tan 和 Say Jye Quah，“印度尼西亚和马来西亚可再生能源政策概述：投资和分散化方面的挑战
摘要 东南亚是受气候变化危害最大的地区之一，也是温室气体的主要排放源。为了应对气候变化，该地区必须逐渐减少化石燃料的使用，并过渡到可再生能源的使用。考虑到这一点，本文研究了印度尼西亚和马来西亚的可再生能源政策，尽管这两个国家都制定了净零排放目标，但在可再生能源推广方面仍面临重大挑战。本文概述了两国的可再生能源政策和挑战。本文着眼于国内政策，发现印度尼西亚由于各种原因无法吸引必要的投资进入其可再生能源部门，而马来西亚由于其分散的结构而在实施政策方面遇到困难。本文最后指出了未来研究的方向，包括参与不同领域的新兴文献。 关键词：可再生能源；东南亚；气候变化；印度尼西亚；马来西亚；太阳能 1. 简介
在金属沉积过程中，MIM顶部金属剥离与过渡流相关的研究Chang'e Weng，Tertius Rivers，Moreen Minkoff，
对金属沉积过程中的MIM顶部金属剥离的研究Chang'e Weng，Tertius Rivers，Moreen Minkoff，Ron Herring，Richard Ducusin，Richard Ducusin，Jinhong Yang Yang和Joseph Chinn Qorvo，2300 Ne Brookwook Wookwwood，Ne Brookwood Parkway，Hillsboro，Hillsboro等503-615-9820关键字：MIM，过渡流，脱皮，溅射，金属，Knudsen编号，电容器泄漏相关测试失败的电容器摘要研究揭示了金属绝缘仪金属金属（MIM）顶部金属剥离和金属沉积工具之间的相关性。简介金属 - 绝缘子 - 金属（MIM）电容是基于GAA的RF技术的重要组成部分1,2,3,4。MIM电容器由底部金属板，介电层和顶部金属板组成。MIM电容器的制造涉及多个过程步骤。互连金属零层通常用作MIM底板。在该金属下方或顶部的缺陷可能导致MIM电容器缺陷4。氮化硅或氧化物被广泛用作电容器介电层，并使用PECVD过程沉积。介电层厚度和粗糙度的变化直接影响电容器性能。蒸发或溅射的Ti/pt/au金属堆栈通常用作MIM顶部金属。由于MIM顶部金属通过层间介电VIA连接到下一个上部金属层，因此在MIM金属沉积过程中形成的缺陷也可能导致电容器和通过与通过相关的参数故障。由于MIM过程的复杂性，在过程中无法在串联检测到的缺陷可以在各种过程步骤中形成。过程取决于缺陷的性质和位置，过程控制监视器（PCM）和Diesort测试可以筛选出一些有缺陷的模具，但是除非使用更具破坏性的测试，否则可能无法检测到某些缺陷。MIM电容器的缺陷通过PCM和Diesort测试是一个可靠性的问题。手机制造商和RF设备制造公司的研究都表明，MIM电容器故障是许多早期现场故障的主要原因1,3,4。在Qorvo中，开发了一种电压斜坡方法来检测MIM电容器缺陷4。评估每个单个模具，并在低压区域4中筛选出缺陷的模具。通常需要改进过程来解决相关的测试失败。在本文中，我们讨论了迪索（Diesort）在迪索（Diesort）检测到的电容器泄漏故障的研究，该泄漏失败与MIM顶部金属剥离有关。
规划指南 - Wenger 公司
当房间太小的时候，第一次声音反射会很快回到音乐家的耳朵里，以至于他们听不到房间里的声音。然而，当达到足够的立方体体积时，声音需要更长的时间才能从更远的墙壁和表面反射回来，让音乐家被声音包围，并提供一种临场感。当房间提供这种包围时，音乐家可以听得更清楚，从而创造出一个可以通过聆听实现真正学习的环境。这是为音乐学习（器乐和合唱）而设计的空间的最低目标。很多时候，排练室设计得太小，音乐家根本听不到整个音乐范围。请记住，音乐是通过聆听来学习的。