XiaoMi-AI文件搜索系统
World File Search SystemXiang
对“小胶质激活状态驱动神经退行性疾病的葡萄糖摄取和FDG-PET改变”的评论的回应
引起了极大的兴趣，我们认识到Zimmer等人的技术评论。Xiang等人在我们最近的科学转化医学论文中。 （1）。 我们感谢关于氟脱氧葡萄糖正电子发射断层扫描（FDG-PET）信号的细胞起源的讨论，并且考虑到剩下的许多开放问题，我们希望这将刺激该领域的进一步重要研究。 我们完全同意Zimmer等人。 星形胶质细胞在大脑的FDG摄取中起着重要作用，并且我们没有否认星形胶质细胞FDG吸收的贡献是整体FDG-PET信号的主要来源。 但是，考虑到另一组（2）的最新数据，以及我们的发现（1），小胶质细胞FDG摄取对FDG-PET信号的实质性直接贡献，特别是在髓样细胞2（trem2）表达的Trig Gering受体2（trem2） - 依赖性激活的激活非常重要的情况下，重要的是要考虑。 首先，在技术评论中，Zimmer等人。 表明，总小胶质细胞数量可能太低，无法影响总FDG-PET信号。 但是，我们的数据清楚地表明，小胶质细胞是淀粉样小鼠模型中FDG-PET的增加，并且在TREM2-KNOCKOUT（TREM2-KO）小鼠中降低了小胶质细胞，而小胶质细胞占健康小鼠脑中FDG总吸收的约10％。 小胶质细胞对FDG摄取的贡献是由野生型小鼠的99％小胶质细胞耗竭后的PET信号降低的幅度确定的。 我们在分离细胞中绝对活性的交叉校准后重新评估了我们的数据，并在分离前整个大脑的活性。 1，a和b）（3）。 1C）。Xiang等人在我们最近的科学转化医学论文中。（1）。我们感谢关于氟脱氧葡萄糖正电子发射断层扫描（FDG-PET）信号的细胞起源的讨论，并且考虑到剩下的许多开放问题，我们希望这将刺激该领域的进一步重要研究。我们完全同意Zimmer等人。星形胶质细胞在大脑的FDG摄取中起着重要作用，并且我们没有否认星形胶质细胞FDG吸收的贡献是整体FDG-PET信号的主要来源。但是，考虑到另一组（2）的最新数据，以及我们的发现（1），小胶质细胞FDG摄取对FDG-PET信号的实质性直接贡献，特别是在髓样细胞2（trem2）表达的Trig Gering受体2（trem2） - 依赖性激活的激活非常重要的情况下，重要的是要考虑。首先，在技术评论中，Zimmer等人。表明，总小胶质细胞数量可能太低，无法影响总FDG-PET信号。但是，我们的数据清楚地表明，小胶质细胞是淀粉样小鼠模型中FDG-PET的增加，并且在TREM2-KNOCKOUT（TREM2-KO）小鼠中降低了小胶质细胞，而小胶质细胞占健康小鼠脑中FDG总吸收的约10％。小胶质细胞对FDG摄取的贡献是由野生型小鼠的99％小胶质细胞耗竭后的PET信号降低的幅度确定的。我们在分离细胞中绝对活性的交叉校准后重新评估了我们的数据，并在分离前整个大脑的活性。1，a和b）（3）。1C）。我们现在提供了一个额外的FDG分配模型，该模型考虑了示踪剂注射后通过磁性激活的细胞分选评估的单胶质细胞摄取（1），考虑到小鼠大脑中的7％小胶质细胞（图在这里，我们发现了对小胶质细胞对PET（99％耗竭时降低9.8％）和磁性细胞分选的相对贡献的相对贡献（MAC； 8.6％；图。还观察到淀粉样小鼠模型的小胶质细胞对PET（29.1％）和MAC（29.1％）和MAC（29.9％）的总FDG贡献之间的良好一致性，假设由于繁殖而导致的小胶质细胞密度增加了1.3倍（1）。
技术人工智能伦理
杰克·W·雷（Jack W. Rae）、塞巴斯蒂安·博尔热（Sebastian Borgeaud）、特雷弗·蔡（Trevor Cai）、凯蒂·米利肯（Katie Millican）、乔丹·霍夫曼（Jordan Hoffmann）、H. 弗朗西斯·宋（H. Francis Song）、约翰·阿斯兰尼德（John Aslanides）、莎拉·亨德森（Sarah Henderson）、罗曼·林格（Roman Ring）、苏珊娜·扬（Susannah Young）、伊丽莎·拉瑟福德（Eliza Rutherford）、汤姆·亨尼根（Tom Hennigan）、雅各布·梅尼克（Jacob Menick）、阿尔宾·卡西勒（Albin Cassirer）、理查德·鲍威尔（Richard Powell）、乔治·范登·德里斯切（George van den Driessche）、丽莎·安妮·亨德森（Lisa Anne Hendricks）、玛丽·亨德森（Marie Hendrick）、乔安妮·劳（Joanne Rauh）、萨拉·亨德森（Sarah Henderson）、韦尔布（Welbl）、苏曼斯·达萨特里（Sumanth Dathathri）、莎夫荣·黄（Saffron Huang）、乔纳森·乌埃萨托（Jonathan Uesato）、约翰·梅洛（John Mellor）、伊琳娜·希金斯（Irina Higgins）、安东尼娅·克雷斯韦尔（Antonia Creswell）、内特·麦卡利斯（Nat McAleese）、艾米·吴（Amy Wu）、埃里希·埃尔森（Erich Elsen）、西德汉特·M·贾亚库马尔（Siddhant M. Jayakumar）、叶莲娜·布查茨卡娅（Elena Buchatskaya）、大卫·布登（David Budden）、埃斯梅·萨瑟兰（Esme Sutherland）、凯伦·西蒙尼安（Karen Simoninian）、米凯拉·帕根（Michela Pagan）、劳伦·劳伦特（Lauren Laurent）、劳伦·坤（Lauren Kun）、拉古纳·坤（Laguna Kun）、艾达·内马扎德（Aida Nematzadeh）、叶莲娜·格里博夫斯卡娅（Elena Gribovskaya）、多米尼克·多纳托（Domenic Donato）、安吉利基·拉扎里杜（Angeliki Lazaridou）、亚瑟·门施（Arthur Mensch）、让 - 巴蒂斯特·莱斯皮奥（Jean - Baptiste Lespiau）、玛丽亚·辛普普凯利（Maria Tsimpoukelli）、尼古拉·格里戈列夫（Nikolai Grigorev）、道格·弗里茨（Doug Fritz）、蒂博·索蒂亚（Thibault Sottiaux）、曼塔斯·帕亚尔斯卡斯（Mantas Pajarskas）、托比·波伦（Toby Pohlen）、鞠志涛（Zhitao Gong）、丹尼尔·户田茂（Daniel Toyama）、赛（Cy）、马萨诸塞州（Massachusetts）、泰贾（Tajia）、泰贾乌德（Tajiaud）、尤蒂·弗拉基米尔·米库利克（Yuti Vladimir Mikulik）、伊戈尔·巴巴什金（Igor Babuschkin）、艾丹·克拉克（Aidan Clark）、迭戈·德拉斯·卡萨斯（Diego de Las Casas）、奥雷莉亚·盖伊（Aurelia Guy）、克里斯·琼斯（Chris Jones）、詹姆斯·布拉德伯里（James Bradbury）、马修·约翰逊（Matthew Johnson）、布莱克·A·赫希特曼（Blake A. Hechtman）、劳拉·魏丁格（Laura Weidinger）、伊森·加布里埃尔（Iason Gabriel）、威廉·S·艾萨克（William S. Isaac）、爱德华·洛克哈特（Edward Lockhart）、西蒙·奥辛德罗（Simon Osindero）、劳拉·里梅尔（Laura Rimell）、克里斯·戴尔（Chris Dyer）、奥里奥尔·维尼亚斯（Oriol Vinyas）、卡里姆·斯坦利（Kareem Stanley）、杰弗里·贝内特（Jeffrey Bennett）、科拉伊·卡武克丘奥卢（Koray Kavukcuoglu）和杰弗里·欧文（Geoffrey Irving）。.扩展语言模型：来自 Training Gopher 的方法、分析和见解。 arXiv 预印本 arXiv:2112.11446。
ieee iwcmc 2022 技术计划
1570785339：5G云边端协同的电力系统巡检服务分解；慧翔；王玉成、吕玉翔、董亚文；王红艳;杨阳（国家电网信息通信集团安徽吉源软件有限公司）；魏良康、周凡琴和冯雷（北京邮电大学，中国）1570785422：工业 TSN 服务的 5G URLLC 本地部署架构； Jiayu Huang、Lei Feng、Fanqin Zhou、Huiyong Liu、Peng Yu 和 Kunyi Xie（中国北京邮电大学）1570788384：如何将全局观测嵌入到垂直水平联邦学习中；万硕（清华大学，中国）； Jiaxun Lu（华为技术有限公司，中国）；范平一（清华大学，中国）；邵云峰（华为诺亚方舟实验室，中国）；彭程辉（华为技术有限公司，中国）；Khaled B. Letaief（香港科技大学，香港）1570792725：成本效益管理的博弈论方法能量收集智能电网；Artiom Blinovas、Kenji Urazaki Junior 和 Elvina Gindullina；Leonardo Badia（意大利帕多瓦大学）1570792833：基于深度学习的声纹识别技术研究；Jingyi Li 和 Qin Xu（大数据与软件学院，重庆移动通信学院，中国）；Kadoch Michel（加拿大魁北克大学 ETS）1570794635：基于双线程区块链的大规模智能网络中异常检测刘伟（北京邮电大学，中国）；沈月峰（北京计算机技术及应用研究所，中国）；杨辉、鲍博文、姚秋燕（北京邮电大学，中国）；王旅达（北京计算机技术及应用研究所，中国）
通过核酸外切酶融合改进FnCas12a基因组编辑
通过外切酶融合改进 FnCas12a 基因组编辑 吴永强 1*，袁其晨 2*，朱玉峰 3，高翔 4，宋家宝 5，尹子如 6 1 河北科技大学基因编辑研究中心，河北石家庄 050018。2 美国莱斯大学化学与生物分子工程系，休斯顿，德克萨斯州 77005，美国。3 河北科技大学科技发展研究所，河北石家庄。4 河北科技大学环境科学与工程学院，河北石家庄 050018。5 河北科技大学生物科学与生物工程系，河北石家庄。 6 河北科技大学期刊出版社，河北石家庄 050018。 * 通讯作者：吴永强（wuyongqiang@hebust.edu.cn），袁其晨（yqc@rice.edu） 摘要 在目前报道的 Cas12a 直系同源物中，新凶手弗朗西斯菌 Cas12a (FnCas12a) 受原型间隔区相邻基序 (PAM) 的限制较少，这将有助于靶向以前无法接近的基因组位点。然而，FnCas12a 核酸酶的活性在人体细胞中相对较低或无法检测到，限制了其作为理想基因组工程工具的应用。在这里，我们描述了 TEXT（将 EXonuclease T5 与 FnCas12a 连接），这是一种融合策略，可显着提高人体细胞中 FnCas12a 在三种不同细胞系中的多个基因组位点的敲除效率。使用18nt至23nt的不同间隔长度，TEXT的插入和删除（indel）效率均高于FnCas12a，其中18nt的插入效率最高，比FnCas12a高出11倍。深度测序表明，TEXT显著增加了目标位点的删除频率和删除大小。TEXT增强了FnCas12a核酸酶的活性，拓展了其在人类细胞基因组工程中的应用。
通过核酸外切酶融合改进FnCas12a基因组编辑
通过外切酶融合改进 FnCas12a 基因组编辑 吴永强 1*、袁其晨 2*、朱玉峰 3、高翔 4、宋家宝 5、尹子如 6 1 河北科技大学基因编辑研究中心，河北石家庄 050018。2 美国莱斯大学化学与生物分子工程系，休斯顿，德克萨斯州 77005，美国。3 河北科技大学科技发展研究所，河北石家庄。4 河北科技大学环境科学与工程学院，河北石家庄 050018。5 河北科技大学生物科学与生物工程系，河北石家庄。 6 河北科技大学期刊出版社，河北石家庄 050018。 * 通讯作者：吴永强（wuyongqiang@hebust.edu.cn），袁其晨（yqc@rice.edu） 摘要 在目前报道的 Cas12a 直系同源物中，新凶手弗朗西斯菌 Cas12a (FnCas12a) 受原型间隔区相邻基序 (PAM) 的限制较少，这有助于靶向以前无法接近的基因组位点。然而，FnCas12a 核酸酶的活性相对较低或无法观察到，限制了其作为理想基因组工程工具的应用。在这里，我们描述了 TEXT（将 EXonuclease T5 与 FnCas12a 连接），这是一种融合策略，可显着提高 FnCas12a 在人类细胞中在三种不同细胞系中的多个基因组位点的敲除效率。 TEXT 在 18nt 至 23nt 不同间隔长度下均表现出比 FnCas12a 更高的插入和缺失效率，其中 18nt 的插入效率最高，比 FnCas12a 高出 11 倍。深度测序表明 TEXT 显著增加了目标位点的缺失频率和大小。总之，TEXT 增强了 FnCas12a 核酸酶的活性，拓展了其在人类细胞基因组工程中的应用。
原料浓度对 WO3 纳米结构晶相、形貌及光学性质的影响
[1] N. Li, T. Chang, H. Gao, X. Gao 和 L. Ge, 纳米技术, 2019, 30, 415601。[2] P. Hasse Palharim、B. Lara Diego dos Reis Fusari、B. Ramos、L. Otubo 和 AC Silva Phocheiram、J. Costa Teitoxeiram光生物学。织物。 ，2022，422，113550。[3] YM Shirke 和 SP Mukherjee，CrystEngComm，2017，19，2096-2105。 [4] D. Nagy、D. Nagy、IM Szilágyi 和 X. Fan，RSC Adv. ，2016，6，33743–33754。 [5] 王晓燕，张红，刘琳，李伟，曹鹏，Mater.莱特。 ，2014，130，248–251。 [6] 顾哲，翟天临，高斌，盛晓燕，王燕，傅华，马英，姚建军，J. Phys.织物。 B, 2006, 110, 23829–23836。 [7] T. Peng, D. Ke, J. Xiao, L. Wang, J. Hu 和 L. Zan, J. Solid State Chem. ，2012，194，250-256。 [8] FJ Sotomayor、KA Cychosz 和 M. Thommes，2018 年，18。[9] M. Gotić、M. Ivanda、S. Popović 和 S. Musić，Mater。滑雪。英语。 B，2000，77，193-201。 [10] H.-F.庞晓燕. 项哲杰.李Y.-Q.傅和 X.-T.祖，物理。 Status Solidi A，2012，209，537–544。 [11] B. Gerand 和 M. Fjglarz，J. Solid State Chem. ，1987，13。[12] C. Hai-Ning，智能窗应用的光学多层涂层的制备和表征，米尼奥大学，2005 年。[13] RF Garcia-Sanchez、T. Ahmido、D. Casimir、S. Baliga 和 P. Physra.，J.织物。 A，2013，117，13825–13831。
马耳他语制作中的相对化策略...
摘要：马耳他语和意大利语在限制性关系从句形成方面表现出参数上不同的选择。本研究重点关注在正式语境中学习意大利语作为第二语言的非母语、中级和高级马耳他学生的中介语。关系从句按照 Keenan 和 Comrie (1977) 的名词短语可访问性层次结构 (NPAH) 进行分类和分析，该理论框架用于研究关系从句的结构。鉴于关系从句在意大利语中是提取的孤岛，本研究还结合了 Beltrama 和 Xiang (2016) 改编的自定进度实验设计的结果，以调查 [-wh-移动] L1（马耳他语）和 [+wh-移动] L2（意大利语）在 L2 习得的最后阶段对复杂关系从句的 L2 处理的影响程度。结果表明，关系从句句法结构的习得过程受到二语水平和二语句法结构出现频率的影响。随着熟练程度的提高，高级学习者的产出越来越接近母语人士，高级组表现出与母语人士相似的水平。本研究在三个主要领域提供了新的证据：（i）名词短语可接受性层次结构作为理论框架如何补充实验方法设计；（ii）在复杂句法结构的实验设计中，哪些因素有助于描述和解释语言可接受程度；（iii）导致非母语学习者在关系从句的准确性和处理效率方面取得进步的同时，习得和产生超越可能经验极限的复杂句法结构的可能因素。关键词：意大利语 L2 习得、名词短语可访问性层次 (NPAH)、限制性关系从句、语言处理和中介语 简介 本研究探讨了在 11 岁开始在正式环境中学习意大利语的高水平双语非母语人士的中介语能力 (IL) 中关系从句的形态句法。先前的研究表明，IL 语法因母语而异
设计灵活的可再生能源渗透电力系统以解决长期和短期交互影响
6 中国电力科学研究院，北京 100192，中国 *通信地址：xiang@scu.edu.cn (YX); lltscu@163.com (LL) 收稿日期：2024 年 6 月 21 日；接受日期：2024 年 8 月 9 日；https://doi.org/10.59717/j.xinn-energy.2024.100042 © 2024 作者。这是一篇根据 CC BY-NC-ND 许可开放获取的文章 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ )。引用：Xiang Y.、Li L.、Li R. 等，(2024)。设计灵活的可再生能源渗透电力系统以解决长期和短期交互推断。对于可再生能源渗透率较高的电力系统，必须结合储能等充足的灵活资源，实现能源的可持续发展。然而，在灵活资源的规划中，外部社会因素可以显著改变这些资源的演进路径。迫切需要一个模拟框架来整合以社会影响为代表的长期发展因素和物理能源框架内的短期运行特征。我们为电力系统的可持续发展提供技术支持，使模拟结果对未来的能源系统规划更加准确。针对缺乏外部社会因素建模数据的问题，提出了一种基于系统动力学的长期建模方法，以及一种考虑灵活性评估和优化的短期建模方法。长期的外部社会因素需要低碳系统，而短期关注涉及电力系统的实际拓扑以研究高灵活性。我们发现各种灵活性资源投资对电力系统灵活性和低碳的敏感性是解决这一矛盾的关键。在213节点灵活性测试系统中对电力系统进行了实证计算，包括15分钟和1分钟分辨率的实际数据。在碳减排政策出台约十年后，电池储能成为最大的灵活性投资。而其他灵活性资源，尤其是由于灵活性不饱和而产生的需求侧响应，也成为主要的临时投资资产。考虑到所提出的交互式推理框架，边际减排成本显着降低，碳交易不断降低减排成本。
John Glongstun
1。背包语言模型。在计算语言学协会年会（ACL）年会2023年。接受率：23.5％未偿还纸张奖：39 /3872纸提交。约翰·休伊特（John Hewitt），约翰·加斯敦（John Glongstun），克里斯托弗·D·曼宁（Christopher D. Manning），珀西·梁（Percy Liang）。2。通过生成预训练的旋律转录。在国际音乐信息检索研讨会（ISMIR）2022中。接受率：43.3％的克里斯·多纳休（Chris Donahue），约翰·加斯敦（John Glongstun），珀西·梁（Percy Liang）。3。扩散lm改善可控文本生成。神经信息处理系统的进步（神经）2022。接受率：25.6％的口头呈递。Xiang Lisa Li，John Glongstun，Ishaan Gulrajani，Percy Liang，Tatsunori B. Hashimoto。 4。 淡紫色：使用发散边界来测量神经文本和人类文本之间的差距。 神经信息处理系统的进步（神经）2021。 接受率：25.7％未偿还纸张奖：6 /9122纸质提交。 奎师那·普鲁图拉（Krishna Pillutla），斯瓦巴（Swabha Swayamdipta），罗文·泽勒斯（Rowan Zellers），约翰·盖斯坦（John Gondstun），肖恩·威尔克（Sean Welleck），Yejin Choi，Zaid Harchaoui。 5。 通过Langevin Dynamics从自回旋模型进行平行和灵活的采样。 在机器学习国际会议（ICML）2021中。 接受率：21.5％Vivek Jayaram*，John Glongstun*（*同等贡献）。 6。 使用连续时间梯度更快地学习。 动态与控制学习（L4DC）2021。 7。 8。 9。 10。Xiang Lisa Li，John Glongstun，Ishaan Gulrajani，Percy Liang，Tatsunori B. Hashimoto。4。淡紫色：使用发散边界来测量神经文本和人类文本之间的差距。神经信息处理系统的进步（神经）2021。接受率：25.7％未偿还纸张奖：6 /9122纸质提交。奎师那·普鲁图拉（Krishna Pillutla），斯瓦巴（Swabha Swayamdipta），罗文·泽勒斯（Rowan Zellers），约翰·盖斯坦（John Gondstun），肖恩·威尔克（Sean Welleck），Yejin Choi，Zaid Harchaoui。5。通过Langevin Dynamics从自回旋模型进行平行和灵活的采样。在机器学习国际会议（ICML）2021中。接受率：21.5％Vivek Jayaram*，John Glongstun*（*同等贡献）。6。使用连续时间梯度更快地学习。动态与控制学习（L4DC）2021。7。8。9。10。塞缪尔·阿恩斯沃思（Samuel Ainsworth），肯德尔·洛里（Kendall Lowrey），约翰·康斯敦（John Glongstun），扎伊德·哈科伊（Zaid Harchaoui），悉达多·斯里尼瓦萨（Siddhartha Srinivasa）。一种信息瓶颈方法，用于控制理由提取中的简洁性。自然语言处理中的经验方法（EMNLP）2020。接受率：24.5％Bhargavi Paranjape，Mandar Joshi，John Glongstun，Hannaneh Hajishirzi，Luke Zettlemoyer。用深的生成先验的源分离。在国际机器学习会议（ICML）2020中。接受率：21.8％Vivek Jayaram*，John Glongstun*（*同等贡献）。卷积作曲家分类。在国际音乐信息检索研讨会（ISMIR）2019中。接受率：45.1％苛刻的Verma，John Glongstun。耦合复发模型，用于复音音乐组成。在国际音乐信息检索研讨会（ISMIR）2019中。接受率：45.1％John Glongstun，Zaid Harchaoui，Dean P. Foster，Sham M. Kakade。11。监督音乐转录的不断增长和数据增强。在国际声学，言语和信号处理（ICASSP）2018中。接受率：49.7％的口头介绍。John Gongstun，Zaid Harchaoui，Dean P. Foster，Sham M. Kakade。12。用于多个F0估计的频域卷积。Mirex摘要（技术报告）2017。John Gongstun，Zaid Harchaoui，Dean P. Foster，Sham M. Kakade。13。音乐网：从头开始学习音乐的功能。在2017年国际学习表征会议（ICLR）。接受率：39.1％John Glongstun，Zaid Harchaoui，Sham M. Kakade。
基础模型的机遇与风险 - arXiv
Rishi Bommasani* Drew A. Hudson Ehsan Adeli Russ Altman Simran Arora Sydney von Arx Michael S. Bernstein Jeannette Bohg Antoine Bosselut Emma Brunskill Erik Brynjolfsson Shyamal Buch Dallas Card Rodrigo Castellon Niladri Chatterji Annie Chen Crescent Crescent Daro 和 Chris Doncy Moussa Doumbouya Esin Durmus Stefano Ermon John Etchemendy Kawin Ethayarajh 李飞飞 Chelsea Finn Trevor Gale Lauren Gillespie Karan Goel Noah Goodman Shelby Grossman Neel Guha Tatsunori Hashimoto Peter Henderson John Hewitt Daniel E. Ho Jenny J Hong Hong J. Jag 和 Thomas H. Jaghil I. Pratyusha Kalluri Siddharth Karamcheti Geoff Keeling Fereshte Khani Omar Khattab Pang Wei Koh Mark Krass Ranjay Krishna Rohith Kuditipudi Ananya Kumar Faisal Ladhak Mina Lee Tony Lee Jure Leskovec Isabelle Levent Xiang Lisa Li Xuechen Li Tengyu Ma Ali Malik Dtch Mikwall Manning Mikwall Mikwane Eric Dtch. Suraj Nair Avanika纳拉扬 迪帕克·纳拉亚南 本·纽曼 艾伦·聂 胡安·卡洛斯·尼布尔斯 哈米德·尼勒福罗尚 朱利安·尼亚尔科 吉雷·奥古特 劳雷尔·奥尔 伊莎贝尔·帕帕迪米特里奥 朴俊成 克里斯·皮耶希 伊娃·波特兰斯 克里斯托弗·波茨 阿迪蒂·拉古纳坦 罗布·赖希 任洪宇 弗里达·荣 尤瑟夫·罗哈尼 罗希亚·瑞安 罗希亚·罗 多拉·瑞安 卡梅罗 R. 佐川诗织Keshav Santhanam Andy Shih Krishnan Srinivasan Alex Tamkin Rohan Taori Armin W. Thomas Florian Tramèr Rose E. Wang William Wang Bohan 吴家俊 吴玉怀 吴桑 谢志强 Michihiro Yasunaga Jiaxuan You Matei Zaharia Michael 张天一 张希坤 张宇恒 张鲁恒 周凯蒂 珀西梁*1