XiaoMi-AI文件搜索系统
World File Search SystemZhu
利用 Mn 3 O 4 八面体制备的 Si 掺杂 LiMn 2 O 4 正极材料及其对 LiBs 电化学性能的增强 朱干 1，秦明泽 1，
使用 Mn3O4 八面体制备的 Si 掺杂 LiMn2O4 正极材料增强的 LiBs 电化学性能 朱甘 1、秦明泽 1、吴婷婷*、赵孟远、沈燕生、周宇、苏悦、刘云航、郭美梅、李永峰、赵洪远 * 河南科技学院机电工程学院先进材料与电化学技术研究中心，新乡 453003，中国 * 电子邮件：wtingtingwu@163.com (T. Wu)，hongyuanzhao@126.com (H. Zhao) 收到：2022 年 3 月 8 日/接受：2022 年 3 月 28 日/发表：2022 年 4 月 5 日 我们提出了一种 Si 掺杂和八面体形貌的共同改性策略来提高 LiMn2O4 的电化学性能。以Mn3O4八面体为锰前驱体,SiO2纳米粒子为硅掺杂剂,采用高温固相法制备了Si掺杂的LiMn2O4样品(LiSi0.05Mn1.95O4八面体)。XRD和SEM表征结果表明,Si4+离子的引入对LiMn2O4固有的尖晶石结构没有产生实质性影响,LiSi0.05Mn1.95O4八面体呈现出相对均匀的粒径分布。在1.0C循环下,LiSi0.05Mn1.95O4八面体比未掺杂的LiMn2O4表现出更高的初始可逆容量。经过 100 次循环后，LiSi 0.05 Mn 1.95 O 4 八面体表现出更好的循环稳定性，容量保持率高达 94.7%。此外，LiSi 0.05 Mn 1.95 O 4 八面体表现出良好的倍率性能和高温循环性能。如此好的电化学性能与 Si 掺杂和八面体形貌的协同改性有很大关系。关键词：LiMn 2 O 4 ；硅掺杂；八面体形貌；Mn 3 O 4 八面体；电化学性能 1. 引言
摘要：本文致力于人工智能在教育中的应用，并强调可持续发展背景下的机遇和问题。分析了人工智能技术在教育过程中的引入现状。教育过程中最常用的人工智能技术概括为以下几类：认知服务；虚拟、混合和增强现实；物联网和外围计算；元认知支架。根据对受益者的影响，在教育过程中使用人工智能的优势概括为：学生、教师、学生家长、教育机构负责人、地方政府。事实证明，通过使用人工智能技术和基于从应用这些技术中获得的分析数据创建个人培训计划，学习过程可以显著有效。研究发现，在教育中使用人工智能的主要优势是教育过程的个性化和个性化。指出了教育机构和地方政府负责人从在教育过程中使用人工智能技术所获得的好处，以确保可持续发展，包括决策的透明度和问责制，r
摘要：本文致力于人工智能在教育中的应用，并强调可持续发展背景下的机遇和问题。分析了人工智能技术在教育过程中的引入现状。在教育过程中最常用的人工智能技术概括为以下几类：认知服务；虚拟、混合和增强现实；物联网和外围计算；元认知支架。根据对受益者的影响，在教育过程中使用人工智能的优势概括为：学生、教师、学生家长、教育机构负责人、地方政府。事实证明，通过使用人工智能技术和基于从应用这些技术中获得的分析数据创建个人培训计划，学习过程可以非常有效。发现在教育中使用人工智能的主要优势是教育过程的个性化和个性化。指出了教育机构和地方政府负责人从在教育过程中使用人工智能技术以确保可持续发展中获得的好处，包括决策的透明度和问责制、合理和高效地利用资源。揭示了在教育过程中由人工智能处理的学生数据的保密性和非个人化问题；建议区分教育机构对个人和机密数据的访问、存储和使用的责任。概述了进一步科学研究的前景——教育过程的进一步个性化和个体化。关键词：教育信息化、教育中的人工智能、可持续发展、教育个性化、教育个性化、信息和通信能力。引用方式：Yuskovych-Zhukovska, V., Poplavska, T., Diachenko, O., Mishenina, T., Topolnyk, Y., & Gurevych, R. (2022)。人工智能在教育中的应用。可持续发展的问题和机遇。大脑。人工智能和神经科学的广泛研究，13 (1Sup1)，339-356。https://doi.org/10.18662/brain/13.1Sup1/322
Citation: K. Shi, W. Cai, S. Jiang, D. Zhu, K. Cao, Z. Guo, J. Wei, A. Du, Z. Li, Y. Huang, J. Yin, J. Åkerman, and W. Zhao, Observation of magnetic d
扭矩，其进动频率接近铁磁共振频率。这主要是由于磁滴模式的进动角较大[7,18,19]。然而，到目前为止，对磁滴的所有实验工作都集中在自旋阀（SV）结构[18,19,21-23]和自旋霍尔纳米振荡器（SHNO）[24,25]上。SV和SHNO中非常低的磁阻（MR）（约1％）限制了功率发射和基于STNO的任何进一步应用。相比之下，具有强PMA的磁隧道结 (pMTJ) 表现出较高的隧道磁阻 (TMR)，达到 249%，尤其是双 CoFeB 自由层 (DFL) pMTJ，它已成为基于 MTJ 的 MRAM 的主要结构 [26]。因此，人们可以期望在基于 pMTJ 的 NC-STNO 中观察到磁性液滴。然而，我们之前的实验表明，在单自由层 (SFL) MTJ 中很难形成稳定的液滴 [27]。这可能是由于均匀电流密度与空间变化磁化相互作用产生的较大张-力矩所致。相反，预计 DFL pMTJ 可以抑制这种大的张-力矩并有利于形成稳定的磁性液滴。在这里，我们通过实验观察和研究了 DFL pMTJ 中的稳定磁性液滴，同时伴随着同一器件中相对于类 FMR 模式进动的功率增强。此外，通过微磁模拟，我们认为磁隧道结中的磁性液滴之所以稳定，主要是因为低的Zhang-Li力矩和DFL中强的钉扎场共同作用的结果[28]。我们的研究结果为磁隧道结中磁性液滴的成核提供了全面的认识，为进一步优化磁隧道结中磁性液滴的使用奠定了基础。
请引用原文：Zhu, H., Tiwari, P., Ghoneim, A., & Hossain, MS (2022). 一种用于 AIoT 领域问答的协作式 AI 支持预训练语言模型。IEEE 工业信息学学报，18 (5)，3387-3396。https://doi.org/10.1109/TII.2021.3097183
摘要 — 人工智能物联网 (AIoT) 领域的大规模知识迫切需要有效的模型来理解人类语言并自动回答问题。预训练语言模型 (PLM) 在某些问答 (QA) 数据集上取得了最佳性能，但很少有模型能够回答有关 AIoT 领域知识的问题。目前，AIoT 领域缺乏足够的 QA 数据集和大规模预训练语料库。我们提出了 RoBERTa AIoT 来解决缺乏高质量大规模标记的 AIoT QA 数据集的问题。我们构建了一个 AIoT 语料库来进一步预训练 RoBERTa 和 BERT。RoBERTa AIoT 和 BERT AIoT 利用由面向 AIoT 的维基百科网页组成的大型语料库进行无监督预训练，以学习更多特定领域的上下文并提高 AIoT QA 任务的性能。为了微调和评估模型，我们基于社区问答网站构建了 3 个 AIoT 问答数据集。我们在这些数据集上评估了我们的方法，实验结果证明了我们的方法有显著的改进。
对急诊入院的人工智能驱动的 COVID-19 分类进行真实世界评估：无实验室和高通量筛查解决方案的外部验证和操作评估 Andrew AS Soltan 博士 MB BChir 1,2 Jenny Yang MSc 3 Ravi Pattanshetty 博士 FRCEM 1 Alex Novak 博士 FRCEM 1 Yang Yang 博士 DPhil 3 Omid Rohanian 博士 PhD 3 Sally Beer 1 Marina A. Soltan 博士 MRCP 5,6 David R. Thickett 教授 FRCP 5,6 Rory Fairhead 博士 BA 4 CURIAL 转化合作组织 Tingting Zhu 博士 DPhil 3 David W. Eyre 教授 DPhil 1,7,8 David A. Clifton 教授 DPhil 3 附属机构：
摘要背景患者 COVID-19 状态的不确定性导致治疗延迟、院内传播和医院的运营压力。但是，批量处理的实验室 PCR 测试的典型周转时间仍然为 12-24 小时。尽管快速抗原横向流动检测 (LFD) 已在英国急救环境中得到广泛采用，但灵敏度有限。我们最近证明，AI 驱动的分类 (CURIAL-1.0) 可以使用抵达医院后 1 小时内常规获得的临床数据进行高通量 COVID-19 筛查。在这里，我们旨在确定与标准护理相比的运营和安全性改进，使用针对通用性和速度优化的更新算法在四个 NHS 信托机构中进行外部/前瞻性评估，并在英国急诊室部署一种新的无实验室筛查途径。方法我们对 CURIAL-1.0 中的预测因子进行了合理化，以分别优化通用性和速度，开发了具有生命体征和常规实验室血液预测因子（FBC、U&E、LFT、CRP）的 CURIAL-Lab 以及仅具有生命体征和 FBC 的 CURIAL-Rapide。在训练期间，模型被校准到 90% 的灵敏度，并针对朴茨茅斯大学医院、伯明翰大学医院和贝德福德郡医院 NHS 信托的非计划入院情况进行了外部验证，并在英国 COVID-19 疫情第二波期间在牛津大学医院 (OUH) 进行了前瞻性验证。使用首次进行的血液测试和生命体征生成预测值，并与确认性病毒核酸检测进行比较。接下来，我们回顾性评估了一种新的临床途径，将患者分类到模型预测或 LFD 结果为阳性的 COVID-19 疑似临床区域，并将灵敏度和 NPV 与单独的 LFD 结果进行比较。最后，我们部署了 CURIAL-Rapide 和经批准的即时诊断 FBC 分析仪（OLO；SightDiagnostics，以色列），在约翰拉德克利夫医院急诊科（英国牛津）提供无需实验室的 COVID-19 筛查，这是信托机构认可的服务改进。我们的主要改进结果是获得结果的时间可用性；次要结果是根据 PCR 参考标准评估的敏感性、特异性、PPV 和 NPV。我们将 CURIAL-Rapide 的性能与标准护理中的临床医生分诊和 LFD 结果进行了比较。结果 72,223 名患者符合外部和前瞻性验证站点的资格标准。各信托机构的模型性能一致（CURIAL-Lab：AUROC 范围 0.858-0.881；CURIAL-Rapide 0.836-0.854），朴茨茅斯大学医院的灵敏度最高（CURIAL-Lab：84.1% [95% Wilson 评分 CIs 82.5-85.7]；CURIAL-Rapide：83.5% [81.8 - 85.1]），特异性为 71.3%（95% Wilson 评分 CIs：70.9 - 71.8）和 63.6%（63.1 - 64.1）。对于 2021 年 12 月 23 日至 2021 年 3 月 6 日期间在 OUH 入院常规护理中接受 LFD 分诊的 3,207 名患者，联合临床路径将灵敏度从 56 提高。仅 LFD 为 9%（95% CI 51.7-62.0），而 CURIAL-Rapide 为 88.2%（84.4-91.1；AUROC 0.919），CURIAL-Lab 为 85.6%（81.6-88.9；AUROC 0.925）。2021 年 2 月 18 日至 2021 年 5 月 10 日期间，520 名患者前瞻性地接受了即时临床 FBC 分析，其中 436 名患者在常规护理中接受了确认性 PCR 检测，10 名（2.3%）检测呈阳性。从患者到达到获得 CURIAL-Rapide 结果的中位时间为 45:00 分钟（32-64），比 LFD 快 16 分钟（26.3%）
引用本文：Martin K.-C. Yeh，Yu Yan，Yanyan Zhuang＆Lois Anne DeLong（2021）：使用脑电图测量结果识别程序混乱
摘要在本文中，我们提出了一项实验研究，其中使用脑电图（EEG）设备来测量程序员的认知负载，因为他们试图预测C代码片段的输出。我们的目标是查看摘要中的特定模式是否引起了更高水平的认知负载，并且收集到的EEG数据是否可以提供比绩效指标更详细的见解。我们的结果表明，尽管认知负载可能对代码理解绩效的影响，但其他人为因素（例如忘记某些编程规则或误读要求他们要做的事情的趋势）也可能发挥作用，尤其是对于新手程序员而言。我们得出的结论是：（1）不同类型的代码模式可以以不同的方式影响程序员的认知过程，（2）单独进行自我报告的数据或脑电波活动，是程序员对所有类型的代码smpets and coppories and coption and coption and copsimens and condiques and condiques and condiques andiques sange sance的可靠指标，（3）像我们这样的测试对于识别新手程序员的重要学习差距可能很有用，而新手程序员的重要学习差距又可以利用来改善编程工具和教学策略。
引用出版版本：Zhou，X，He，J，Velanis，Cn，Zhu，Y，He，He，Y，Tang，K，K，Zhu，M，Graser，L，Leau，E，Wang，Wang，X，X，Zhang，Zhang，l，Andy Tao，W.
1。广东林南现代农业实验室，农业部基因组分析实验室，深圳农业基因组学院，中国农业科学院，深圳518124，中国518124，中国2。广东林南现代农业实验室，农业部基因组分析实验室，深圳农业基因组学院，中国农业科学院，深圳518124，中国518124，中国2。广东林南现代农业实验室，农业部基因组分析实验室，深圳农业基因组学院，中国农业科学院，深圳518124，中国518124，中国2。园艺学院，中国农业大学，北京100193，中国3。 西拉斐特普渡大学园艺和景观建筑部，美国47907，美国4。园艺学院，中国农业大学，北京100193，中国3。西拉斐特普渡大学园艺和景观建筑部，美国47907，美国4。爱丁堡大学生物科学学院分子植物科学研究所，丹尼尔·卢瑟福大厦，麦克斯·卢瑟福大厦上海植物压力生物学中心和CAS卓越分子植物科学中心，中国科学院，上海201602，中国6。综合植物生物学研究所，生命科学学院，江苏师范大学，Xuzhou 221116，中国7。 应用科学大学Mannheim，Paul -Wittsack- str。 10，Mannheim 68163，德国8。 西拉斐特普渡大学生物化学系，美国47907，美国†这些作者对这项工作也同样做出了贡献。 *通信：Justin Goodrich（Justin.goodrich@ed.ac.uk）; Jian -Kang Zhu（jkzhu@psc.ac.cn）; cui -jun Zhang（zhangcuijun@caas。 cn，张博士负责与本文相关的材料的分布）综合植物生物学研究所，生命科学学院，江苏师范大学，Xuzhou 221116，中国7。应用科学大学Mannheim，Paul -Wittsack- str。10，Mannheim 68163，德国8。西拉斐特普渡大学生物化学系，美国47907，美国†这些作者对这项工作也同样做出了贡献。*通信：Justin Goodrich（Justin.goodrich@ed.ac.uk）; Jian -Kang Zhu（jkzhu@psc.ac.cn）; cui -jun Zhang（zhangcuijun@caas。cn，张博士负责与本文相关的材料的分布）
Yue Sun，Kui Li，Bo Gao*，Pengyue Sun，Haiyang Fu，Zhuang Liu和Juntai Yin Zr-17NB合金辐照的微观结构和耐磨性
摘要：在本文中，详细研究了由高电流脉冲电子束处理的ZR-17NB合金的微观结构和磨损固定性。使用X射线衍射（XRD）分析后的脉冲处理后的相位变化，显示了由β（ZR，NB）相的一部分形成的β（nb）相和α（ZR）相。另外，还发现了β（ZR，NB）衍射峰的变窄和移动。扫描电子显微镜（SEM）和金相分析结果表明，高电流脉冲电子束（HCPEB）治疗之前合金表面的显微结构是由等上晶体组成的。但是，在15和30脉冲处理后，陨石坑结构得到了显着造成的。此外，还发现合金表面在30脉冲处理后经历了共菌体转化，并且发生了β（ZR，NB）的反应→αZR +βNB。显微硬度测试结果表明，随着脉冲数量的增加，微标志的值会出现向下趋势，这主要是由于谷物的块状和较软的β（nb）相变的形成。磨损耐药性测试结果表明，摩擦系数首先增加，然后降低，然后随脉冲数的增加而增加。
Citation Zhang, Shuguang, Zhu, Peiyao, He, Jiayuan, Dong, Siyuan, Li, Peiwen et al. 2020. "TME#Responsive Polyprodrug Micelles for Multistage Delivery
这是已接受出版的作者手稿，已经过完整的同行评审，但尚未经过文字编辑、排版、分页和校对过程，这可能导致此版本与记录版本之间存在差异。请引用本文 doi: 10.1002/adhm.202000387 。
引用（APA）Chen，M.，Zhu，L.，Chen，J.，Yang，F.，Tang，C.Y.，Guiver，M.D。，＆Dong，Y。（2020）。基于尖晶石的陶瓷膜耦合实心SLU
引用（APA）Chen，M.，Zhu，L.，Chen，J.，Yang，F.，Tang，C.Y.，Guiver，M.D。和Dong，Y。（2020）。基于尖晶石的陶瓷膜与油性废水处理耦合实心污泥。水研究，169，第115180条。https：//doi.org/10.1016/j.watres.2019.115180