XiaoMi-AI文件搜索系统
World File Search Systemature
使用表面安装的薄膜石墨烯传感器的方法
该角色通常由电池管理系统（BMS）提供，该系统利用简单的电流，电压和脾气测量值来监视SOC和SOH在包装或模块级别上。流行的EV模型利用细胞组织为由中央BMS控制的模块。例如，特斯拉模型S包含7140×18 650个细胞（在16个平行和6个串联细胞的16个模块中），2个和2个串联电池，以及BMS MONI-MONI-MONI-MONI-MONI-MONI-MONI-MON-MONI-MON-MON-TOUCTION电池电压和温度，并防止过电压。3日产叶包含一个30 kW h电池组，该电池组由192个小袋单元组成，该小袋单元在8细胞模块，4和通过开路电压（OCV）和电荷计数（CC）方法组成。5此模块化BMS设计的可用数据范围有限，因此显示的范围值充其量是一个粗略的估计值。此外，模块级方法意味着它无法响应单个单元失败
汽车行业的先进聚烯烃
这项先进的技术使工程师能够从统计上模拟成型过程的所有阶段以及零件寿命的实际工作条件。有限元方法的结构设计有助于确定设计复杂系统（如仪表板组件）的最佳方案。模拟软件会分析静态载荷、振动、热膨胀、可能的蠕变效应（由于日照）和自发动态条件（例如，由头部或行人撞击引起）等条件，同时考虑材料应变率和温度依赖性的非线性行为。工艺模拟可帮助工程师在项目的早期阶段（工艺选项可行性、材料选择）或最终模具细节定义中设计模具和工艺参数。例如，在注塑应用中，可以模拟工艺的所有阶段，从填充和保压阶段开始，到模内冷却过程，再到后提取行为（收缩/翘曲）。
可解释的强化学习：调查和比较审查
可解释的强化学习（XRL）是可解释的机器学习的新兴子场，近年来引起了相当大的关注。XRL的目标是阐明在顺序决策设置中加强学习（RL）代理的决策过程。配备了这些信息，从业人员可以更好地理解有关RL代理（尤其是在现实世界中部署的代理人）的重要问题，例如代理商将要做什么和原因。尽管兴趣提高，但在组织众多论文的文献中仍存在差距，尤其是以某种方式集中了问题的决策性质。在本调查中，我们提出了一种新的分类法，以组织优先级RL设置的XRL文献。我们提出了三个高级类别：特征重要性，学习过程和马尔可夫决策过程以及政策级别。我们根据这种分类法概述技术，强调了未来工作的挑战和机会。我们通过利用这些差距来激励和概述未来工作的路线图。
监视锂的充电状态和体积扩展...
该角色通常由电池管理系统（BMS）提供，该系统利用简单的电流，电压和脾气测量值来监视SOC和SOH在包装或模块级别上。流行的EV模型利用细胞组织为由中央BMS控制的模块。例如，特斯拉模型S包含7140×18 650个细胞（在16个平行和6个串联细胞的16个模块中），2个和2个串联电池，以及BMS MONI-MONI-MONI-MONI-MONI-MONI-MONI-MON-MONI-MON-MON-TOUCTION电池电压和温度，并防止过电压。3日产叶包含一个30 kW h电池组，该电池组由192个小袋单元组成，该小袋单元在8细胞模块，4和通过开路电压（OCV）和电荷计数（CC）方法组成。5此模块化BMS设计的可用数据范围有限，因此显示的范围值充其量是一个粗略的估计值。此外，模块级方法意味着它无法响应单个单元失败
人脑成年海马神经发生的空间转录组分析
在25年前大约在25年前首次提出了人齿状回（DG）的成年海马神经发生（DG）。1成年人类脑中的成年海马神经起源已得到广泛研究，但主要采用免疫组织化学方法，得出了高度不一致的结论。2–9文献中关于人脑中成年海马神经发生的程度的争议可以归因于广泛的因素，包括大脑标本10-12的差异以及用于鉴定用于鉴定抗体的神经源性细胞类型的免疫组织化学方案，用于识别人类Neuurogense的4,13，该协议识别4,13。11这些差异最终导致了关于成年人类海马中标记的不同神经源细胞免疫的结论。例如，在各种免疫组织化学研究中已广泛使用双核（DCX）抗体来表征
生物医学研究和生物银行中 AI 伦理的文献综述
摘要背景：人工智能 (AI) 正变得越来越重要，尤其是在以数据为中心的领域，例如生物医学研究和生物银行。然而，人工智能不仅提供了优势和可观的收益，而且还带来了道德风险和危险。近年来，人们对人工智能伦理的兴趣日益浓厚，这反映在大量涉及人工智能伦理主题的 (科学) 文献中。本评论的主要目标是： (1) 概述重要的 (即将推出的) 人工智能伦理法规和国际建议以及与生物医学研究相关的可用人工智能伦理工具和框架， (2) 确定人工智能伦理可以从传统生物医学研究伦理学的发现中学到什么——特别是研究生物银行领域的伦理学，以及 (3) 概述生物医学研究中人工智能伦理领域的主要研究问题。方法：我们采用了改进的主题审查方法，重点是了解与生物医学相关的人工智能伦理方面
循环商业模式的人工智能能力
本研究通过文献综述探讨了人工智能能力与循环商业模式 (CBM) 之间的相互联系。现有文献表明，人工智能可以充当效率催化剂，使企业能够实施 CBM。然而，由于企业缺乏复杂的流程和惯例来挖掘人工智能的潜力，利用人工智能进行 CBM 的旅程充满挑战。零散的文献使我们无法理解人工智能能力在 CBM 环境中的障碍和发展途径。为了弥合这一差距，本综述采用能力视角，巧妙地将四种关键能力结合在一起：综合智能能力、流程自动化和增强能力、人工智能基础设施和平台能力以及生态系统编排能力，作为人工智能支持的 CBM 的驱动因素。这些能力对于克服利用人工智能进行 CBM 的多层次障碍至关重要。这项研究的主要贡献是综合了一个人工智能支持的 CBM 框架，它不仅总结了结果，而且为未来在这个充满活力的领域的探索奠定了基础。
1575A/1590 - 校准设备追踪器
ITS-90 规定使用 2.5 欧姆和 0.25 欧姆 SPRT 作为银点 (962°C) 高温标准。这种非常小的电阻很难测量，通常只能用电阻桥测量。超级温度计直接解决 ITS-90 问题，绝对是最具成本效益的解决方案。此外，25 欧姆 SPRT 的分辨率为 0.0001°C。可以轻松进行比较校准或针对主要标准固定点的校准。两种仪器都有两个通道，可同时处理两个探头。显示和记录实际温度，或选择直接从屏幕读取两者之间的差异。两种超级温度计都有自己的板载电阻器。每个都是高稳定性、低热系数、四端子电阻器，适用于温度计的每个电阻范围：0.25 欧姆、2.5 欧姆、10 欧姆、25 欧姆、100 欧姆和热敏电阻范围。电阻器安装在内部温控烤箱中。还有什么更好的吗？嗯，实际上确实如此。
自动过渡金属催化剂发现和优化AI和机器学习
在AI/机器学习（ML）的帮助下，自动化的化学空间探索是现代化学发现中非常重要的方法。在有机化合物的该区域中的进展已导致第一个AI发现的活性药物成分（API）进入II期试验。[1,2]通过有机金属化合物的化学空间探索，可以将相同的好处扩展到催化剂发现。但是，由于其他限制，例如协调几何和综合性，例如旋转状态，催化剂稳定性和选择性等。由于需要计算和/或估计激发态和过渡状态的属性，因此与API发现相比，与API发现相比，评估催化剂的所需功能在计算筛选中也更为需要计算。在同型催化中，诸如溶剂，温度和添加剂等其他维度可能会对反应结果产生重大影响，并且需要包括在评估方法中。合成催化反应通常涉及化学和立体选择性，竞争侧反应以及多个可能的可能性
对聚磷酸/无机硅酸盐阻燃剂从环氧树脂转移到分层玻璃纤维增强复合材料及其Furnace后弯曲性能
The modification of epoxy resins (EP) systems and glass fiber-reinforced epoxy composites (GFRECs) for flame retardancy applications in these industries is critical, owing to the wide range of material characteristics of these resin systems, including highly desirable mechani- cal properties, easy processing, low shrinkage during resin curing, and good adhesion to glass fibers.2加法 - 由于其允许轻巧的能力，GFREC的需求很高，以减少火车，船只或飞机的总体质量，从而提高燃油效率。3,4这项研究是对双酚A（DGEBA）的二甘油乙醚进行的，该研究因其潜在的通用应用从电气零件到航空航天行业而被选为基质。5但是，DGEBA高度易燃，因此需要使用添加剂来增强其阻燃性。6在纯树脂（NR）中的FRS的加工性存在，特别是对于基于溶剂的系统，例如含有反应性阻燃的部分7 - 9和非反应性磷酸化合物，例如9,10-10-dihydro-9-ihydro-9-oxa-10-oxa-10-磷酸磷酸化合物，尤其是针对基于溶剂的系统。10 - 12