XiaoMi-AI文件搜索系统
World File Search Systemc80
锂离子电池安全性的实验研究和建模
evs/phevs电动汽车/插电式混合动力电动汽车FMECA故障模式，效果和关键分析SOC的电荷型HEV混合动力汽车PHEV插件插件混合电动汽车BEV电池电动汽车IEA IEA国际能源ACEA ACEA欧洲汽车公司欧洲汽车制造商' lithium polymer SEI solid electrochemistry interphase IEC International Electrotechnical Commission TR Thermal runaway DSC differential scanning calorimeter ARC accelerated rate calorimetry C80 Calvet calorimeter SH self-heating XPS X-ray photoelectron spectroscopy TOF-SIMS Time Of Flight - Secondary Ion Mass Spectrometry NMR MAS Nuclear magnetic resonance Magic angle spinning XRD X射线衍射EPO EPO欧洲专利办公室PEO聚乙烯氧化物PVD物理蒸气沉积PEG聚乙烯甘油CMC CMC羧甲基纤维素磷酸铁磷酸铁含液含量LMC甲酸甲酯
使用窦性声学对肋骨加固木地板进行参数测量...
英国剑桥大学、英国剑桥奥雅纳声学公司和意大利威尼斯圣乔治-CNR 基金会学校联合开展了一项研究项目，旨在调查 16 世纪威尼斯声乐复调音乐背景下音乐与演奏建筑空间之间的关系。这项研究选择了最具代表性的教堂——圣马可教堂、教区教堂、医院和修道院，并由剑桥大学圣约翰学院合唱团在这些教堂内演奏音乐。观众完成了对空间声学质量的评估问卷。然后对观众和专家评分的结果进行统计分析，并将其与在相同位置测量的一组房间声学指数相关联。本文将说明实验和数据分析的技术方面。主要结论如下：1. 混响的主观印象与 EDT 和 T30 以及音乐清晰度与 C80 之间存在很强的相关性；2. 通过分析混响时间，发现了按类型对教堂的分组；3. 对于涉及复音的音乐表演，EDT 最长的教堂的清晰度较差。
OsPPR9 编码 DYW 型 PPR 蛋白，影响编辑效率
摘要 光合作用主要发生在叶绿体中，叶绿体的发育受核基因编码的蛋白质调控，其中五肽重复（PPR）蛋白参与细胞器RNA编辑。虽然水稻PPR蛋白家族有450多个成员，但目前只有少数蛋白被证明能影响水稻叶绿体中的RNA编辑。利用基因编辑技术创造新的水稻种质和突变体，可用于水稻育种和基因功能研究。本研究评估了OsPPR9在水稻叶绿体RNA编辑中的作用。利用CRISPR/Cas9技术获得的Osppr9突变体表现出叶片黄化和致死表型，与叶绿体发育相关的基因表达受到抑制，以及光合相关蛋白的积累。此外，OsPPR9 蛋白功能的丧失降低了 rps8 -C182、rpoC2 -C4106、rps14 -C80 和 ndhB -C611 RNA 编辑位点的编辑效率，从而影响水稻叶绿体的生长和发育。我们的数据表明，OsPPR9 在水稻叶片中高表达，并编码一个定位于叶绿体的 DYW-PPR 蛋白。此外，OsPPR9 蛋白被证明与 OsMORF2 和 OsMORF9 相互作用。总之，我们的研究结果为 PPR 蛋白在调控水稻叶绿体发育中的作用提供了新的见解。关键词：水稻 (Oryza sativa L.)，PPR 蛋白，叶绿体发育，RNA 编辑 1
金融领域的人工智能与机器学习
在 2020 年代，人工智能 (AI) 日益成为一种主导技术，得益于新的计算机技术，机器学习 (ML) 近年来也经历了显着增长；然而，人工智能 (AI) 需要杰出的数据科学家和工程师的创新才能发展。因此，在本文中，我们旨在推断金融研究中人工智能和机器学习的智力发展，采用范围界定审查与嵌入式审查相结合的方式，以追踪和审查这些概念的服务。对于技术文献综述，我们逐步采用范围界定审查方法的五个阶段以及 Donthu 等人 (2021) 的文献计量审查方法。本文重点介绍了发达国家和新兴国家金融领域人工智能和机器学习应用的趋势（从 1989 年到 2022 年）。主要目的是强调阐明人工智能和机器学习在金融中的应用的几种研究类型的细节。我们的研究结果总结并发展为七个领域：（1）投资组合管理和机器人咨询，（2）风险管理和财务困境（3），金融欺诈检测和反洗钱，（4）情绪分析和投资者行为，（5）算法股票市场预测和高频交易，（6）数据保护和网络安全，（7）大数据分析，区块链，金融科技。此外，我们在每个领域展示了人工智能和机器学习的研究如何增强当前的金融部门，以及它们在为无数金融机构和组织提供可能性和解决方案方面所做的贡献。最后，我们根据人工智能和机器学习应用的七个领域对 110 份文件进行了全球地图审查。关键词：人工智能、机器学习、金融、范围审查、卡萨布兰卡交易所市场。JEL 分类：C80 论文类型：理论研究
我的江博士博士 div>
C88 @liu，Z.，Dou，G.，@tan，Z.，Tian，Y.，Jiang，M。“通过机器学习，迈向更安全的大型语言模型”，在计算语言学协会年度会议（ACL）的年度会议中，2024年，2024年。C87 Sun，L。和许多其他包括Jiang，M的M。“ Trustllm：大语言模型中的可信赖性”，在国际马克内斯学习会议论文集（ICML），2024年。（位置纸）C86 Qin，R.，Xia，J.，Jia，Z.，Jiang，M.，Abbasi，A.，Zhou，P.，Hu，J.，Shi，Shi，Y。“在设计自动化会议会议论文集（DAC），2024年。C85 @Wu，Z.，Jiang，M.，Shen，C。“指导大型语言模型以识别和忽略无关紧要的条件”，在计算语言学协会（NAACL）的年度会议论文集，2024年。C85 @Wu，Z.，Jiang，M.，Shen，C。“指导大型语言模型以识别和忽略无关紧要的条件”，在计算语言学协会（NAACL）的年度会议论文集，2024年。C84 *Kuang，Y.，Lin，H.，Jiang，M。“ OpenFMNAV：通过视觉语言基础模型进行开放设定的零射击对象导航”，在北美北美分会的北美北美会议的结果（NAACL）（NAACL）（NAACL）的发现中C83 @Wu，Z.，Jiang，M.，Shen，C。“在AAAI人工智能会议论文集（AAAI），2024年，（接受率23.8％= 2342/9862）C82 @yu，M.，@zhang，Z.， @yu，W.，Jiang，M。“比较推理的预培训语言模型”（口头演示）C81 @yu，W.，Jiang，M.，Clark，P.，Sabharwal，A。（海报）“ IFQA：一个用于反事实前提下回答的开放域问题的数据集”，在自然语言处理经验方法会议（EMNLP）中的研究中，2023年。(Selected for Outstanding Paper Award ) C80 @Zhang, Z., Wang, S., @Yu, W., Xu, Y., Iter, D., @Zeng, Q., Liu, Y., Zhu, C., Jiang, M. “Auto-Instruct: Automatic Instruction Generation and Ranking for Black-Box Language Models”, in Findings of Conference on Empirical Methods in Natural Language Processing (EMNLP), 2023.c79 @liu，G.，@inae，E.，@zhao，T.，Xu，J.，Luo，T。，Jiang，M。“以数据为中心的数据以数据为中心的图形学习具有扩散模型”（ACCEPTAS率26.1％= 3222/12343）C78 @liu，G.，@zhao，t.，@inae，E.，Luo，T.（接受率22.1％= 313/1416）C77 @ziems，N.， @yu，W。，@zhang，Z.C76 @liu，G.，Jiang，M。“解释与反事实的AI信息的入侵检测”，在IEEE国际委员会通信会议论文集（InfoCom），2023年。