XiaoMi-AI文件搜索系统
World File Search Systemcaltech
亚历山大·霍夫曼（Alexander Hoffmann） - 信号系统实验室 - UCLA
ahoffmann@ucla.edu叙述我是UCLA的微生物学和免疫学教授，信号系统实验室的PI，自2013年以来，自2013年以来，定量和计算生物科学研究所（QC Bio）（QC Bio）主任，该研究所的教育和培训跨越了50多个教育和培训，该计划是该教育和培训的培训，并培训了学生，并毕业于研究生，并毕业于研究生。我拥有物理学和动物学（剑桥大学）的本科学位，并归功于我的博士学位培训归功于Robert Roeder（Rockefeller University）在生物化学和分子生物学领域，以及我对免疫信号和系统免疫学的David Baltimore（MIT和Caltech）的博士后培训。我开发了计算生物学专业知识作为博士后，以及我在加州大学，UCSD和UCLA的许多计算学员和同事。我的实验室研究重点是控制先天和适应性免疫反应的分子和细胞机制。一个中心主题是这些网络的动力学决定了功能特异性。i首先阐明了“时间代码”的概念，该概念在信号传导字段中产生了广泛的影响。我的实验室揭示了如何通过大量反馈和其他调节基序“编码”免疫反应信号传导动力学。我们已经表明，在疾病环境中，动力学发生了变化，并且可能是针对药物的。我们已经阐明了如何通过基因调节网络解码信号动力学，以控制刺激特异性基因的表达，细胞命运决策，从而控制了免疫细胞种群动力学。目前，我指挥NIH-和NSF资助的基因组学（B.I.G.）我们的系统生物学研究正在产生多功能，上下文依赖性巨噬细胞和产生抗体库的B细胞的预测细胞模型。我旨在推进跨学科研究和教育，以利用技术，计算和定量科学的机会。到目前为止，我已经在几个层面的生物科学中追求了这一目标：（i）通过在实验室中开发系统生物学方法，重点关注控制免疫的信号和基因调节网络，（II）通过通过UCSD的生物学家研究所（2009年）和Sanivo Biositios for Systems Biolosios for Systems Biolosios for Systems Biolosios for Systems Biolosios for Systems Biolosios for Systems Biolosios for Systems Biogios和2010年，以及2010年，以及（2010年），以及促进系统生物学，以及（QCB）在UCLA（2014）涉及广泛的教师招聘，空间翻新，中心和计划赠款以及教育计划，例如在UCLA（III）的多轨计算生物学专业和次要的教育计划，通过建立和/或改造UCSD的研究生培训，例如UCSD的生物信息和系统生物学（2009年），诸如UCSD加州大学洛杉矶分校的生物信息学研究生计划（2014年）和生物医学大数据培训计划（2015年）。我致力于促进作为导师的多样性，公平和包容性的范围，并为外展活动促进，以及在各种行政能力中，例如部门多样性委员会主席（2009- 2012年），学术参议院多样性与公平委员会（2005-2011）以及校长的多元化委员会（2011年 - 2011年学生）（2011年至2011年至2011年），该委员会（2005- 2011年）对危机的反应。关于反种族主义工作队（2021）我共同撰写了用于机构变革的蓝图，为VC研究提供了建议，并制定了教师评估标准。夏季本科研究计划，将申请人池多样化为生物信息学，基因组学，系统生物学的研究生计划。
专注于神经形态计算的基准
神经形态（脑启发）计算技术一直引起了研究人员的关注。最近，这种兴趣已经扩展到了商业领域，IBM和英特尔等主要工业参与者探索了技术，以及将神经形态解决方案商业化的启动公司，例如在低功率边缘系统中推断应用程序，通过到GPU的数据中心规模的替代方案，用于大型语言模型的GPU替代方案。随着这种商业兴趣的日益增长的重要性，能够比较和对比替代神经形态产品的优势和劣势，范围从米德（Mead）通过新颖的设备技术（例如，诸如Memristors）（例如，诸如MEAD）提供了基于内在的数字技术和大型数字技术的新型设备技术（例如，通过新颖的设备技术）提供的新型设备技术（例如，通过新型设备技术）偏爱米德（Mead）的开创性工作的替代性和缺点。这种比较需要基准作为比较的基础，但是当前神经形态技术的纯粹多样性为前瞻性基准带来了困难。这个重点问题旨在汇集一些关于神经形态基准测试的一些早期思考。这有各种形式，包括比较在两个不同的神经形态平台上的相同应用程序，并查看哪些应用显示出比常规解决方案具有神经形态优势。收集的论文代表了关于神经形态基准挑战的早期观点，但它们与此事的最后一句话相去甚远 - 在这里还有很多事情要做！
在平等中偏爱一个 - 不是一个好主意：基于变形金刚的人行人检测的多对一匹配
与基于卷积神经网络（CNN）相比，我们研究了基于变压器的行人检测模型较低性能的原因。CNN模型会产生密集的行人建议，单独完善每个建议，然后对其进行非最大抑制（NMS）的跟进，以产生稀疏的预测。在争论中，变压器模型每个地面真相（GT）行人盒选择一个建议，然后从中选择了正面的正态。所有其他建议，其中许多与选定的建议高度相似，都通过了负梯度。尽管这导致了稀疏的预测，从而消除了NM的需求，但在许多类似的建议中，任意选择，有效的训练和较低的行人检测准确性。为了减轻问题，我们建议基于Min-Cost-Flow的配方，而不是常用的Kuhn-Munkres匹配算法，并纳入了诸如每个地面真相盒的约束，并且与一个建议的提案相匹配，并且许多同样好的建议可以与单个地面真相盒相匹配。我们提出了基于匹配算法的第一个基于变压器的行人检测模型。广泛的实验表明，我们的方法达到了3个失误率（较低）3。7 /17。4 /21。8/8。3/2。0在Eurocity / tju-traffic / tju-校园 /城市专家 /加州理工学院数据集中，而4个。7/18。7/24。8/8。5/3。 1通过当前的sota。 代码可从https://ajayshastry08.github.io/flow_ matcher 获得。5/3。1通过当前的sota。代码可从https://ajayshastry08.github.io/flow_ matcher
SIHAM YOUSUF ALQARADAWI，博士，FRSC
过去 37 年来，我一直在卡塔尔大学任教。在我的职业生涯中，我教授过许多有机化学课程，包括光化学和研究项目。我的研究兴趣包括二氧化碳转化、锂电池和有机太阳能电池。我的 Elsevier Scopus H 指数为 20，总引用次数超过 1270 次。在过去 3 年中，我成功地在《自然》杂志（科学报告）上发表了两篇文章。作为首席研究员，我获得了卡塔尔国家研究基金的各种竞争性资助，包括五大国家重点研究计划基金 (NPRP) 和本科生研究体验计划 (UREP)。我在国际期刊上发表了 65 多篇同行评审的出版物，并在不同的会议上发表了 65 多篇研究摘要和海报。我于 2011 年获得富布赖特研究奖学金。我在实验室指导许多学生、研究助理和博士后研究员，并担任许多化学期刊的审稿人。我曾多次获得英国格拉斯哥思克莱德大学（2000 年夏季）、德国汉堡大学（2002 年夏季）、德国汉诺威大学（2003 年夏季）、美国加州理工学院（2013 年夏季）的奖学金。我曾担任文理学院院长五年。在担任院长期间，我不仅建立了药学院，还于 2009 年获得了加拿大化学学会对化学项目的认证，于 2008 年获得了 NAACLS 对生物医学项目的认证。
编辑精选：Switch Therapeutics
能够引发 RNA 干扰 (RNAi) 的小干扰 RNA (siRNA) 药物已成为一种有前途的药物，能够抑制细胞内与疾病相关的基因的表达。然而，将它们送入正确的细胞却极具挑战性，因此只能用于治疗特定器官的疾病。这使得大量的潜在靶点尚未开发，而实现这些靶点的大部分努力都集中在开发新的递送系统，以帮助 siRNA 药物到达正确的器官。Switch Therapeutics 希望通过不同的方法开辟新的靶点空间，即在 siRNA 药物中构建一个分子“开关”，使它们能够在递送后仅在所需细胞中启动活性。将基因沉默限制在特定细胞（例如仅受疾病影响的细胞）可以降低脱靶效应的风险并改善治疗效果。Switch 的联合创始人在加州理工学院、希望之城和哈佛大学进行了多年的合作研究，才将他们最初的想法发展成一项技术。 Switch Therapeutics 首席执行官兼联合创始人 Dee Datta 表示：“最终，这三家机构围绕该平台生成了令人信服的数据，现在是时候考虑如何将其提升到一个新的水平了。”Switch Therapeutics 于 2023 年初凭借 5200 万美元的 A 轮融资脱颖而出。该公司正在研究一种可编程的 siRNA 分子，名为 CASi（条件激活 siRNA）。CASi 将单链和双链 RNA 的特征结合成一个三链分子。其中两条链是 siRNA 本身。第三条链是 siRNA 的第三条链。
外国高等教育PNS奖学金/ ... div>的final_alist
Div> 1马萨诸塞州理工学院（MIT）美国所有学科2英国牛津大学所有学科3哈佛大学美国所有学科4剑桥大学英格兰大学英格兰大学4个学科5斯坦福大学美国所有学科6加利福尼亚技术学院（加利福尼亚州）加利福尼亚州加利福尼亚州加利福尼亚州加利福尼亚州伯克利（UCB），UCB，UCB）宾夕法尼亚州美国所有学科12耶鲁大学美国所有学科13 UCL（伦敦大学学院）英格兰主题15芝加哥大学美国所有主题16美国康奈尔大学16美国所有学科17 Tsinghua University中国哥伦比亚大学哥伦比亚大学全部学科18哥伦比亚大学美国所有学科19 Johns Hopkins obsoce Canca美国所有主题23澳大利亚墨尔本大学所有受试者24东京大学日本大学都有25年爱丁堡大学英格兰大学所有学科26慕尼黑大学德国技术大学学科27密歇根大学 - 美国 - 美国ARBOR主题
sfm'24
国际计划委员会：海蒂·亚伯拉罕斯堡，约翰内斯堡大学，RSA，RSA，范德利·萨尔瓦多·巴格纳托，巴西圣保罗大学，沃尔特·布朗德尔大学，洛林（法国），韦伊·陈大学，韦伊·陈大学，美国中央俄克拉荷马大学（美国），美国卫生学院，曼尼普·曼尼普·曼尼普（Santhosh Chidangol），安德鲁斯（英国），玛丽亚·法尔萨里（Maria Farsari），前往希腊（希腊），Paul M.W.法语，帝国科学，技术与医学学院（英国），Mikhail Yu。Kirillin，应用物理研究所RAS，尼兹尼·诺夫哥罗德（俄罗斯），尤里·基斯内维（Yury V. Kistenev），汤姆斯克州立大学（俄罗斯），基里尔·拉林（Kirill V. Larin意大利国家研究委员会（CNR）（意大利），Juergen Popp，Inst。Photonic Technology，Jena（德国），Alexander V. Priezzhev，莫斯科州立大学。Photonic Technology，Jena（德国），Alexander V. Priezzhev，莫斯科州立大学。（俄罗斯），Lihong Wang，Caltech（美国），Ruikang K. Wang，华盛顿大学（美国），Valery P. Zakharov，Samara州立大学（俄罗斯），Zeev Zalevsky，Zeev Zalevsky，Bar Ilan University，Tel Aviv（以色列） Alexander P. Kuznetsov，拉斯（俄罗斯）无线电研究所（俄罗斯），玛丽安·马西尼克（Marian Marciniak），国家电信研究所（波兰）（波兰），莱昂尼德·A·梅尔尼科夫（Leonid A.大学，IPM＆C RAS（俄罗斯），Alexander P. Nizovtsev，NASB物理研究所（Belarus），Sergue I. Vinitsky，核研究所联合研究所（俄罗斯），Aleksey M. Zheltikov，Aleksey M. Zheltikov，Lomonosov Moscow Moscow莫斯科州立大学（俄罗斯）萨拉托夫州立大学（俄罗斯）Churochkin。
简介 - 免费
乔治·史汀生十几岁时还是一名业余无线电爱好者，他开始对无线电波着迷，并设计和制造了发射器和接收器。他第一次接触雷达是在第二次世界大战初期，当时他在斯坦福大学超高频实验室外的实验间隙测量海军飞艇的回波。获得电气工程学士学位后，他在加州理工学院学习了一些额外的课程，在鲍登学院和麻省理工学院的海军雷达学校学习，最后成为攻击运输机上的电子军官。战后，他担任南加州爱迪生变频项目的工程师，并在项目完成后加入了诺斯罗普的斯纳克导弹项目。在那里，他偶然涉足技术出版物和电影。1951 年，他被休斯飞机公司聘用，负责撰写一本广为流传的技术期刊《雷达拦截器》。在随后的几年里，他与公司的顶级设计师密切合作，亲眼目睹了机载雷达从第一批全天候拦截器的简单系统到当今先进的脉冲多普勒系统的迷人演变。他见证了第一枚雷达制导空对空导弹的发展、数字计算机首次融入小型机载雷达、激光雷达、SAR 和可编程数字信号处理器的诞生；他还看到了机载雷达技术向太空应用的扩展。1990 年退休后，他仍然活跃在该领域，在莫哈韦国家试飞员学校教授现代雷达短期课程，撰写有关休斯天线辐射图和 RCS 测量设施的技术手册，制作有关新型 HYSAR 雷达的全程叙述交互式多媒体演示，并为 1998 年版《美国百科全书》撰写有关雷达的文章。
AER Moonshot 的 Word 模板
我们感谢共同编辑 Emi Nakamura 和 Stefano DellaVigna，以及三位匿名审稿人的许多有益评论。我们还感谢 David Albouy、Nathaniel Baum-Snow、Adrien Bilal、Bruno Caprettini、William Collins、Rebecca Diamond、Jonathan Dingel、James Fenske、Lee Fleming、Andrew Garin、Nicolas Gendron-Carrier、Kirti Gupta、Douglas Hanley、Caroline Hoxby、Taylor Jaworski、Ben Jones、Larry Katz、Carl Kitchens、Ross Levine、Jeffrey Lin、Eric Mbakop、Enrico Moretti、Tom Nicholas、Carlianne Patrick、Elisabeth Perlman、Martin Rotemberg、Michel Serafinelli、Paolo Surico、Fabian Waldinger、Russell Weinstein、Jonathan V. Winters 和 Paolo Zacchia 的有益讨论。我们同样感谢伯克利、科罗拉多、哈佛、伊利诺伊、帝国理工学院、经济研究所、伦敦商学院、蒙特利尔、麦克马斯特、皇后大学、范德堡大学和华威大学的研讨会参与者，以及全加州大学/加州理工学院经济史、经济史协会、胡佛研究所 IP2、城市经济学协会、世界经济史大会、城市和区域经济学会议和 NBER DAE 会议的参与者。我们非常感谢美国国家科学基金会（拨款 1158794）、加拿大社会科学和人文研究委员会和 Westman 房地产研究中心的资金支持。我们感谢 IBM 档案馆的 Susan Greco、Taylor Jaworski、Carl Kitchens 和 Paul Rhode 分享数据。我们要特别感谢 Arthur Novaes de Amorim 的出色研究协助，也要感谢 Daniel Ma、Sam Plaquin、Timothy Rooney、Karen Sondergard 和 Connor Valde 的宝贵帮助。本文表达的观点为作者的观点，不一定反映美国国家科学基金会或美国国家经济研究局的观点。
自由空间光学脉冲神经网络
神经形态工程已成为开发大脑启发式计算系统的一种有前途的途径。然而，传统的基于电子人工智能的处理器经常遇到与处理速度和散热相关的挑战。作为一种替代方案，已经提出了此类处理器的光学实现，利用光的固有信息处理能力。在光学神经形态工程领域探索的各种光学神经网络 (ONN) 中，脉冲神经网络 (SNN) 在模拟人脑的计算原理方面表现出显著的成功。光学 SNN 基于事件的脉冲特性提供了低功耗操作、速度、时间处理、模拟计算和硬件效率方面的功能，这些功能很难或不可能与其他 ONN 类型相匹配。在这项工作中，我们介绍了开创性的自由空间光学深度脉冲卷积神经网络 (OSCNN)，这是一种受人眼计算模型启发的新方法。我们的 OSCNN 利用自由空间光学来提高功率效率和处理速度，同时保持模式检测的高精度。具体而言，我们的模型在初始层采用 Gabor 滤波器进行有效特征提取，并利用使用现成光学元件设计的强度到延迟转换和同步器等光学元件。OSCNN 在基准数据集（包括 MNIST、ETH80 和 Caltech）上进行了严格测试，显示出具有竞争力的分类准确性。我们的比较分析表明，OSCNN 仅消耗 1.6 W 的功率，处理速度为 2.44 毫秒，明显优于 GPU 上的传统电子 CNN，后者通常消耗 150-300 W，处理速度为 1-5 毫秒，并且与其他自由空间 ONN 相媲美。我们的贡献包括解决光学神经网络实现中的几个关键挑战。为了确保组件对准的纳米级精度，我们提出了先进的微定位系统和主动反馈控制机制。为了提高信号完整性，我们采用了高质量的光学元件、纠错算法、自适应光学和抗噪声编码方案。通过设计高速光电转换器、定制集成电路和先进的封装技术，优化了光学和电子元件的集成。此外，我们还利用高效、紧凑的半导体激光二极管，并开发了新颖的冷却策略，以最大限度地减少功耗和占地面积。