XiaoMi-AI文件搜索系统
World File Search Systemcation
在环境下2D MXENES中缺陷的碱性阳离子稳定和升高
1-印第安纳波利斯普渡大学印第安纳大学普渡大学工程与技术学院机械与能源工程和综合纳米系统发展研究所，印第安纳波利斯普渡大学，印第安纳波利斯，美国46202，美国2-纳米相物材料科学中心 - 橡树岭国家实验室，Oak Ridge，Oak Ridge，TN 37831，美国37831，Lemt septor，lem tn 37831，lem tn 37831 60439，美国4 -lukasiewicz研究网络 - 波兰波兰华沙的微电子和光子学研究所 - 计算科学与工程部，橡树岭国家实验室，橡树岭，田纳西州橡树岭，37831，美国6-美国6-美国材料工程学院，西拉法伊大学，西拉法伊特大学，机构，美国479907.99090799999090909090909.99090990909909090.990990990.990990990.990990990990990.990999999090.9909999099090.990型，拉斐特（Lafayette），美国47907 * - 通讯作者banasori@purdue.edu摘要过渡金属碳化物已在储能，转换和极端环境应用中采用。在其2D对应物中的进步（称为MXENES）可以在〜1 nm厚度尺度上设计独特的结构。碱阳离子在MXENES制造，存储和应用中至关重要，但是，这些阳离子与MXENES的精确相互作用尚不完全了解。在这项研究中，使用Ti 3 C 2 t X，Mo 2 TIC 2 T X和Mo 2 Ti 2 C 3 T X MXenes，我们介绍了如何通过碱阳离子占用过渡金属空位位点，以及它们对MXENE结构稳定的影响以控制Mxene的相变。在MXENES中，这代表了其2D基底平面的阳离子相互作用的基本面，用于MXENES稳定和应用。我们使用原位高温X射线衍射和扫描透射电子显微镜，原位技术（例如原子层分辨率二次离子质谱法）和密度功能理论模拟进行了检查。广义，这项研究证明了在原子量表上陶瓷理想相关关系的潜在新工具。引言过渡金属碳化物已用于氧化物缺乏潜力的独特应用中，例如其高熔点（例如，HFC的〜4,000°C），1,2导热率（例如WC的63 W·M -1·K -1），3和机械行为（弹性模量）（弹性模型最高为549 GPA）。4在当前的研究中，碳空缺5，快速加热，6或高贵的金属装饰7提供了修改过渡金属碳化物系统固有物质行为的工具。8-17尽管某些方法（例如闪光灯或长期烧结在低（〜750°C）的温度为理想性能提供了一定的相位控制，但有6,12仍有机会准确地控制过渡金属碳化物阶段，以实现理想相位关系的阶段。18在2011年引入MXENES，将过渡金属碳化物推向了2D领域，19已增加了一个多种多样，可调节的家族，包括少量原子（〜1 nm厚）（〜1 nm-thick）和溶液处理的过渡金属碳化物，并将其添加到材料科学上。20,21 mxenes的化学多样性通过其广泛的化学式M n +1 x n t x显而易见，其中m代表一个或多个3 d -5 d和3-6组的n +1层，x代表N层的碳和/或氮气和/或氮气的n层
设计阴离子和阳离子共掺杂的Na3sb（wm）（x）S-4（...
Lingjun Shu，Jingxuan Yin，Zhemin Gon，C Gao，Yongxing Liu等。设计了阴离子和阳离子共掺杂的Na3SB（WM）（X）S-4（M = Cl，Br，I）硫化物电解质，具有改善的电导率和稳定的界面质量。道尔顿交易，2023，10.1039/d3dt01151h。hal-04115631
文章 综合知识驱动的空气分类过程人工智能系统
摘要：空气分级装置与其他用于分离材料的系统相比具有明显的优势。它们最大限度地提高了磨机的产能，因此构成了降低破碎和研磨操作能耗的有效方法。由于其性能的改进具有挑战性，因此开发一种有效的建模系统具有重要的实际意义。本文介绍了一种新颖的基于知识的散装材料分类 (FLClass) 系统。研究中考虑了广泛的操作参数：进料材料的平均质量和 Sauter 平均直径、分级机转子速度、工作气压和测试进行时间。输出变量是 Sauter 平均直径和分类产品的切割尺寸，以及工艺性能。该模型已根据实验数据成功验证。测量数据和预测数据之间的最大相对误差低于 9%。所提出的基于模糊逻辑的方法允许对要进行的过程进行优化研究。对于考虑的输入参数范围，分类过程的最高性能几乎等于 362 g/min。据我们所知，本文是公开文献中第一篇涉及模糊逻辑方法对散装材料空气分类过程进行建模的论文。
用于图像分类的混合量子-经典卷积神经网络模型
摘要 — 图像分类在遥感中起着重要作用。地球观测 (EO) 不可避免地进入了大数据时代，但对计算能力的高要求已经成为使用复杂机器学习模型分析大量遥感数据的瓶颈。利用量子计算可能有助于解决这一挑战，因为它可以利用量子特性。本文介绍了一种混合量子-经典卷积神经网络 (QC-CNN)，它应用量子计算有效地从 EO 数据中提取高级关键特征以进行分类。此外，采用振幅编码技术减少了所需的量子位资源。复杂度分析表明，与经典模型相比，所提出的模型可以加速卷积运算。通过 TensorFlow Quantum 平台，使用不同的 EO 基准（包括 Overhead-MNIST、So2Sat LCZ42、PatternNet、RSI-CB256 和 NaSC-TG2）对模型性能进行评估，结果表明，该模型能够取得比经典模型更优的性能，且具有更高的泛化能力，验证了 QC-CNN 模型在 EO 数据分类任务上的有效性。
2020—2021 年核查发展和实施支持计划
原子能机构 2020-2021 年计划和预算 (GC(63)/2) 于 2019 年大会上获得批准，其中描述了两年期内需要开展的所有核准活动。其中还包含将分配给每项活动的核准预算。该计划的几项任务仍未获得资金。对于该部门而言，这部分未获得资金的资金在 2020-2021 两年期内为 6560 万欧元，高于上一两年期的 4570 万欧元。除了这些未获得资金的资源（人力或物力）外，还有大量其他资源无法轻易统计，但对于有效执行核查任务仍然至关重要。这些资源包括成员国开展的研发活动产生的新设备和软件、可用于测试或培训目的的核设施以及外部专家的贡献。有关主要计划 4：核核查和其他主要计划的更多信息，请访问 https://www.iaea.org/sites/default/files/gc/gc63-2.pdf。
使用 MR 图像进行脑肿瘤类型识别...
使用磁共振图像 (MRI) 检测脑肿瘤对于当代医学成像研究来说很困难。基本上，脑肿瘤是异常脑细胞的扩张，这些细胞扩张不规律，似乎不受控制。脑膜瘤、神经胶质瘤和垂体是最常见的三种肿瘤。早期识别对于成功治疗脑肿瘤至关重要。随着医学成像的发展，医生现在采用各种成像方法来诊断脑肿瘤，如 fMRI、EEG 等。这些成像方法可以通过提供脑肿瘤位置、大小和形状的详细信息，帮助临床医生建立准确的诊断并制定治疗策略。特征提取和分类是脑肿瘤分类的两个步骤。在某些早期研究中，经常使用两种传统的手动特征提取方法来提取脑肿瘤图像的强度和纹理等细节。这项工作采用了
用于对同时发生的EEG-fNIRS信号进行分类的深度循环卷积神经网络
摘要：脑机接口（BCI）是大脑与外界进行通信的强大系统。传统的BCI系统仅基于EEG信号工作。最近，研究人员使用EEG信号与其他信号的组合来提高BCI系统的性能。在这些信号中，EEG与fNIRS的结合取得了良好的效果。在大多数研究中，仅将EEG或fNIR视为链状序列，并且没有考虑相邻信号之间的复杂相关性，无论是时间还是通道位置。在本文中，引入了一个深度神经网络模型，通过引入时间和空间特征来识别人脑的精确目标。所提出的模型结合了EEG和fNIRS信号之间的空间关系。这可以通过将这些链状信号的序列转换为分层的三阶张量来实现。测试表明，所提出的模型的精度为99.6％。 关键词：EEG，fNIRS，混合BCI，深度学习，空间，时间。
基于深度学习的乳腺癌亚型分类模型
摘要。乳腺癌长期以来一直是女性死亡的主要原因。由于能够记录基因表达数据的 RNA 测序工具的出现，现在诊断、治疗和预后已成为可能。分子亚型与制定临床策略和预后密切相关，本文重点介绍如何使用基因表达数据将乳腺癌分为四种亚型，即 Basal、Her2、LumA 和 LumB。在第 1 阶段，我们提出了一种基于深度学习的模型，该模型使用自动编码器来降低维数。通过使用自动编码器，特征集的大小从 20,530 个基因表达值减少到 500 个。该编码表示被传递到第二阶段的深度神经网络，以将患者分为四种乳腺癌分子亚型。通过部署第 1 阶段和第 2 阶段的组合网络，我们已经能够在 TCGA 乳腺癌数据集上获得 0.907 的平均 10 倍测试准确率。所提出的框架在 10 次不同的运行中都相当稳健，如分类准确度的箱线图所示。与文献中报道的相关工作相比，我们取得了有竞争力的结果。总之，所提出的基于两阶段深度学习的模型能够准确地对四种乳腺癌亚型进行分类，突出了自动编码器推断紧凑表示的能力和神经网络分类器正确标记乳腺癌患者的能力。
用于可解释的多变量时间序列分类的多模态原型学习
多变量时间序列分类问题在生物学和金融等多个领域越来越普遍和复杂。虽然深度学习方法是解决这些问题的有效工具，但它们往往缺乏可解释性。在这项工作中，我们提出了一种用于多变量时间序列分类的新型模块化原型学习框架。在我们框架的第一阶段，编码器独立地从每个变量中提取特征。原型层在生成的特征空间中识别单变量原型。我们框架的下一阶段根据多变量时间序列样本点与这些单变量原型的相似性来表示它们。这会产生一种固有可解释的多变量模式表示，原型学习应用于提取代表性示例，即多变量原型。因此，我们的框架能够明确识别各个变量中的信息模式以及变量之间的关系。我们在具有嵌入模式的模拟数据集以及真实的人类活动识别问题上验证了我们的框架。我们的框架在这些任务上实现了与现有时间序列分类方法相当或更优异的分类性能。在模拟数据集上，我们发现我们的模型返回与嵌入模式一致的解释。此外，在活动识别数据集上学习到的解释与领域知识一致。