XiaoMi-AI文件搜索系统
World File Search Systemensemble
大脑肿瘤的基于深度学习的合奏模型...
摘要：神经胶质瘤是一种快速生长的脑肿瘤，其中肿瘤的形状，大小和位置因患者而异。在放射科医生的帮助下，手动提取感兴趣的区域（肿瘤）非常困难且耗时。为了克服这一Pro -Blem，我们提出了一种完全自动化的深度学习 - 基于脑肿瘤分割的集合方法，对四个不同的3D多模式磁共振ima -ging（MRI）扫描。分割是由三个最有效的编码器 - 分解的segmen -tation及其结果通过众所周知的分割指标来测量的。然后，对模型进行了统计分析，并通过考虑使用特定MRI模式的最高Matthews相关系数来设计集合模型。本文有两个主要贡献：首先是三个模型的详细比较，第二个通过基于分割精度组合三个模型来提出集合模型。使用脑肿瘤分割（BRAT）2017数据集评估该模型，最终组合模型的F 1得分分别为0.92、0.95、0.93和0.84，分别为整个肿瘤，核心，增强肿瘤和水肿子 - 肿瘤。实验结果表明，该模型的表现优于艺术状态。
一种用于增强大规模人口整体预测能力的分裂分层聚类方法：ATHLOS项目
摘要Athlos队列由与健康和衰老有关的几个协调数据集组成。结果，健康的衰老指数是基于16个单个螺柱的一系列变量来构建的。在本文中，我们考虑了ATHLOS中发现的其他变量，并研究了它们用于预测健康衰老指数的利用。为此目的，在数据集的数量和多样性的驱动下，我们将注意力集中在数据聚类上，在该数据集群上，无监督的学习被用来增强预测能力。因此，我们显示了利用隐藏数据结构的预测实用性。此外，我们证明，在使用适当的分层聚类（在集合分类方案的聚类中），同时保留预测益处时，可以超越施加的计算瓶颈。我们提出了一种根据基线方法和原始概念进行评估的完整方法。结果非常令人鼓舞，暗示了这种指导中的进一步发展以及在具有相似特征的任务中的应用。还提供了R项目的直接开源实现（https：//github。com/petros-barmp as/hcep）。关键字：聚类，预测增强，Athlos队列，集合方法
与...
在本文中，我们研究了两个氮 - 牙术中心集合的实验系统的纠缠，该实验系统最初被挤压在单轴扭曲的哈密顿量下。我们考虑了三种情况，其中最初的挤压和纠缠是由声子或光子介导的：（a）声子式的光子符号符号符合的场景，（b）声子式的声子 - 声子 - 纠缠的方案，以及（c）PhotoN-Squeeezed Photon-Squeezed Photon-squeezed phot-endenangled-entangendenangled。为了进行调查，我们采用了Tavis-Cummings模型，其中包括集体旋转合奏的耗散性耗散性，并使用量子主方程的方法分析了系统相对较少的旋转和大量旋转的极限。尽管文献中有关理想化的耦合振荡器系统和量子踢的量子的证据表明，初始挤压可以增强纠缠，但我们发现，在本文研究的现实系统中，初始挤压可以在两种旋转旋转Ensem的特定方式中相互作用。在旋转的参考框架中使用荷斯坦 - 帕里马科的转化和wigner特性功能进行分析表明，纠缠增强是微妙的结果，这是一个微妙的后果，其耗散性折叠旋转集体旋转整体的状态的状态使得增强的增强取决于时间变化的旋转状态，这取决于初始spereee和speereee soseee of Intir-Sporeee of Intir-Squeeee的存在。
全球气候变化下太阳能潜力的未来：CMIP6 多模型集合分析
联合国可持续发展目标 (SDG) 强调了利用可再生能源在不损害全球排放目标的情况下增加清洁能源使用量的重要性。本研究探讨了气候变化对近期（2015 年至 2040 年）和远期（2041 年至 2100 年）全球太阳能潜力的影响。评估使用了参与耦合模型比较计划第 6 阶段 (CMIP6) 的五个大气环流模型 (GCM) 模拟的三个不同共享社会经济路径 (SSP) e SSP1-2.6、SSP2-4.5 和 SSP5-8.5 的能源变量。研究发现，北半球秋季印度次大陆和中国的光伏 (PV) 潜力下降了 6% 至 10%（相对于 1981 至 2014 年的气候数据），这可能与季风后云量增加有关。北美和澳大利亚出现了持续下降，而在欧洲，即使在最坏的排放情景 (SSP5-8.5) 下，光伏潜力的预计下降也仅限于北半球冬季，因此不会对未来的光伏电力规划构成真正的威胁。然而，南半球夏季非洲光伏潜力的轻微下降和全球聚光太阳能 (CSP) 的持续下降与早期的研究相矛盾。© 2022 Elsevier Ltd. 保留所有权利。
基于单个电子自旋和量子点中核自旋集合存储器的量子中继器
受量子点核自旋控制和操纵方面的最新进展的启发，这些进展允许将电子自旋态转移到周围的核自旋集合中进行存储，我们提出了一种量子中继器方案，该方案结合了单个量子点电子自旋和核自旋集合，分别用作自旋光子接口和量子存储器。我们考虑使用嵌入高协同性光学微腔中的低应变量子点。量子点核自旋集合允许长期存储纠缠态，并且预示着纠缠交换是使用腔辅助门执行的。我们重点介绍了实现量子中继器方案所需的量子点技术的进步，该方案有望建立长距离高保真纠缠，其分布速率超过光子的直接传输。
BTK和CIAP1蛋白质降解器三元复合物的快照和合奏
杂功能嵌合降解器是一类配体，它们募集靶蛋白到E3泛素连接酶以驱动化合物依赖性蛋白质降解。对作用机理至关重要的是靶，降解器和E3连接酶之间形成三元复合物，以促进泛素化和随后的降解。然而，存在对三元复合物结构的有限见解，包括几乎没有对最广泛选择的E3，凋亡1的细胞抑制剂的研究（CIAP1）。我们的结果揭示了独特的三元复合结构的见解，并表明增加的三元复合稳定性/刚度不一定总是与提高的降解效率相关。
使用一组可解释的人工智能模型揭示协同药物反应的表达特征
复杂的机器学习模型有望通过帮助医生根据分子特征选择最佳的抗癌药物组合来彻底改变急性髓系白血病 (AML) 等疾病的治疗。虽然准确的预测很重要，但了解抗癌药物协同作用的潜在分子基础也同样重要。可解释的人工智能 (XAI) 为数据驱动的癌症药理学提供了一种有前途的新途径，将高度准确的模型与可解释的模型决策见解相结合。然而，由于癌症转录组数据具有高度相关性和高维性，我们发现现有的 XAI 方法在应用于大型转录组数据集时并不理想。我们展示了一种基于模型集成的新方法如何帮助提高解释的质量。然后，我们使用我们的方法来证明造血分化特征是各种抗 AML 药物组合协同作用的基础。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
聊天机器人与人工智能的互动：使用 T5 和语言转换器集成进行文本分类的人类数据增强
摘要 在本研究中，我们提出了聊天机器人与人工智能交互 (CI-AI) 框架，作为一种训练基于转换器的聊天机器人类架构的方法，用于任务分类，重点是人与机器的自然交互，而不是界面、代码或正式命令。智能系统通过人工释义来增强人类来源的数据，以便为自然语言处理 (NLP) 的进一步经典、注意力和基于语言转换的学习方法生成大量训练数据。要求人类释义命令和问题以进行任务识别，从而进一步执行算法作为技能。命令和问题分为训练集和验证集。共记录了 483 个回复。其次，训练集由 T5 模型释义，以便用进一步的数据进行扩充。在对训练数据进行两个时期的微调后，对七种最先进的基于 Transformer 的文本分类算法（BERT、DistilBERT、RoBERTa、DistilRoBERTa、XLM、XLM-RoBERTa 和 XLNet）进行了基准测试。我们发现，当训练数据通过 T5 模型增强时，所有模型都得到了改进，分类准确率平均提高了 4.01%。最好的结果是在 T5 增强数据上训练的 RoBERTa 模型，其分类准确率达到了 98.96%。最后，我们发现，通过输出标签预测的逻辑回归，五个表现最佳的 Transformer 模型的集合在人类反应数据集上的准确率达到了 99.59%。高性能模型允许智能系统通过类似聊天机器人的界面在社交互动层面解释人类命令（例如“机器人，我们可以聊天吗？”），并允许非技术用户更好地访问人工智能。