XiaoMi-AI文件搜索系统
World File Search Systemfocusing
再灌注和细胞保护剂是缺血性卒中疗法中的互惠互利对：针对兴奋性毒性和自由基
抽象中风是世界上大部分地区的死亡原因和残疾的主要原因。尤其是中国面临着中风的最大挑战，因为人口很快。在数十年的临床试验中，没有神经保护剂在主要临床终点上具有可重复的功效，因为再灌注可能是神经保护需要临床上有益的。幸运的是，溶栓和血管血管血栓切除术的成功使我们进入了急性缺血性中风（AIS）疗法的再灌注时代。脑细胞保护剂可以预防缺血的有害作用，因此在再灌注前“冻结”缺血性阴茎，扩展了再灌注疗法的时间窗口。由于再灌注通常会导致再灌注损伤，包括流血转化，脑水肿，梗塞进展和神经系统恶化，因此细胞保护剂将通过预防或减少再灌注损伤来增强再灌注疗法的疗效和安全性。因此，再灌注和细胞保护剂是AIS治疗中互惠互益的一对。在这篇综述中，我们概述了在AIS的急性阶段缺血或缺血/再灌注后阴影内导致细胞死亡的关键病理生理事件，重点是兴奋性毒性和自由基。我们讨论了细胞保护疗法的关键药理靶标，并评估了通过临床试验进行的细胞保护剂的最新进展，突出了多坐菌剂的细胞保护剂，这些剂在缺血性和再灌注级联的多个水平上进行干预。
石墨烯等离子体消色差片上聚焦用于宽带数字光信号的空间反转
摘要：渐变折射率透镜中的等离子体片上聚焦对于深亚波长纳米级的成像、光刻、信号处理和光互连具有重要意义。然而，由于等离子体材料固有的强波长色散，等离子体片上聚焦存在严重的色差。利用成熟的平面介质光栅，提出了一种渐变折射率波导阵列透镜（GIWAL），以支持声学石墨烯等离子体极化激元（AGPP）的激发和传播，并实现 AGPP 在 10 至 20 THz 频带内焦点小至约工作波长的 2% 的消色差片上聚焦，得益于 GIWAL 与波长无关的折射率分布。提出了一种理论分析方法，以理解 AGPP 的片上聚焦以及其他光束演化行为，例如高斯光束的自聚焦、自准直和钟摆效应以及数字光信号的空间反转。此外，还展示了 GIWAL 反转空间宽带数字光信号的可能性，表明了 GIWAL 在宽带数字通信和信号处理中的潜在价值。
INPEX 牵头的氢能研究重点关注澳大利亚北部的达尔文市，该研究获得澳大利亚政府 100 万澳元资助
公共关系组、企业传播部赤坂商务大厦，东京都港区赤坂 5-3-1 号，邮编 107-6332 日本
利用环形涡旋光束和聚焦镜减轻自由空间光通信中轨道角动量模式的串扰
携带OAM的涡旋光束由于其广泛的应用而引起了人们的广泛关注，例如光学操控与捕获[1]、成像[2]、量子纠缠[3]、自由空间光(FSO)通信[4]等等。特别地，那些具有相互正交特性的光束已被用于FSO通信中的复用/解复用，以增加容量和频谱效率[5，6]。然而，基于OAM复用/解复用的FSO通信面临的主要挑战是大气湍流的干扰。当激光束在大气中传播时，由于湍流引起折射率的随机波动，一个OAM态的能量将分散到相邻态[7-10]。这种现象称为OAM模式的串扰。显然，OAM模式间的串扰会影响通信质量，严重的串扰甚至会导致通信失败。在之前的研究中，人们采用自适应光学来补偿湍流大气中光束的OAM[11,12]，但自适应光学系统非常复杂。此外，重构
评估人工智能素养课程以促进大学生的概念学习、素养和赋权：重新关注概念构建
人工智能 (AI) 应用已在各行各业中普及，但向来自不同学习背景的受过教育的公民推广人工智能素养的努力却有限。在将人工智能素养课程从将概念学习与数学公式和编程代码相结合转变为从一开始就强调概念构建方面存在研究空白。本研究通过评估旨在为来自不同学习背景的大学生建立概念理解的人工智能素养课程来填补知识空白。82 名志愿者完成了两门人工智能素养课程，包括 7 小时的机器学习和 9 小时的深度学习。他们课前和课后概念测试、调查和自我反思写作任务的结果表明，这些课程成功地让参与者具备了对人工智能的概念理解。参与者对他们对人工智能的素养和概念理解的显著提高感到充满力量。人工智能素养课程成功地降低了人工智能素养的准入门槛，并满足了公众的需求。这些课程将扩大到纳入人工智能应用的开发以及有关人工智能在社会中广泛使用的道德问题的讨论。这项研究可用于指导未来培养来自不同学习背景的受过教育的公民的人工智能素养的研究。
聚焦事件在议程设置中的作用：变化......
摘要 2014 年克里米亚的吞并突然而出乎意料地震惊了世界，以至于世界只能眼睁睁地看着占领的进程。无论是政治家还是社会都没有机会准备威慑措施。通过文献综述、各种文件的分析，包括 2013-2015 年议会会议的工作计划、2013 年至 2015 年向议会提交的总统报告（年度演讲）以及对征兵军回归的案例研究，本文旨在确定克里米亚的吞并是否满足了聚焦事件概念的要求，以及它是否会促使立陶宛国家安全议程发生变化。认识到聚焦事件有能力吸引政策制定者的注意力并引起议程设置过程的变化，本文采用议程设置理论和聚焦事件方法来评估克里米亚的吞并是否可能导致立陶宛公共政策议程（即其安全政策层面）发生变化。研究表明，吞并克里米亚符合聚焦事件的标准，因为它对政治参与者和社会来说都是突然且不可预测的，同时它将焦点集中到一处。作为聚焦事件，它为动员国家和政治力量改变安全政策议程打开了一扇机会之窗。关键词：聚焦事件、议程设置、
聚焦事件在议程设置中的作用：立陶宛安全政策议程的变化
摘要 2014 年克里米亚的吞并突然而出乎意料地震惊了世界，以至于世界只能眼睁睁地看着占领的进程。无论是政客还是社会都没有机会准备威慑措施。通过文献综述、各种文件的分析，包括 2013-2015 年议会会议的工作计划、2013 年至 2015 年在议会提交的总统报告（年度演讲）以及对征兵军回归的案例研究，本文旨在确定克里米亚的吞并是否满足了焦点事件概念的要求，以及它是否会促使立陶宛国家安全议程发生变化。认识到聚焦事件能够吸引决策者的注意力并引起议程设置过程的变化，本文采用议程设置理论和聚焦事件方法来评估吞并克里米亚是否可能导致立陶宛公共政策议程（即其安全政策层面）发生变化。研究表明，吞并克里米亚符合聚焦事件的标准，因为它对政治参与者和社会来说都是突然和不可预测的，同时将焦点集中到一个地方。作为聚焦事件，它为动员国家和政治力量改变安全政策议程打开了一扇机会之窗。关键词：聚焦事件、议程设置、吞并克里米亚、框架、征兵 介绍 议程设置是最有影响力的理论，关注问题如何获得或失去利益相关方的关注；社会问题如何成为政策问题
FinRegLab：研讨会——“人工智能与经济：为负责任和包容的人工智能规划道路”联合活动，邀请著名政策制定者参加，重点关注金融服务领域的负责任人工智能。华盛顿特区，2022 年 4 月 22 日——FinRegLab 将与美国商务部、美国国家标准与技术研究所 (NIST) 和斯坦福以人为本人工智能研究所 (HAI) 合作，于 2022 年 4 月 27 日举办一场研讨会，汇集政府、行业、民间社会和学术界的领导人，探讨人工智能和机器学习在不同经济部门部署带来的潜在机遇和挑战，特别关注金融服务和医疗保健。已确认的发言人包括商务部副部长 Don Graves；参议员 Joni Ernst；代理货币监理署署长 Michael Hsu；万事达卡执行副总裁兼首席数据官 JoAnn Stonier；富国银行执行副总裁兼模型风险主管 Agus Sudjianto、斯坦福大学商学院教授兼 HAI 副主任 Susan Athey 博士、布鲁金斯学会技术创新中心主任 Nicol Turner Lee 博士以及哈佛大学计算与社会研究中心博士后研究员 Manish Raghavan 博士。演讲者和小组成员将讨论研究、政策建议和新兴行业实践。FinRegLab 首席执行官兼主任 Melissa Koide 表示：“人工智能与新型数据相结合，为改善金融包容性和平等性提供了巨大的潜力。然而，也存在加剧偏见和排斥的巨大风险。认真、有针对性地研究消费者受到的影响对于制定正确的规则至关重要。” FinRegLab 还将于 4 月 28 日举办一场虚拟会议，详细介绍该组织和斯坦福大学商学院 Laura Blattner 教授和 Jann Spiess 教授就机器学习在信用承保中的应用开展的研究，特别关注机器学习模型对可解释性和公平性的潜在影响。这项研究对当前可用工具的性能和功能进行了实证评估，这些工具旨在帮助贷方开发、监控和管理机器学习承保模型。媒体成员如有兴趣亲临或以虚拟方式参加研讨会或寻求评论，请联系 Alex Bloomfield，邮箱地址为 alex.bloomfield@finreglab.org。有关研讨会的更多信息，包括所有演讲者和小组讨论，请访问此处的活动页面。
FinRegLab：研讨会——“人工智能与经济：为负责任和包容的人工智能规划道路”联合活动，邀请著名政策制定者参加，重点关注金融服务领域的负责任人工智能。华盛顿特区，2022 年 4 月 22 日——FinRegLab 将与美国商务部、美国国家标准与技术研究所 (NIST) 和斯坦福以人为本人工智能研究所 (HAI) 合作，于 2022 年 4 月 27 日举办一场研讨会，汇集政府、行业、民间社会和学术界的领导人，探讨人工智能和机器学习在不同经济部门部署带来的潜在机遇和挑战，特别关注金融服务和医疗保健。已确认的发言人包括商务部副部长 Don Graves；参议员 Joni Ernst；代理货币监理署署长 Michael Hsu；万事达卡执行副总裁兼首席数据官 JoAnn Stonier；富国银行执行副总裁兼模型风险主管 Agus Sudjianto、斯坦福大学商学院教授兼 HAI 副主任 Susan Athey 博士、布鲁金斯学会技术创新中心主任 Nicol Turner Lee 博士以及哈佛大学计算与社会研究中心博士后研究员 Manish Raghavan 博士。演讲者和小组成员将讨论研究、政策建议和新兴行业实践。FinRegLab 首席执行官兼主任 Melissa Koide 表示：“人工智能与新型数据相结合，为改善金融包容性和平等性提供了巨大的潜力。然而，也存在加剧偏见和排斥的巨大风险。认真、有针对性地研究消费者受到的影响对于制定正确的规则至关重要。” FinRegLab 还将于 4 月 28 日举办一场虚拟会议，详细介绍该组织和斯坦福大学商学院 Laura Blattner 教授和 Jann Spiess 教授就机器学习在信用承保中的应用开展的研究，特别关注机器学习模型对可解释性和公平性的潜在影响。这项研究对当前可用工具的性能和功能进行了实证评估，这些工具旨在帮助贷方开发、监控和管理机器学习承保模型。媒体成员如有兴趣亲临或以虚拟方式参加研讨会或寻求评论，请联系 Alex Bloomfield，邮箱地址为 alex.bloomfield@finreglab.org。有关研讨会的更多信息，包括所有演讲者和小组讨论，请访问此处的活动页面。
能源消耗中的非技术损失检测，重点关注能源回收和可解释性
摘要 非技术损失 (NTL) 是许多公用事业公司试图解决的问题，通常使用黑盒监督分类算法。一般来说，这种方法取得了良好的效果。然而，在实践中，NTL 检测面临着技术、经济和透明度方面的挑战，这些挑战无法轻易解决，并且会损害预测的质量和公平性。在这项工作中，我们将这些问题置于为一家国际公用事业公司建立的 NTL 检测系统中。我们解释了如何通过从分类转向回归系统并引入解释技术来提高其准确性和理解力，从而缓解这些问题。正如我们在本研究中所展示的，回归方法可以成为缓解这些技术问题的一个很好的选择，并且可以进行调整以捕捉最引人注目的 NTL 案例。此外，可解释的人工智能（通过 Shapley 值）使我们能够在基准测试之外验证回归方法在这种背景下的正确性，并大大提高我们系统的透明度。