XiaoMi-AI文件搜索系统
World File Search Systemfty
因果因素投资
科学不仅仅是观察到的关联的集合。虽然对现象的描述和分类在科学发现中起作用，但科学的最终目标是合理的理论在严格的伪造中幸存下来（Hassani等人2018）。对于理论是科学的，通常期望宣布造成观察到现象的虚假因果机制（有关一种虚假能力定义，请参见Popper 1963）。1简单地说，科学理论解释了为什么发生观察到的现象，在这种情况下，解释与所有经验证据一致（理想情况下，包括实验结果）。经济学家赞成这种观点，即真正的科学必须产生可反驳的影响，并且必须通过坚实的统计技术来测试这些含义（Lazear 2000）。在实验科学（物理，化学，生物学等）中。），通过介入研究提出和伪造因果机制是相对直接的（Fisher 1971）。在财务经济学中通常并非如此。研究人员无法再现2010年5月6日闪光崩溃的财务状况，删除了一些交易者，并观察股票市场价格是否仍然崩溃。与实验科学相比，这使财务经济学领域处于劣势。在没有合理的虚假理论的情况下，研究人员必须承认，他们不明白报道的异常（风险溢价）为什么发生，投资者有权驳回其索赔为虚假。不一定是这种情况。这种限制的直接结论是，在过去的五年中，大多数投资研究人员都专注于发表关联主张，而没有理论和伪造，导致观察到的关联的因果机制。这意味着投资因素仍然处于未成熟的现象学阶段。从上面的角度来看，人们可能会得出一个惨淡的结论，即对因素投资（或财务经济学）没有希望产生和建立科学理论的希望。金融经济学并不是实验障碍所影响的唯一研究领域（例如，尽管介入研究不可行，但天文学家产生了科学理论）。因果推论的最新进展开辟了一条道路，但是很难推动因素投资超出当前的现象学阶段。这个目标
幻影研究
目的：本研究旨在比较精确 IQ 引擎 (PIQE) 和高级智能 Clear-IQ 引擎 (AiCE) 算法在心脏计算机断层扫描 (CT) 协议中根据剂量水平对图像质量的性能。材料和方法：使用 CT ACR 464 幻影在三个剂量水平（体积 CT 剂量指数：7.1/5.2/3.1 mGy）下使用前瞻性心脏 CT 协议进行采集。使用 AiCE 和 PIQE 的三个级别（轻度、标准和强）重建原始数据。计算了骨骼和丙烯酸插入物的噪声功率谱 (NPS) 和基于任务的传递函数 (TTF)。计算可检测性指数 (d ') 来模拟冠状动脉腔 (350 Houns 场单位和 4 毫米直径) 和非钙化斑块 (40 Houns 场单位和 2 毫米直径) 的可检测性。结果：PIQE 的噪声幅度值低于 AiCE (轻度为 13.4 § 6.0 [标准差 (SD)] %、标准为 -20.4 § 4.0 [SD] % 和强度为 -32.6 § 2.6 [SD] %)。PIQE 的平均 NPS 空间频率比 AiCE 向更高频率移动 (轻度为 21.9 § 3.5 [SD] %、标准为 20.1 § 3.0 [SD] % 和强度为 12.5 § 3.5 [SD] %)。对于丙烯酸插入物，PIQE 的 TTF 值在 50% (f 50 ) 值下比 AiCE 移向更高频率，但对于骨插入物，发现 f 50 值接近。无论剂量和 DLR 水平如何，两种模拟心脏病变的 d ' 值在 PIQE 中都高于在 AiCE 中。对于模拟冠状动脉腔，所有剂量水平的轻度 d ' 值平均好 35.1 § 9.3 (SD) %，标准剂量水平好 43.2 § 5.0 (SD) %，强剂量水平好 62.6 § 1.2 (SD) %。结论：与 AiCE 相比，PIQE 降低了噪音，提高了模拟心脏病变的空间分辨率、噪音纹理和可检测性。PIQE 似乎在心脏 CT 采集中具有更大的减少剂量的潜力。© 2023 Société française de radiologie。由 Elsevier Masson SAS 出版。保留所有权利。
统计力学-James Sethna -Cornell University
第二版的统计力学：熵，订单参数和复杂性特征在一百个新练习中，以及第一版中许多练习的修改和修订。主要章节在很大程度上是没有变化的，除了我对第12章的重新归一化小组的讨论进行了重构。的确，这些章节被设计为其主题的稳定内核，而练习涵盖了统计力学的引人入胜的应用和含义的日益增长的范围。这本书反映了“翻译教室”的创新，我发现这具有非常有效的作用。我已经确定了一百个前阶段的问题和课堂活动，前者旨在阐明和重新控制文本的部分，而后者则是为小组协作而设计的。这些用符号⃝p和⃝a表示，在第一个版本中使用的难度等级⃝1 - ⃝5。人类的相关性，指纹和crack啪声是我最喜欢的活动。这些练习以及一系列较少的较长练习，构成了我课程本科版本的核心。广泛的在线材料[182]现在可以进行练习。Mathematica和Python笔记本电脑提供了几乎五十次综合练习的提示，使学生能够处理严重的新研究主题，例如保形不变性，地铁板凳蒙特卡洛，2D Turbulence和2d Turbulence and Jupiter的Great Red Spot，同时又可以接受良好的编程实践。讲义和指示促进了诸如五角大楼挫败和听到混乱之类的活动。现在进行了练习的答案键，我很遗憾地无法与那些教课程的人分享。最后，第一版的实力是在高级练习中进行的，它深入探讨了统计力学的微妙之处及其在科学各种领域的广泛应用。许多次级练习继续这种趋势，例如核合成以及时间，单词频率和ZIPF定律，大流行和细胞中的动力学校对。我再次感谢国家科学基金会和康奈尔大学物理系，使科内尔和我出色的研究生的活泼学术氛围成为可能；两者对于这项努力的成功至关重要。感谢他们掩盖了错误和模糊性的学生和读者。感谢我的小组成员和同事
公司资料
自1950年以来，即70年前的基础以来，Zeon一直通过应用我们的创新技术来提供世界上许多顶级产品，这些技术证明了化学的力量作为其来源。在1959年，Zeon成为日本的第一家公司，以大规模生产合成橡胶。之后，我们开发了一系列产品，包括合成橡胶，合成乳胶和热塑性弹性体，并将其附着技术应用于商业化许多产品。我们还使用先进的聚合物设计技术和精细粒子控制技术实现了聚合碳粉的大规模生产，从而使我们能够尽早建立在当前的弹性体业务的基础上。此外，我们以全球视角开发海外业务并专注于亚洲，包括制造和处理合成橡胶，用于燃料舒适的轮胎和特殊的合成橡胶，以及关键的汽车安全零件。今天，我们的业务涵盖了日本和海外的五十个集团公司。业务发展随后在新领域加速，证明了我们在开发专有技术时面临的挑战。我们的专业材料业务的产品，Zeon的另一支支柱，包括锂离子电池的特色塑料，光学纤维，电子材料和材料，已成为支持我们现代生活方式的必不可少的。我们正在为新市场提供一系列不同的产品，例如案例和MAAS的新材料，医疗保健和生命科学产品以及5G和6G无线通信。在当前的业务环境中，要经受巨大的变化，我们将努力确保安全的工厂运营并为客户提供可靠的质量，同时仍致力于保护全球环境。作为这一承诺的一部分，我们制定了一项总体计划，以在2050年到2050年实现碳中立性，其中包括在我们的家用工厂过渡到可再生能源的过渡。确保Zeon Group的每个成员将可持续发展目标理解为共享的全球目标，并探索我们如何为他们的成就做出贡献，我们已经启动了整个集团倡议，将可持续发展目标置于我们的业务基础上。我们将通过开发Zeon独有的创新技术和产品来继续为客户梦想和舒适的社会实现。
使用机器学习对小胶质细胞进行分类
项目详情：机器学习：通常，只需根据生物细胞的形状即可预测其状态。人类尝试这样做既耗时又容易受到无意识偏见和人为错误的影响。相反，人们更喜欢自动计算方法，而这正是机器学习可以实现的。我们的初步结果已经开发出一种高精度（>93%）的小胶质细胞方法。这篇博士论文的目的是改善这一点。应用：小胶质细胞是大脑中的常驻免疫细胞。它们采用多种表型来控制大脑的免疫反应，包括吞噬有害物质和释放信号化学物质。科学界在过去五十年中天真地将小胶质细胞分为两种类型。然而，最近的研究（包括我们的合作者）带来了革命性的想法，即小胶质细胞状态是一个连续体。重要性：拥有一种可以准确确定小胶质细胞状态的诊断工具至关重要。首先，小胶质细胞在抑郁症和精神分裂症等精神健康状况中起着至关重要的作用。其次，小胶质细胞在神经退行性疾病（包括运动神经元、帕金森氏症和阿尔茨海默氏症）中很重要。第三，这种工具可用于脑外科手术期间，以持续监测脑细胞状况。第四，这项工作可以扩展到其他巨噬细胞，如肺部的肺泡巨噬细胞。 项目关键目标：（1）开发一种机器学习方法来自动分类小胶质细胞状态（2）确定该方法如何依赖于图像大小、成像条件和不完善的训练数据（3）优化该方法以实时运行并同时在多个细胞上运行 方法：这项博士学位将利用我们与 Kate Harris 博士（纽卡斯尔）、Ian Wood 教授（利兹）和 Andrew Dick 教授（布里斯托尔）合作提供的机会。它将采用一种真正的多学科方法研究小胶质细胞状态，包括机器学习、图像分析和延时成像。这将使学生学习到非常理想的定量和实验技能组合，从而为未来的职业前景带来良好的前景。项目计划：（1）创建新的机器学习方法，特别是卷积神经网络（CNN），使用我们现有的 >20,000 个小胶质细胞的大型数据集自动对小胶质细胞状态进行分类。这将涉及探索多个数据集和 CNN 架构（VGG-16、ResNet、Inception、Xception、DenseNet、ResNeXt-50）。（2）设计图像分析软件，自动从原始显微镜图像中分割细胞。这将基于我们小组现有的代码，并将为机器学习生成输入数据。相关技术将包括形态学操作、边缘检测、距离变换和分水岭变换。（3）培养和成像人类小胶质细胞 HMC3 细胞系，以生成更多数据用于训练 CNN 并测试机器学习模型的准确性。细胞
项目名称：分布式系统加速器实时边缘人工智能（READS）
简介和动机 在过去十年中，机器学习 (ML) 技术逐渐进入加速器社区。近年来，深度学习的快速发展，特别是用于控制系统应用的强化学习以及深度学习在嵌入式硬件中的可访问性，重新引起了人们的兴趣并催生了大量应用 [ 1 ]。费米实验室加速器综合体（如图 1 所示）已为高能物理 (HEP) 实验提供了近五十年的质子束。该实验室目前的重点是其世界一流的强度前沿实验项目。虽然增加光束强度确实有其自身的挑战，但在很多方面，保持光束大小同时最大限度地减少光束损失（通过与光束真空管相互作用而损失的粒子）才是主要挑战。加速器通过数十万个设备的复杂系统进行控制。使用 ML 方法实现对其参数的微调和实时优化并超越人类操作员基于经验的推理是未来强度升级成功的关键。我们的目标是将 ML 集成到加速器操作中，此外，提供一个可访问的框架，该框架也可被具有动态调整需求的其他广泛加速器系统使用。为了成功最大限度地发挥 ML 的应用优势，我们将考虑以下几点：实时边缘 ML 系统优化：加速器涉及电源、射频和其他控制系统的复杂调节回路阵列。调节回路的增益针对操作进行手动优化和修复。实际上，光束分布和强度是在加速过程中变化的动态量。因此，这些动态系统理想情况下应该以近乎实时的方式重新检查操作条件。这需要一个能够在足够短的毫秒时间尺度上对系统变化做出反应的 ML 模型。快速、智能的分布式系统：由于粒子加速器的物理规模很大，控制系统往往分布在整个设施中。因此，优化每台机器的性能以及综合体的整体性能意味着需要一个快速的数据传输系统，允许子系统、机器和负责运行 ML 算法的计算机资源之间进行实时通信。我们的项目 Accelerator READS 将开发 ML 方法及其在大型加速器系统中的边缘实现。费米实验室在开发用于系统控制的实时嵌入式边缘 ML 设备方面处于领先地位，并利用 ML 提高了 HEP 实验的效率和准确性，例如紧凑型μ子螺线管 (CMS) 实验 [ 2 ]。利用内部实验室指导的研究和开发 (LDRD) 计划，费米实验室已经证明单个 ML 系统可以提高加速器性能。然而，将嵌入式 ML 系统连接在一起以协调分析和控制多个复杂结构尚未实现。将这项技术应用于加速器将使费米实验室加速器设施向快速、分布式和高性能控制和操作迈进。加速器 READS 产生的方法和工具将与各种复杂和分布式控制器的设计相关。我们将通过两个重要的实验来证明我们提案的有效性：Mu2e 溢出调节系统和主喷射器 (MI) 和循环器环 (RR) 光束损耗的去混合。
免疫学``冷'鳞状细胞癌的头部和颈部与不利的预后有关
也损坏。患者倾向于通过静态症和坏死，骨骼的萎缩和肉毒作势以及软组织的不同部分从吞咽困难中（3）。鉴于这些治疗引起的损害，预后仍然很差。随着肿瘤阶段的增加，生存率降低。对于UICC III和IV期，2年生存率约为30％。 三十至5个百分比发展出复发性疾病（RD），该疾病在无病生存期差（DFS）中反映了（1，4-6）。 几十年来，治疗方案的变化并没有明显改善。 使用新辅助和辅助化疗的使用仍然有争议（4、7-9）。 尤其是关于肿瘤免疫微环境（时间）的知识，如本文稍后所述，另一种有前途的疗法选择是使用免疫检查点抑制剂（ICI）的治疗，PD-L1和PD-1是最突出的ICI。 肿瘤细胞上 pd-l1表达通过肿瘤的照射增加（10）。 对PD-L1和PD-1的抗体施用在治疗几种实体肿瘤（例如皮肤黑色素瘤）方面非常成功（11）。 在HNSCC中，单一疗法对单一疗法的影响是对当前化学治疗标准的重大改进，而对整体生存率（OS）的幻想却令人幻想（12，13）。 在其他出版物中，有人建议组合疗法可能是解决方案（14）。 然而，尚未找到对患者结局的最有希望的特定药物组合。对于UICC III和IV期，2年生存率约为30％。三十至5个百分比发展出复发性疾病（RD），该疾病在无病生存期差（DFS）中反映了（1，4-6）。几十年来，治疗方案的变化并没有明显改善。使用新辅助和辅助化疗的使用仍然有争议（4、7-9）。尤其是关于肿瘤免疫微环境（时间）的知识，如本文稍后所述，另一种有前途的疗法选择是使用免疫检查点抑制剂（ICI）的治疗，PD-L1和PD-1是最突出的ICI。pd-l1表达通过肿瘤的照射增加（10）。对PD-L1和PD-1的抗体施用在治疗几种实体肿瘤（例如皮肤黑色素瘤）方面非常成功（11）。在HNSCC中，单一疗法对单一疗法的影响是对当前化学治疗标准的重大改进，而对整体生存率（OS）的幻想却令人幻想（12，13）。在其他出版物中，有人建议组合疗法可能是解决方案（14）。然而，尚未找到对患者结局的最有希望的特定药物组合。临床试验依靠生物标志物选择最合适的患者接受昂贵的疗法，并防止对不会受益的患者使用潜在的有害药物。因此，需要用于临床前研究的研究工具。这些需要反映典型的患者特征，并具有代表性的癌症队列，以测试是否真的在肿瘤细胞或肿瘤免疫细胞上存在新靶向的抗原。理想情况下，可以使用它们来塑造有关是否应将新药转移到临床试验环境中的意见。肿瘤内免疫细胞最近已进入有关许多实体瘤的研究组的重点。研究一直在研究其结构和内容的时间，揭示了迷宫的细胞和细胞因子的抑制系统。在几项研究中，研究人员试图适应时间以更好地治疗反应。尤其是肿瘤的照射会诱导癌细胞中凋亡，从而通过增加的MHC表达在抗原呈递细胞上下载抗原。这对于免疫检查点抑制剂增加治疗反应可能很重要。另一方面，强烈的照射会导致淋巴结序列，因此仍然需要进行大量研究（15）。我们的研究小组的研究表明，纤维中免疫细胞的组成有助于改善HNSCC的化学放疗反应（16）。免疫细胞参数的评估显示出与生存的关联已被广泛接受，可以将时间归类为免疫学“热”（肿瘤中的免疫细胞），“冷”（无免疫细胞内部纤维化）或“排除”（肿瘤边界的免疫细胞）（17，18）。