XiaoMi-AI文件搜索系统
World File Search Systemhopper
公告 - 美国陆军工程兵团费城地区
本区已收到一份根据 1899 年《河流和港口法》第 10 节（33 USC 403）和《清洁水法》第 404 节（33 USC 1344）提出的陆军部许可证申请。本通知旨在就颁发陆军部许可证以进行下述工作征求公众的意见和建议。申请人：Veronica Laureigh，莱西镇 代理人：Junetta Dix，ACT Engineers, Inc. 地点：新泽西州海洋县莱西镇的 Windy Cove、Hancy's Pond、Worden's Oyster Pond、Stouts Creek、Sunrise Beach 和 Bayside Beach 目的：申请人称该项目的目的是维护以下水道休闲航行的安全深度：Windy Cove、Hancy's Pond、Worden's Oyster Pond、Stouts Creek、Sunrise Beach 和 Bayside Beach。 项目描述：申请人莱西镇已请求陆军部 (DA) 授权在十年 (10) 内对六 (6) 个镇水体进行维护性疏浚。工作主要通过一艘 (1) 大型平顶驳船配备长距离或翻盖挖掘机的机械疏浚来完成。所有由此产生的疏浚材料（估计约为 74,004 立方码的沙子和淤泥）将从约 28.6 英亩的土地上清除。材料将被放置在最多六 (6) 艘漏斗驳船上，并使用翻盖式挖掘机直接卸载到卡车或其他集结区。将安装溢流板以防止卸载过程中意外回落。直接卡车装载是首选的卸载方式。当预计使用集结区时，将选择对公众影响最小的位置。在集结区内对材料进行任何脱水都不会导致疏浚材料排放到水体中。用于运输材料的三轴卡车将
尼日利亚技术杂志
抽象的塑料污染会引起严重的环境问题，并危害着土地和水生环境中人类和动物的健康。尽管尼日利亚每天都会产生数百吨塑料废物，但由于只有一小部分是回收的，因此仍然有很大比例的造成的回归生态系统。尼日利亚越来越多地生产一次性塑料废物进入陆地和海洋是该国日益增长的塑料污染问题的主要原因。.因此，为了减少塑料利用对人类和环境的有害影响是必要的。塑料对塑料对塑料的影响也可以恢复为3D的印刷品。在这项研究中，设计和开发了用于回收高密度聚乙烯的塑料丝挤出机，从而降低了处置它带来的负面环境影响。由料水，螺钉，枪管，模具和运动系统组成的挤出机的基本组件。温度，氧气和剪切应力均导致塑料在细丝中挤出过程中塑料恶化。因此，这项研究检查了不同挤压温度对由高密度聚乙烯（HDPE）制成的细丝质量的影响。塑料颗粒融化并由于它们之间的摩擦与枪管表面以及加热带产生的热量而流入模具。因此，为了使用HDPE产生质量的3D细丝，必须保持可接受的温度条件。塑料丝与最佳沉淀压缩，温度在150至230摄氏度之间的组合挤出，并逐渐增加枪管内的熔融颗粒的压力。.熔化的塑料在低温下粘附在桶上，但在高温下转向炭。基于结果，挤出机产生了适合于200 O的3D打印的出色细丝。这项研究的结果强调了在挤出过程中温度调节的重要性，以保证预期的丝状质量。
可再生柴油即将投入纽约渡轮运营
每年有数百万名乘客从纽约渡轮码头通过可再生柴油机从纽约到达曼哈顿下城。该系统每天 24 小时、每年 365 天在史坦顿岛和曼哈顿下城之间运营。纽约渡轮系统每年为七百多万名乘客提供横跨五个行政区的安全、可靠、实惠且方便的交通服务。该系统拥有覆盖每个行政区的六条航线、25 个码头和 38 艘船只，横跨 70 海里，拥有全国最大的客运船队。这些船只每年加起来会消耗 850 万到 900 万加仑的燃料。可再生柴油可以完全取代目前使用的化石柴油，减少 60% 或更多的温室气体排放。可再生柴油还将减少空气质量排放，让所有乘客享受更愉快的旅程。与化石柴油不同，可再生柴油没有难闻的气味。 DCAS 已与 NYC DOT 合作，自 2023 年 11 月起在史坦顿岛渡轮上测试可再生柴油。这些测试取得了成功，DCAS 将把其车队计划扩展到史坦顿岛渡轮。DCAS 还将在未来几周为此目的竞标一份新的驳船合同。NYC EDC 直接为纽约市通勤渡轮采购燃料，并将启动自己的可再生柴油试点流程。DCAS 和 EDC 在过去五年中一直在不同阶段讨论这一举措。除了可再生柴油外，NYCEDC 和 NYC Ferry 还将开始升级 13 艘 350 人客运船（该系统最大的船只），以满足 EPA 最严格的 Tier IV 排放标准。这些努力结合起来将大大减少船舶排放。如果一切顺利，DOT 和 EDC 都将力争在 26 财年结束前完全用可再生柴油取代化石柴油。特别感谢 DCAS 船队运营执行总监 Harris Kaplan 和纽约市交通局的 John Garvey 上尉，他们带头发起了这项计划。还要感谢交通局第一副局长 Margaret Forgione、副局长 Paul Ochoa、高级港口工程师 Brad Hopper、燃料设施主管 Karim ElGallad 以及 SI Ferry 的海上加油员和油轮船员团队。在 DCAS，感谢副 ACCO Masha Rudina、BQA 主任 Dan Calles、Alvin Pettway、Jose Cajas、Andy Wong 以及我们在 Argus Media 的合作伙伴，他们为可再生柴油建立了新的燃料报告指数。在 EDC，感谢纽约市渡轮船队经理副总裁 Niko Martecchini 和船队与设施部门的 Luke Herbermann。
秋季海军人工智能峰会
杰夫·安德森上尉 图灵任务组主任 jeffrey.a.anderson2.mil@us.navy.mil 马丁·阿普里奇先生 美国战略司令部首席数据科学家 martin.r.apprich.civ@mail.mil 斯科蒂·布莱克中校 凯曼斯海军研究生院主任 scotty.black@nps.edu 玛丽亚·布吉女士 BAH Buggey_Maria@bah.com 乔治·坎贝尔女士 国家海洋和大气管理局大西洋分局科学家 georgianna.l.campbell.civ@us.navy.mil 兰德尔·科尔博士 海军部首席数据和人工智能官 randal.t.cole.civ@us.navy.mil 塞尔索·德梅洛博士 计算机科学家 陆军研究实验室 celso.m.demelo.civ@army.mil SSTM 拉菲安妮·道尔先生 国家海洋和大气管理局太平洋分局首席工程师 raffianne.n.doyle.civ@us.navy.mil 戴夫·格金先生 NAWCAD 技术情报部门负责人david.m.gerkin.civ@us.navy.mil Chris Gifford 博士 JHU APL Christopher.Gifford@jhuapl.edu Ben Goldman 先生 NSWC Dahlgren 项目负责人 benjamin.j.goldman.civ@us.navy.mil Chris Haughton 先生 JHU APL chris.haughton@jhuapl.edu Jimmy Jones 博士 STITCHES 团队负责人 SAF/AQLV jimmy.jones.22@us.af.mil Ryan Keller 少校 AI2C / CMU LNO 海洋创新单位 ryan.p.keller@usmc.mil Jack Long 博士/中校 海军 AI 负责人 海军研究办公室 john.g.long.mil@us.navy.mil CDR Ken Maroon 美国海军学院常任军事教授 maroon@usna.edu Andrea Mask 博士 科学顾问，第 10 舰队 ONR 全球 / 美国舰队部队网络andrea.c.mask.civ@us.navy.mil 中校 Pedro Ortiz 数据和人工智能服务副主任 CDAO pedro.ortiz30.mil@mail.mil Howard Pace 教授 海军研究生院实践教授 howard.pace@nps.edu Chris Paul 博士 海军研究生院信息主席 christopher.e.paul@nps.edu Todd Paulsen 先生 国防情报局 Todd.Paulsen@dodiis.mil David Phillips 博士 项目官员 海军研究办公室 david.j.phillips127.civ@us.navy.mil 退役上校 Randy Pugh 海军作战研究所所长 rgpugh@nps.edu 高级品质主管 James Raimondo 高级数字化转型顾问 海军作战部长办公室 james.r.raimondo.civ@us.navy.mil 中校 Gavin Robillard Cunningham 航空集团 DC gavin.robillard@usmc.mil 特里·舒夫先生 BAH Schoof_Terry@bah.com 乔·西尔斯先生 BAH Sears_Joseph@bah.com 加里·希勒先生 NSWC 达尔格伦 gary.g.shearer.civ@us.navy.mil 中尉 Artem Sherbinin TF Hopper artem.m.sherbinin.mil@us.navy.mil 麦克弗森·史蒂文斯先生 NSWC 达尔格伦 macpherson.e.stevens.civ@us.navy.mil 上尉 Kristi White 数据科学家 陆军人工智能集成中心 kristi.c.white.mil@army.mil 路易斯·贝拉斯克斯先生 MarCorSysCom 首席技术官 luis.velazquez@usmc.mil
叶霍珀斯作为GM生物种植作物风险评估的指标
Rovira Roure 191，E-25198 Lleida，西班牙的Agrotecnio中心，Agrotecnio中心。摘要：由于过去几年取得了惊人的进步，以生产一系列具有养分水平的生物生物化的GM作物，因此必须开发针对非目标节肢动物的环境风险评估的新方法。特别是我们专注于在我们的大学开发的新的多种维生素玉米（Naqvi等，2009），从而产生了β-胡萝卜素，抗坏血酸和叶酸的含量提高。我们认为，对于植物和节肢动物水平的GM玉米而言，问题的表述变得极为复杂。首先，尽管胡萝卜素和其他维生素的功能在植物中的研究相对很好，但对生物体化植物如何调节代谢途径如何增加这些化合物的产生以及它们是相关的权衡的鲜明的知识知之甚少。第二，对昆虫系统中维生素的研究很少，尤其是在营养水平之间的运动。我们提出Zyginidia scutellaris（Auchenorryncha：cicadellidae）作为指标物种，以评估GM玉米的风险，以使用先前现场试验的最佳预测功率与复制关系，以使用最佳预测功率与非目标食草动物进行指导。此外，我们假设该物种是建立指标玉米营养链的基础，因为它是玉米领域中最丰富的草食动物。为了探索叶霍普斯作为指标的适用性，我们介绍了有关抗昆虫和除草剂耐除草剂的转基因作物和非GM品种对不同叶hopper物种的影响的文献综述。引言新一代的转基因作物正在全球开发。最后，我们建议一种生态风险评估是检测多种维生素作物潜在级联作用的唯一方法。关键词：cicadellidae，生物面积玉米，多种维生素玉米，风险评估，问题制定1.这些新一代作物中的许多通常意味着植物的修改代谢，因为基因组学的最新进展允许靶向生物胁迫的新耐受性基因（例如，涉及凝集素，RNAi等）非生物胁迫（例如容忍干旱，盐，热和未来的“气候就绪”作物），并以改良的代谢来设计其他作物，这些作物赋予植物所需的属性，例如生物种植作物。对非目标节肢动物（NTA）的环境风险评估的基础，该原则是针对迄今为止商业化的耐除草剂和受昆虫保护的GM农作物完成的，现在需要应用于这些新的生物种植作物。在本文中，我们首先处理了维生素生物种植的作物，我们探索了潜在收养国家（主要是非洲大陆）当前监管框架的基础。其次，我们研究GM多种维生素玉米（MVM）的情况
基于规则的多目标蚱蜢优化算法优化的独立于电网的微电网长期最优容量规划能量管理方案
使用可持续能源系统 (SES) 为偏远社区提供离网电气化是实现可持续发展目标的必要条件。尽管如此，SES 的容量规划仍具有挑战性，因为它需要从长期角度满足波动的需求，此外还具有可再生能源 (RES) 的间歇性和不可预测性。由于容量规划问题的非线性和非凸性，必须采用有效的技术来实现具有成本效益的系统。现有技术受到目标函数可导性和连续性方面的一些限制，容易过早收敛，计算要求高，在不同应用中遵循严格的程序来微调算法参数，并且通常无法在优化过程的开发和探索阶段提供公平的平衡。此外，文献综述表明，研究人员在计算微电网容量规划问题时通常不会实施和检查微电网的能源管理方案 (EMS)。本文提出了一种基于规则的 EMS (REMS)，它由受自然启发的草跳优化算法 (GOA) 优化，用于独立于电网的微电网的长期容量规划，该微电网包含风力涡轮机、光伏发电、电池 (BT) 组和柴油发电机 (D gen)。其中，基于规则的算法用于实施 EMS，以优先使用 RES 并协调所提议微电网组件的功率流。随后，尝试探索和确认与 GOA 结合的所提议 REMS 的效率。目标函数的最终目标是最小化能源成本 (COE) 和供电概率不足 (DPSP)。通过长期模拟研究检查 REMS 的性能，以确定 REMS 的弹性并确保不违反 BT 存储的运行限制。将 GOA 的结果与粒子群优化 (PSO) 和布谷鸟搜索算法 (CSA) 进行了比较。模拟结果表明，所提出的技术在收敛到最优解方面具有优越性。模拟结果证实，所提出的 REMS 有助于更好地采用更清洁的能源生产系统，因为与传统的 D gen 相比，该方案分别显着降低了燃料消耗、二氧化碳排放量和 COE 92.4%、92.3% 和 79.8%。算法的比较评估表明，REMS-GOA 的结果更佳，因为它提供的 COE（目标函数）最低，为 0.3656 美元/千瓦时，而 REMS-CSA 为 0.3662 美元/千瓦时，REMS-PSO 为 0.3674 美元/千瓦时，对于期望的 DPSP 为 0%。最后，进行敏感性分析，以突出未来可能出现的不确定性对系统输入的影响。
NVIDIA H100 Tensor Core GPU 架构
○ 与 A100 相比，新的第四代 Tensor Cores 的芯片间速度提高了 6 倍，包括每个 SM 的加速、额外的 SM 数量和 H100 的更高时钟频率。在每个 SM 的基础上，与上一代 16 位浮点选项相比，Tensor Cores 在等效数据类型上提供 2 倍的 A100 SM MMA（矩阵乘法累加）计算速率，使用新的 FP8 数据类型提供 4 倍的 A100 速率。Sparsity 功能利用深度学习网络中的细粒度结构化稀疏性，使标准 Tensor Core 操作的性能翻倍。○ 新的 DPX 指令使动态规划算法比 A100 GPU 加速高达 7 倍。两个示例包括用于基因组学处理的 Smith-Waterman 算法和用于在动态仓库环境中为机器人车队寻找最佳路线的 Floyd-Warshall 算法。○ 与 A100 相比，IEEE FP64 和 FP32 芯片间处理速度提高了 3 倍，这是由于每个 SM 的时钟对时钟性能提高了 2 倍，再加上 H100 的额外 SM 数量和更高的时钟。○ 新的线程块群集功能允许以大于单个 SM 上单个线程块的粒度对局部性进行编程控制。这通过在编程层次结构中添加另一个级别来扩展 CUDA 编程模型，现在包括线程、线程块、线程块群集和网格。集群支持跨多个 SM 同时运行的多个线程块同步并协作获取和交换数据。○ 新的异步执行功能包括一个新的张量内存加速器 (TMA) 单元，它可以在全局内存和共享内存之间非常高效地传输大块数据。TMA 还支持集群中线程块之间的异步复制。还有一个新的异步事务屏障，用于执行原子数据移动和同步。● 新的 Transformer Engine 结合使用软件和定制的 Hopper Tensor Core 技术，专门用于加速 Transformer 模型训练和推理。Transformer Engine 可智能管理并动态选择 FP8 和 16 位计算，自动处理每层 FP8 和 16 位之间的重新转换和缩放，与上一代 A100 相比，在大型语言模型上提供高达 9 倍的 AI 训练速度和高达 30 倍的 AI 推理速度。● HBM3 内存子系统提供的带宽比上一代增加了近 2 倍。H100 SXM5 GPU 是世界上第一款配备 HBM3 内存的 GPU，可提供一流的 3 TB/秒内存带宽。● 50 MB L2 缓存架构可缓存大量模型和数据集以供重复访问，从而减少 HBM3 的访问次数。● 第二代多实例 GPU (MIG) 技术为每个 GPU 实例提供大约 3 倍的计算能力和近 2 倍的内存带宽
NVIDIA H100 Tensor Core GPU 架构
○ 与 A100 相比，新的第四代 Tensor Cores 芯片间速度提高了 6 倍，包括每个 SM 的加速、额外的 SM 数量和 H100 的更高时钟频率。与上一代 16 位浮点选项相比，在每个 SM 上，Tensor Cores 在等效数据类型上提供 A100 SM 的 2 倍 MMA（矩阵乘法累加）计算速率，在使用新的 FP8 数据类型时提供 A100 的 4 倍速率。稀疏性功能利用深度学习网络中的细粒度结构化稀疏性，使标准 Tensor Core 操作的性能翻倍。○ 新的 DPX 指令使动态规划算法比 A100 GPU 快 7 倍。两个例子包括用于基因组学处理的 Smith-Waterman 算法和用于在动态仓库环境中为机器人车队寻找最佳路线的 Floyd-Warshall 算法。 ○ 与 A100 相比，由于每个 SM 的时钟性能提高了 2 倍，再加上 H100 的额外 SM 数量和更高的时钟频率，因此芯片到芯片的 IEEE FP64 和 FP32 处理速度提高了 3 倍。○ 新的线程块群集功能允许以大于单个 SM 上单个线程块的粒度对局部性进行编程控制。这通过在编程层次结构中添加另一个级别来扩展 CUDA 编程模型，现在包括线程、线程块、线程块群集和网格。群集支持跨多个 SM 同时运行的多个线程块以同步并协作获取和交换数据。○ 新的异步执行功能包括一个新的张量内存加速器 (TMA) 单元，它可以在全局内存和共享内存之间非常高效地传输大块数据。TMA 还支持群集中线程块之间的异步复制。还有一个新的异步事务屏障，用于执行原子数据移动和同步。 ● 新型 Transformer Engine 结合使用软件和定制的 Hopper Tensor Core 技术，专门用于加速 Transformer 模型的训练和推理。Transformer Engine 可以智能地管理和动态地选择 FP8 和 16 位计算，自动处理每层 FP8 和 16 位之间的重新转换和缩放，与上一代 A100 相比，在大型语言模型上提供高达 9 倍的 AI 训练速度和高达 30 倍的 AI 推理速度。● HBM3 内存子系统提供的带宽比上一代增加了近 2 倍。H100 SXM5 GPU 是世界上第一款配备 HBM3 内存的 GPU，可提供一流的 3 TB/秒内存带宽。● 50 MB L2 缓存架构可缓存大量模型和数据集以供重复访问，从而减少对 HBM3 的访问。● 第二代多实例 GPU (MIG) 技术为每个 GPU 实例提供大约 3 倍的计算能力和近 2 倍的内存带宽
对乳腺癌风险预测的影响
14, Amy Berrington de Gonzalez 15, Katarzyna Białkowska 16, Nicholas Bodicker 17, Clara Bodelon 18, Natalia V. Bogdanova 7, 19, 20, Stig E. Bojsen 21-23, Kristen D. Brartley 24, Hiltrud Brauch 25-27, Hermann Brenner 8, 28, 29, Nicola J.14, Amy Berrington de Gonzalez 15, Katarzyna Białkowska 16, Nicholas Bodicker 17, Clara Bodelon 18, Natalia V. Bogdanova 7, 19, 20, Stig E. Bojsen 21-23, Kristen D. Brartley 24, Hiltrud Brauch 25-27, Hermann Brenner 8, 28, 29, Nicola J.
<潜水>林奇综合征结直肠癌风险的变化
通讯作者：墨尔本人口与全球健康学院流行病学与生物统计学中心Mark A. Jenkins，澳大利亚VIC 3010，墨尔本大学。m.jenkins@unimelb.edu.au。 *请参阅贡献者部分和附录P1-6中的作者姓名列表。 贡献者AKW，RWH，FAM，GM和MAJ概念化了研究调查。 AKW，RWH，FAM，GM和MAJ获得了资金。 JCR，GL和AST在AKW和MAJ的监督下为数据策划，项目管理和资源做出了贡献。 AKW，JGD和MAJ使用统计软件和方法进行了正式分析，并起草了手稿。 AKW，JCR，GL和MAJ已访问和验证的数据。 所有贡献者都参加了手稿审查和编辑。 Manuscript Writing Group: Aung Ko Win, James G. Dowty, Mark A. Jenkins Steering Committee: Mark A. Jenkins, Finlay A. Macrae, Gabriela Möslem, Robert W. Haile Central Database Group: Jeanette C. Reece, Grant Lee, Allyson S. Templeton Data Contributing Group: Kiwamu Akagi, Seçil Aksoy, Angel Alonso, Karin Alvarez, David J. Amor, Ravindran Ankathil, Stefan Aretz, Julie L. Arnold, Melyssa Aronson, Rachel Austin, Ann-Sofie Backman, Sanne W. Bajwa–ten Broeke, Verónica Barca-Tierno, Julian Barwell, Inge Bernstein, Pascaline Berthet, Beate Betz, Yves-Jean Bignon, Talya Boisjoli, Valérie Bonadona, Laurent Briollais, Joan Brunet, Daniel D. Buchanan, Karolin Bucksch, Bruno Buecher, Reinhard Buettner, John Burn, Trinidad Caldés, Gabriel Capella, Olivier Caron, Graham Casey, Min H. Chew, Yun-hee Choi, James Church, Mark Clendenning, Chrystelle Colas，Elisa J. Woods，Tatsuro Yamaguchi，Silke Zachariae，Mohd N. Zahary。m.jenkins@unimelb.edu.au。*请参阅贡献者部分和附录P1-6中的作者姓名列表。贡献者AKW，RWH，FAM，GM和MAJ概念化了研究调查。AKW，RWH，FAM，GM和MAJ获得了资金。JCR，GL和AST在AKW和MAJ的监督下为数据策划，项目管理和资源做出了贡献。 AKW，JGD和MAJ使用统计软件和方法进行了正式分析，并起草了手稿。AKW，JCR，GL和MAJ已访问和验证的数据。所有贡献者都参加了手稿审查和编辑。Manuscript Writing Group: Aung Ko Win, James G. Dowty, Mark A. Jenkins Steering Committee: Mark A. Jenkins, Finlay A. Macrae, Gabriela Möslem, Robert W. Haile Central Database Group: Jeanette C. Reece, Grant Lee, Allyson S. Templeton Data Contributing Group: Kiwamu Akagi, Seçil Aksoy, Angel Alonso, Karin Alvarez, David J. Amor, Ravindran Ankathil, Stefan Aretz, Julie L. Arnold, Melyssa Aronson, Rachel Austin, Ann-Sofie Backman, Sanne W. Bajwa–ten Broeke, Verónica Barca-Tierno, Julian Barwell, Inge Bernstein, Pascaline Berthet, Beate Betz, Yves-Jean Bignon, Talya Boisjoli, Valérie Bonadona, Laurent Briollais, Joan Brunet, Daniel D. Buchanan, Karolin Bucksch, Bruno Buecher, Reinhard Buettner, John Burn, Trinidad Caldés, Gabriel Capella, Olivier Caron, Graham Casey, Min H. Chew, Yun-hee Choi, James Church, Mark Clendenning, Chrystelle Colas，Elisa J.Woods，Tatsuro Yamaguchi，Silke Zachariae，Mohd N. Zahary。COPS，ISABELLE COUPLER，MARCIA CROSS，CRUZ，WIND，Adriana Della Valley，Capuchine Delnatte，Marion Dhooge，Valentine Domingues，Drouet Youenn，Floor A.发言人D. Gareth Evans，Vargas的AídaFalse，Jane C Figueird，William，William，Lauren M. Gimaud，Annabel Goodwin，Heike Green，Kate Green，Kate Green，Kate Green，Kate Green，Kate Green，Kate Green，Kate Green，Kate Green，Kate Green，Kate Green，Kate Green，Kate Green，Kate Green，Kate Green，Kate Green，kate Green， Jose Guillem，Roselyne，Rodrigo St. C. Guindani，Elizabeth E. Half，Michael，Hampel Heather，Thomas V. Ho，Elke Holinski-Feder。