XiaoMi-AI文件搜索系统
World File Search Systeminputs
负责将持续的伤害性输入转化为主观疼痛体验的神经过程
追踪和预测伤害性输入的时间结构对于促进生存至关重要，因为适当和立即的反应对于避免实际或潜在的身体伤害必不可少。不同时间结构的伤害性刺激所引起的神经活动已有描述，但将伤害性刺激转化为疼痛感知的神经过程尚未完全阐明。为了研究这个问题，我们记录了 48 名健康参与者的脑电信号，这些参与者接受了 3 种不同持续时间和 2 种不同强度的热伤害性刺激。我们观察到疼痛感知和几种大脑反应受到刺激持续时间和强度的调节。至关重要的是，我们确定了 2 种与疼痛感知出现相关的持续大脑反应：来自岛叶和前扣带皮质的低频成分 (LFC，< 1 Hz) 和来自感觉运动皮质的 α 波段事件相关去同步 (α-ERD，8–13 Hz)。这两种持续的大脑反应是高度耦合的，α 振荡幅度随 LFC 相位波动。此外，刺激持续时间转化为疼痛感知的过程由 α -ERD 和 LFC 连续介导。本研究揭示了伤害性刺激引起的大脑反应如何反映伤害性信息转化为疼痛感知过程中发生的复杂过程。
对前额叶皮层输入的全脑筛查揭示了……
摘要 记忆的形成和存储依赖于多个相互连接的大脑区域，这些区域的贡献在记忆巩固过程中会有所不同。传统上认为内侧前额叶皮层，特别是前额叶皮层 (PL) 参与了远程记忆的存储，但最近的证据表明它也与早期记忆巩固有关。然而，控制这些动态的 PL 输入仍然未知。在这里，我们首先对雄性小鼠在情境恐惧记忆形成过程中激活的 PL 印迹细胞进行了全脑、基于狂犬病的逆行追踪筛选，以确定相关的 PL 输入区域。接下来，我们评估了这些输入在记忆巩固的不同阶段（从恐惧记忆编码到近期和远期记忆回忆）的特定活动模式。然后，我们使用投射特异性化学遗传抑制测试了它们在记忆巩固中的功能作用，结果揭示了隔膜在编码时对 PL 输入的贡献，以及岛叶皮层在近期记忆回忆时对 PL 输入的贡献。这两种输入都进一步影响了 PL 印迹细胞在记忆回忆时如何被重新激活，证明了它们对于在 PL 中建立记忆痕迹的重要性。总的来说，这些数据确定了 PL 输入的时空变化，这对于早期记忆巩固很重要，从而有助于完善记忆形成的工作模型。
博士奖学金：通过使用人工智能增强可持续性指标 (ASMAI) 描述：可持续性由三个关键部分组成 - 环境、经济和社会方面 - 必须对所有这些方面进行评估和平衡，以改进现有或开发新的可持续产品、服务和/或系统。这些标准的投入、产出和影响是使用生命周期可持续性评估 (LCSA) 方法和工具来衡量的，这些方法和工具支持许多工业和商业部门的明智决策。材料关键性评估增强了 LSCA，这是一种越来越重要的手段，用于监控一组具有高经济和技术重要性的资源的供应链风险和安全性。尽管 LCSA 和 MCA 是全球可持续发展的宝贵辅助手段，但它们耗时耗力，因此经常被忽视、利用不足或利用不当。将人工智能应用于 LCSA 和 MCA 活动并加以整合具有巨大的潜力，可以加速可持续实践的发展以及从线性经济向循环经济的转变。在 LCA 中使用人工智能是一项新兴活动，因此，该项目为世界领先的创新提供了潜力，将直接增强可持续性指标并鼓励更明智的可持续发展。
博士奖学金：通过使用人工智能 (ASMAI) 增强可持续性指标描述：可持续性由三个关键部分组成 - 环境、经济和社会方面 - 必须对所有这些部分进行评估和平衡，以改进现有或开发新的可持续产品、服务和/或系统。这些标准的投入、产出和影响是使用生命周期可持续性评估 (LCSA) 方法和工具来衡量的，这些方法和工具支持许多工业和商业部门的明智决策。材料关键性评估增强了 LSCA，这是一种越来越重要的手段，用于监控一组具有高经济和技术重要性的资源的供应链风险和安全性。尽管 LCSA 和 MCA 是全球可持续发展的宝贵辅助手段，但它们耗费时间和资源，因此经常被忽视、利用不足或利用不当。在 LCSA 和 MCA 活动中使用和整合 AI 具有巨大的潜力，可以加速可持续实践的发展以及从线性经济向循环经济的转变。在 LCA 中使用 AI 是一项新兴活动，因此，该项目为世界领先的创新提供了潜力，将直接增强可持续性指标并鼓励更明智的可持续发展。
全脑突触输入芳香酶
在这里，我们使用狂犬病追踪和光片显微镜揭示了对大脑区域的客观看法，这些区域为内侧杏仁核中表达芳香化酶的细胞提供特定输入，这些神经元在产生性别特异性社会行为方面发挥着巨大作用。虽然这些细胞的下游投射是已知的，但对内侧杏仁核中表达芳香化酶的细胞的特定输入仍然未知。我们观察到与内侧杏仁核（例如，终纹床核和副嗅球）的已建立连接，这表明芳香化酶神经元是传出输入的主要靶细胞类型，包括来自与养育和攻击相关的区域。我们还从涉及新陈代谢、恐惧和焦虑以及记忆和认知的区域发现了新的和意想不到的输入。这些结果证实了内侧杏仁核在性别特异性社会 14 识别和社会行为中的核心作用，并指出其芳香化酶表达神经元在 15 多种感觉和稳态因素的整合中发挥着更广泛的作用，这些因素可能用于调节许多其他 16 社会行为。 17
脱碳化的农业化学输入
增加了创新的合成和有机肥料和农药的使用，到2050取代传统合成产品的使用（与空间规划结合在一起）会产生这些产品的生产，运输和应用的排放。此外，创新产生的产量增加可以减少土地使用压力，避免森林砍伐和生物多样性损失。尽管存在权衡取舍，但预计传统合成产品的使用也有望减少污染和农业径流，而生物多样性的结果得到改善。其他有希望的创新可能有助于脱碳化农业化学投入的工业生产。
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/d/dd5abf0752fcc9f891dc4a96743f916f96f28350.png)
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
环境 – 清洁投入
2018 年 3 月 2019 年 3 月 2020 年 3 月 21 日 英国/英国近海 范围 1：自有/控制运营产生的直接排放量 tCO 2 e 76,688.9 74,167.5 66,349.4 60,848.3 范围 2：使用电力和蒸汽产生的间接排放量 tCO 2 e 96,233.6 73,416.0 61,595.3 51,058.1 范围 3：排放 – 商务旅行、电力传输和配电 tCO 2 e 20,747.1 17,701.8 13,722.7 6,920.9 总排放量 tCO 2 e 193,669.6 165,285.3 141,667.4 118,827.3 用于计算的基础能源消耗排放量 kWh 645,286,882.4 610,390,853.8 553,861,833.7 513,073,873.2 全球（不包括英国/英国近海） 范围 1：自有/控制运营的直接排放量 tCO 2 e 105,010.5 93,619.5 100,424.7 97,205.5 范围 2：使用电力和蒸汽产生的间接排放量 tCO 2 e 8,144.8 7,314.3 4,571.0 4,268.6 范围 3：排放 – 商务旅行、电力传输和分配 tCO 2 e 851.4 323.1 364.4 86.8 总排放量 tCO 2 e 114,006.8 101,256.9 105,360.1 101,560.8 用于计算排放量的基础能源消耗 kWh 446,044,504.7 397,521,762.0 417,636,004.0 403,486,309.6 巴布科克集团总计（英国/英国海上和全球） 范围 1：自有/控制运营的直接排放量 tCO 2 e 181,699.4 167,786.9 166,774.1 158,053.7 范围 2：使用电力和蒸汽的间接排放量 tCO 2 e 104,378.4 80,730.3 66,166.3 55,326.7 范围 3：排放 – 商务旅行、电力传输和分配 tCO 2e 21,598.6 18,025.0 14,087.0 7,007.6 总排放量 tCO 2e 307,676.4 266,542.3 247,027.5 220,388.0 计算排放量所用的基础能源消耗 kWh 1,091,331,387.1 1,007,912,615.8 971,497,837.7 916,560,182.8 基础能源消耗 GJ 3,928,793.0 3,628,485.4 3,497,392.2 3,299,616.7 收入 £M 4,659.6 4,474.8 4,428.5 4,182.7
原始投入，国际贸易和合法香烟生产
摘要背景在文献中已经确立了巴西非法香烟的重要市场份额，但在其实际规模方面仍然缺乏清晰度。Paraguay在这次讨论中起着至关重要的作用，既是向巴西的非法烟草产品的供应商，又是巴西的投入购买者。对巴西非法香烟市场的适当分析必然涉及对巴拉圭生产链的更深入讨论及其与巴西市场的互动。方法国际数据用于建立巴拉圭和巴西之间与烟草相关产品的双边法律贸易模式，包括投入和最终产出。受到技术需求方法的启发，可以通过净进口增加国内生产来获得巴西内部未制造的烟草。将其历史行为与巴西内的合法卷烟生产模式进行了比较。假设理性的代理人，巴西香烟生产链的这两个链接应以类似的方式行事：对于较低的最终用法，国内可用的供应较少。任何差异都会暗示生产链中的某些异常。结果巴西是巴拉圭烟草综合大楼的中级商品的相关法律供应商，并且作为巴拉圭烟草相关商品的合法买家（输入或最终商品），其职位无关。Paraguayan净进口生产投入似乎在法律需求方面异常高。结论巴拉圭的香烟生产投入过多，这表明该国有可能过度供应的香烟，这可能转移到非法贸易上。在巴西，多年来出现的国内可用烟草（输入）和基于税收的香烟产量（输出）之间存在明显的差异，而且多年来，更加惊人的，更加惊人的差异。同样，巴西烟草生产链中的差异也是巴西非法烟草交易的证据，不一定是最终产品。对巴西/巴西烟草供应链的更深入分析将受到欢迎，因为这两个国家可能作为法律和非法产品的单一“生产/消费枢纽”（输入或最终烟草产品）的单一“生产/消费枢纽”。公共政策不仅应促进香烟的控制，还应培养其生产的原始投入。
使用可信量子输入进行自我测试和认证
摘要 量子设备的设备独立认证对于安全量子信息协议的开发至关重要。到目前为止，研究最多的场景对应于由不同的非特征化设备组成的系统，观察者用经典输入探测这些设备以获得经典输出。相关量子属性的认证来自对这些没有经典对应物的事件之间相关性的观察。在完全设备独立的场景中，不对设备做出任何假设，因此它们的非经典性源于贝尔非局域性。还存在其他场景，称为半设备独立，其中对设备做出假设，例如其尺寸，并且非经典性与没有经典类似物的其他类型相关性的观察相关。最近，引入了使用可信量子输入进行认证。这项工作的目标是研究这种形式主义的威力，并使用可信量子输入描述各种设置中的自测试协议。我们还将这些不同类型的自我测试与一些最基本的量子信息协议联系起来，例如量子隐形传态。最后，我们将我们的发现应用于量子网络，并提供评估整个网络及其部分质量的方法。