XiaoMi-AI文件搜索系统
World File Search Systeminspire
2024; 14（8）：3246-3266。 doi：10.7150/thno.93755审查生物启发的细胞膜衍生的囊泡用于mRNA递送
Messenger RNA（mRNA）最初在1960年代初发现[1]，并于1984年报告了生物活性mRNA的合成[2]。用作关键中介，mRNA用来操纵靶基因，策划蛋白质或活性物质的表达，从而在遗传信息的传播中发挥关键作用。与基于DNA的蛋白质表达技术不同，mRNA不需要穿透细胞核并避免整合到基因组中[3，4]，从而减少了对安全性的关注。此外，在自发降解后，由细胞有效回收了产生的mRNA产物。与传统的疫苗相反，需要长时间的开发时间，由于抗原替代技术的简单性，mRNA疫苗具有更快的开发周期[5]。发现mRNA疗法的优势在COVID-19大流行期间特别有用，当mRNA技术为
受大脑启发的脉冲神经网络中的终身学习和发展联想记忆
生物系统中的 EAM，更具体地说是大脑中的 EAM，是通过终身学习 (LLL) 创建的，其中相关项目在时间和空间中的结构（例如集群）不断创建和修改。另一方面，LLL 依赖于基于共性和相似性将新项目添加到现有结构中，因此 LLL 和 EAM 是同一过程的双重原则。这种二元性涉及大脑中不同层次的分子和神经功能，例如：神经发生；神经调节；情景重放；元可塑性；多感觉整合。1 大脑中的 LLL 是基于神经网络的人工系统中 LLL 的终极灵感，更具体地说，是基于大脑启发的脉冲神经网络 (SNN) 架构，其中时空联结结构不断形成和修改以形成不断发展的时空联想记忆 (ESTAM)。2–5
一种脑启发式人工智能的伦理分析方法
摘要 尽管人工智能取得了成功，但迄今为止，它在不同的应用领域和目标方面仍然存在许多缺点。这些限制可以说是概念上的（例如，与底层理论模型有关，如符号与联结主义），也是操作上的（例如，与鲁棒性和泛化能力有关）。受生物启发的人工智能，更具体地说是受大脑启发的人工智能，有望提供超出传统人工智能的生物学方面，从而有可能评估并可能克服其目前的一些缺点。本文探讨了受大脑启发的人工智能的开发和使用所引起的一些概念、技术和伦理问题。在此背景下，本文探讨了受大脑启发的人工智能在伦理上是否有任何独特之处。本文的目的是介绍一种具有启发性的方法，可用于识别和解决受大脑启发的人工智能（以及更广泛的人工智能）引起的伦理问题。应用该方法得出的结论是，与传统人工智能相比，类脑人工智能提出了新的基础伦理问题和一些新的实际伦理问题，并加剧了传统人工智能提出的一些问题。
使用模拟综合生物启发的基于搜索的测试
20477481，2024，5，从https://onlinelibrary.wiley.com/doi/10.1002/smr.2591下载，由Statens Beredning，Wiley Online Library，on [07/06/2024]。有关使用规则，请参见Wiley Online Library上的条款和条件（https://onlinelibrary.wiley.com/terms-and-conditions）； OA文章由适用的Creative Commons许可
生物启发的多模式学习，具有有机神经形态电子，用于行为条件
图S6。其他硬件电路以调理传感器信号。用于调节传感器信号的其他硬件电路的电路图。可以在信号强度（电压）和极性（ - /+）中定义每个传感器信号（灰度，超声波，压力和温度），并且可以在每个传感器输出均无信号（0 V）下确定阈值（ - /+）。（a）颜色传感器。（b）用于压力传感器。（C）用于接近传感器。（d）温度传感器。（e）电路通过Arduino Uno 5V模拟输出提供不同级别和极性电压的水平和极性。（f）印刷电路板的照片，没有连接的信号和电缆。
铁氧体掺杂的蔗糖衍生的多孔碳复合材料，灵感来自法老王的蛇，用于宽带电磁波吸收
本文提出了一种直接而有趣的方法，用于设计宽带宽度，轻巧和可调电磁波（EMW）吸收材料。通过燃烧实验从“法老的蛇”中汲取灵感，生物质碳源和蔗糖用于制造Fe/Fe 3 O 4 @porous Carbon（PC）复合材料。随后，应用高温钙化以增强材料的Mi Crowave吸收特性。准备好的复合材料表现出令人印象深刻的6.62 GHz有效带宽，并且在匹配的厚度为2.2 mm的情况下，具有-51.54 dB的出色吸收能力。此外，通过调整磁性颗粒的含量并控制复合材料的厚度，可以实现C，X和KU频段的全面覆盖范围。出色的性能表明，合成的Fe/Fe 3 O 4 @pc多孔材料对电磁波吸收的应用具有重要潜力。它为获取吸收宽带吸收材料的新颖，直接且具有成本效益的方法打开了。
指标指导疟疾诊断的机器学习算法的开发
生活存在于界面。生物细胞的关键特征之一是隔室化，这是由脂质促进的，该脂质促进了水的不可渗透障碍，以控制材料在跨亲水性疏水界面的运输。微生物系统利用脂质以外的大量表面活性剂来适应环境细分市场，修改界面的特性，促进营养物质的代谢和抗菌药物的溶解。因此，它们是一类引人入胜的生物分子类，可以从应用或利基环境中的有效性如何取决于序列，结构和化学性质。此外，人们对基于石化的表面活性剂的负面健康和环境影响越来越多，例如对植物和水生寿命的土壤侵蚀和毒性，以及与石化化学表面活性剂制造相关的碳足迹和相关的温室气体排放。在这篇综述中，我们讨论了生物表面活性剂和应用的特性，并突出了文献中描述的基于独特潜力和应用的生物性生物表面活性剂的示例。随着社会向循环生物经济的过渡，我们对合成生物学开发新材料（例如生物表面活性剂）的潜力感到兴奋，以促进这种重要的过渡。
基于脑启发前向的图神经网络...
工业中的过程控制（Huang et al., 2023; Liu et al., 2023; Zhang R. et al., 2023）。受益于信号处理和深度学习（DL）的进步，BCI 的一个突出子集是脑电图 (EEG)（Gao and Mao, 2021; Zhao et al., 2022; Li H. et al., 2023）。EEG 技术主要用于识别和分类运动想象 (MI) 信号，这对中风患者等行动障碍者来说是一种重要的辅助手段。EEG 的高精度、实时响应和成本效益使其有别于其他神经成像技术，如脑磁图和功能性磁共振成像（Huang et al., 2021; Mirchi et al., 2022; Tong et al., 2023）。传统的 MI-EEG 分类算法采用空间解码技术，利用从头皮记录的多通道 EEG 数据来识别运动意图 (Xu et al., 2021)。为了对来自多通道 MI-EEG 的信号进行分类，已经提出了各种方法，有效地捕捉它们的时间、频谱和空间特征 (Tang et al., 2019; Wang and Cerf, 2022; Hamada et al., 2023; Li Y. et al., 2023)。鉴于 EEG 信号的节律性和非线性特性，已经提出了几种利用小波调制和模糊熵的特征提取技术。 Grosse（Grosse-Wentrup and Buss，2008）介绍了一种结合公共空间模式 (CSP) 进行空间滤波和降低维数的方法，并辅以滤波器组技术将空间细化信号划分为多个频率子带。同样，Malan 和 Sharma（2022）开发了一个基于双树复小波变换的滤波器组，将 EEG 信号分离为子带。将 EEG 信号分割成这些子带后，通过 CSP 从每个子带得出空间特征，随后采用监督学习框架进行细化。Fei 和 Chu（2022）提出了一种利用相空间和小波变换的多层孪生支持向量机。尽管这些方法具有潜力，但它们忽略了电极之间的拓扑关系，因此需要进一步优化以提高 MI 分类准确性。认识到神经科学对脑网络动力学和神经信号传播机制的日益重视，图卷积网络 (GCN) 已被引入用于解码 EEG 信号（Wang 等人，2021；Du G. 等人，2022；Gao 等人，2022）。然后 Kipf 和 Welling（2016）将图论和深度学习结合起来以捕捉节点之间的关系。巧合的是，Hinton（2022）提出的神经传递领域的一个突破性概念前向-前向 (FF) 机制正在引起人们的关注。该机制提供了一种有效的方法来处理神经网络中的序列数据，而无需存储神经活动或暂停以进行错误传播。我们的研究旨在将 FF 机制与 GCN 相结合，用于基于 EEG 的 BCI，从而在运动意象分类方面取得重大进展。在研究中，我们提出了一种创新的 F-FGCN 框架用于 MI 分类。我们研究的突出贡献如下：