XiaoMi-AI文件搜索系统
World File Search Systemiterative
无需供体 DNA 模板，CRISPR/FnCas12a 介导的细菌植物病原体高效多重和迭代基因组编辑
1 中国农业科学院植物保护研究所，植物病虫害生物学国家重点实验室，北京，2 农业农村部桂林农作物害虫科学观测实验站，桂林，3 中国农业科学院作物科学研究所，国家农作物基因资源与遗传改良重大科学研究设施，北京，4 南京农业大学，植物病虫害监测与治理教育部重点实验室，南京，5 上海交通大学农业与生物学院，微生物代谢国家重点实验室，上海，6 浙江大学生物技术研究所，水稻生物学国家重点实验室，杭州，
故障估计与容错控制的鲁棒集成迭代策略 ✩
本文考虑了具有执行器和传感器故障、不确定性和干扰的线性参数变化系统的故障估计 (FE) 和容错控制 (FTC)。在设计中需要考虑 FE 和 FTC 功能之间不可避免的耦合，以确保基于 FE 的 FTC 闭环系统的整体性能和鲁棒性。本文提出了一种迭代策略，利用分离原理和小增益定理的概念实现 FE 和 FTC 的稳健集成。迭代算法涉及在每次迭代中求解多目标线性矩阵不等式优化问题，并具有有限步收敛保证。通过数值模拟说明了所提算法的有效性及其相对于现有工作的优势。© 2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
基于单精度浮点非迭代粗到精配准...
摘要。可变形图像配准是医学图像分析中的关键步骤，用于找到一对固定图像和运动图像之间的非线性空间变换。基于卷积神经网络 (CNN) 的深度配准方法已被广泛使用，因为它们可以快速、端到端地执行图像配准。然而，这些方法通常对具有较大变形的图像对性能有限。最近，迭代深度配准方法已被用来缓解这一限制，其中变换以由粗到细的方式迭代学习。然而，迭代方法不可避免地延长了配准运行时间，并且倾向于在每次迭代中学习单独的图像特征，这阻碍了利用这些特征来促进以后的迭代配准。在本研究中，我们提出了一种用于可变形图像配准的非迭代由粗到细配准网络 (NICE-Net)。在 NICE-Net 中，我们提出了：(i) 单次深度累积学习 (SDCL) 解码器，可以在网络的单次（迭代）中累积学习从粗到细的转换；(ii) 选择性传播特征学习 (SFL) 编码器，可以学习整个从粗到细配准过程的常见图像特征并根据需要选择性传播这些特征。在 3D 脑磁共振成像 (MRI) 的六个公共数据集上进行的大量实验表明，我们提出的 NICE-Net 可以胜过最先进的迭代深度配准方法，而只需要与非迭代方法类似的运行时间。
双TAP基因驱动器使用迭代基因组靶向来帮助克服抗性等位基因
HOHING CRISPR基因驱动器可以帮助遏制媒介传播疾病的传播，并由于遗传率通过了孟德尔法律而控制作物害虫和入侵物种种群。然而，这项技术遭受了当驱动诱导的DNA断裂通过错误的途径修复时形成的电阻等位基因，这会产生破坏GRNA识别序列并阻止进一步基因驱动过程的突变。在这里，我们试图通过编码针对基因驱动器中最常见的抗性等位基因的其他GRNA来抵消这一点，从而在基因驱动转换时进行了第二次反应。我们提出的“双击”策略通过回收阻力等位基因改善了驱动效率。双击驱动器还有效地在笼中的种群中扩散，表现优于控制驱动器。总体而言，这种双重tap策略可以在任何基于CRISPR的基因驱动器中很容易实现，以提高性能，并且类似的绝对能力可以使其他患有低HDR频率的系统（例如哺乳动物细胞或小鼠种系转换）。
无参数优化算法的迭代波前塑形
通过散射培养基的光聚焦对生物组织中的光学应用有重大影响。最近，迭代的波前塑形已成功地用于通过或内部散射介质进行光聚焦，并引入了各种启发式算法以提高性能。虽然令人鼓舞，但可能需要大量的努力来调整参数朝着强大和最佳优化。此外，对于不同的散射样品和实验条件，最佳参数可能会有所不同。在这封信中，我们通过将传统的遗传算法（GA）与BAT算法（BA）相结合，提出了一种“智能”无参数算法（PFA），并且可以通过实时反馈自动计算突变率。在迭代WFS中使用此方法，可以在没有参数调整过程的情况下实现可靠和最佳性能。
通过迭代测量辅助函数实现光谱投影的量子算法
量子力学的测量公设指出，在测量可观测量 ˆ o 时，只能观察到其特征值 on ，并且系统的状态将在测量之后立即投影到相应的特征态 | on ⟩ ，对于该特征态 ˆ o | on ⟩= on | on ⟩ 。此外，Born 规则规定，对于初始量子态 | ψ 0 ⟩ ，出现这种结果的概率为 pn = |⟨ on | ψ 0 ⟩| 2 。是否能够推导出该规则并将其从量子力学公设中剔除仍然是一个基本问题[1]。从量子信息处理的角度来看，这种谱投影的一般构造也具有实际意义。例如，参考文献[2] 构建了一种量子行走方法来实现这一点，并强调了其在执行优化问题的量子模拟退火 (QSA) 算法的关键步骤中的实用性[3]。后者可以作为绝热量子计算 (AQC) [4,5] 的替代方法。事实上，标准量子相位估计 (QPE) [6] 及其变体 [7–9] 也可以在系统不处于本征态时实现近似谱投影。QPE 在很多量子信息处理应用中都至关重要 [6]，包括因式分解，以及与本文更相关的文献 [2] 中的量子行走谱测量，以及制备热吉布斯态的相关方法 [10–13]。标准 QPE 使用 O(tg) 个受控 c − U2k 形式酉门（k = 0 至 tg − 1）对相位值的 tg 个二进制数字进行编码（以 2π 为单位），并且它需要 O(t2g) 个门在逆量子傅里叶变换中检索相位 [6]。至于 QPE 的精度，为了使相位在 m 个二进制数字中准确，且成功概率至少为 1 − ϵ ，所需的辅助量子比特总数为 tg = m + log 2 (2 ϵ + 1 / 2 ϵ ) [ 6 ] 。换句话说，使用 tg 个辅助量子比特可以使相位值在 tg − log 2 (2 ϵ + 1 / 2 ϵ ) 二进制数字中准确。因此，相位的精度受到用于表示相位值以及用作光谱投影子程序时可用的辅助量子比特数量的限制
使用迭代算法计算混凝土的软化曲线
其唇缘。传递应力与唇缘张开之间的关系是材料的一种特性，称为软化曲线。直接测量该函数极其困难，因此，为了确定它，采用了间接程序。它们包括将真实曲线近似为依赖于多个参数的分析曲线，并通过实验确定这些参数[5,6]。最显着的简化模型之一是双线性曲线，由两个直线段组成，取决于三个参数：粘结阻力、断裂能和两个双线性段之间的分离点坐标。该曲线可以可靠地预测混凝土行为[6,13]。在[14]中可以找到一种不同的方法，其中软化曲线由一组材料参数参数化，这些参数确定为最小化实验结果和数值结果之间的差异。在当前工作中，应用迭代算法，该算法