XiaoMi-AI文件搜索系统
World File Search Systemmiliar
气候变化的补偿和道德经济问题
气候危机已经到来。野火燃烧时间越来越长，温度越来越高，将房屋烧成灰烬。暴风雨以更快的速度倾泻更多的水，冲向已铺砌和建造的地区，淹没私人财产和公共基础设施。已经观测到的海平面上升已经侵蚀了海岸线，并在涨潮时产生“晴天”洪水，扰乱了正常的生活。那么，谁来为所有这些损失和损害买单，又要付出多少代价？到目前为止，经济社会学已经教会了我们很多关于核算和缓解未来或进一步气候变化的经济方法，即各种行为者如何调动市场和市场技术来衡量、定价和交换排放，以及其中的政治（例如，Engels 和 Wang 2018；Liu 2017；Lohmann 2009；Lovell 2014；MacKenzie 2009）。我们对气候变化影响的经济影响的复杂问题知之甚少——这些影响不再是假设，而是已经在世界各地以不均衡的方式感受到和解决。本着加强经济社会学对气候变化这一特定维度的参与的精神，我在这里概述了气候变化补偿的争议问题，其中经济社会学家熟悉的过程——均衡、经济化、估值——揭示了经济技术和理性的作用、知识和政治权力的配置、公共和私人之间模糊和有争议的界限以及文化
量子纠错综述
最近，量子计算重新引起了人们的关注，因为已经报道了几台较大规模的量子计算机，例如 [1]。容错量子计算（FTQC）[2]被认为是实现大规模量子计算机必不可少的。FTQC 对量子纠错码（QECC）中的码字执行计算，而不将其解码为原始信息。量子纠错可以分为两大类，一类是经典信息（比特序列）的传输，另一类是量子信息。FTQC 依赖于后者，因为量子计算机的内存由量子信息组成。本综述也关注后者。我们假设读者熟悉传统纠错理论和初等代数。特别是，假设读者具备张量积的知识。熟悉这些知识后，本文就可以自洽地阅读了。虽然本综述只对量子信息做了最低限度的回顾，但我们仍推荐 [3] 作为一本不错的量子信息入门教材。传统的纠错码通过向原始信息中添加冗余来纠正经典信息中的错误。量子不可克隆定理 [4] 认为这种冗余的添加是不可能的，量子纠错也是如此。然而，Shor 通过明确提供 QECC 的例子推翻了这种天真的信念 [5] ，这引发了人们对 QECC 的广泛研究关注，当时提出了许多 QECC 的构造。
MRC East IGO 1ST FY23 NEWSLETTER.pub
我和我的儿子都是棒球迷。我们住在国家首都地区，我们为国民队加油，不可否认，他们上个赛季的表现并不好。我的儿子也喜欢打棒球，我喜欢执教他并看着他成长为一名运动员。作为教练，当孩子们需要提示以确保他们专注于比赛时，我经常会问“谁上场了或者谁在一垒”。当然，当我问“谁在一垒”时，它会让我想起经典的艾伯特和科斯特洛表演，如果你不熟悉这个表演，这里有一个链接 https://www.youtube.com/watch?v=2ve20PVNZ18。在这个喜剧小品中，卢科斯特洛想知道队里球员的名字。巴德艾伯特回答说：“谁在一垒，什么在二垒，我不知道在三垒。”误解源于奇怪的球员名字，再加上对被问到的问题的直接回答，使得这种情况有点幽默。在现实生活中，误解和沟通不畅会造成挫败感，进而引发投诉。作为公正的事实调查者，您的 IG 团队随时准备回答您的问题，并通过我们的四项职能（协助、教育和培训、检查和调查）协助消除误解。请与我们联系，我们将尽最大努力解决您的投诉，并一劳永逸地找出谁是第一。
AI 和 Gaia-X
人工智能 (AI) 并不是一个新话题，Gaia-X 从一开始就参与了 AI 的开发和使用。Gaia-X 生态系统不仅通过解决 AI 面临的许多挑战来促进 AI 的开发和使用，而且还有多个 Gaia-X 项目在不同程度上处理 AI。然而，即使我们听说过个别项目或计划，也没有对 Gaia-X 背景下的 AI 进行清晰、系统的概述。本文提供了这种概述。需要注意的是，本文并没有讨论与 AI 和 Gaia-X 相关的每个功能和问题，也没有讨论 Gaia-X 内每个与 AI 相关的项目。相反，它试图提供清晰度，让那些不太熟悉 Gaia-X 的人能够对 Gaia-X 背景下的 AI 有一个扎实的理解。本文的第一部分概述了 AI，并强调了该主题的复杂性和多层次性。接下来是 AI 面临的一些关键挑战的概述。为了提供更系统、更清晰的概述，这些挑战分为以下几个部分：经济/组织、技术和监管。本文的第二部分概述了人工智能领域的全球竞争格局，并概述了欧盟和德国政府的人工智能战略。这里，Gaia-X 对人工智能的意义被置于背景中，特别是数据空间对欧洲人工智能发展的重要性。第三部分介绍了 Gaia-X，并解释了它如何通过解决第一部分中描述的许多挑战来促进人工智能的发展。第四部分讨论了三个与人工智能相关的 Gaia-X 项目。之所以选择 EuProGigant（工业 4.0）和 Gaia-X 4 AI（移动性），是因为这些行业对德国经济的重要性。之所以选择 OpenGPT-X（大型语言模型），是因为大型语言模型在人工智能重新成为一个非常流行的话题方面发挥了作用。
从学校到职场的过渡
过去十年中，公众开始关注许多年轻人在变化的经济环境中找不到自己的方向、难以获得体面的生活。一场广泛的运动正在全国范围内兴起，旨在更好地将学校与职业机会和继续教育结合起来，帮助这些年轻人取得成功。1994年，国会通过了《从学校到工作场所机会法案》（STWOA），该法案协助各州和地方建立全面的从学校到工作场所的过渡系统。扩大以工作为基础的学习是这场改革运动的一个方面。对于实习很常见的卫生领域或存在学徒制的技术行业的人来说，以工作为基础的学习是一个熟悉的概念，但对许多其他人来说则并非如此。STWOA 旨在以新的方式将在校学习与工作场所学习结合起来，使其成为年轻人教育和职业准备的共同特征。国会通过学校到工作法案后不久，参议院劳工和人力资源委员会和众议院教育和劳工委员会（现为经济和教育机会委员会）要求 OTA 评估作为学校到工作一部分的以工作为基础的学习的潜力和问题。报告显示，以工作为基础的学习前景广阔，但实施起来却很困难。以工作为基础的学习可能有助于学生认识到他们以后生活中的学术研究的相关性，允许学生探索职业选择，并帮助他们发展所需的职业技能。但是，实施良好的以工作为基础的学习计划需要学校和参与企业付出相当大的努力。能否招募到许多企业参与仍有待观察。在整个研究过程中，顾问小组、承包商和许多其他人对制定报告中讨论的问题、确定信息来源和提供反馈意见非常有帮助。OTA 感谢他们做出的巨大贡献。然而，他们的参与并不一定代表对报告内容的认可，OTA 对此负全部责任。
从学校到工作的过渡
在过去十年中，公众已经注意到许多年轻人在不断变化的经济环境中寻找出路和获得体面生活方面遇到的困难。一场广泛的运动正在全国范围内兴起，旨在更好地将学校与职业机会和进一步教育联系起来，以帮助这些年轻人取得成功。1994 年，国会通过了《从学校到工作机会法案》（STWOA），该法案协助各州和地方建立全面的从学校到工作的过渡系统。扩大以工作为基础的学习是这场改革运动的一个方面。对于那些在实习很常见的健康领域或学徒制存在的技术行业的人来说，以工作为基础的学习是一个熟悉的概念，但对许多其他人来说则不然。STWOA 旨在以新的方式将学校学习与工作场所学习结合起来，使其成为年轻人教育和职业准备的共同特征。国会通过学校到工作法案后不久，参议院劳工和人力资源委员会和众议院教育和劳工委员会（现为经济和教育机会委员会）要求 OTA 评估作为学校到工作组成部分的工作学习的潜力和问题。正如报告所示，工作学习前景广阔，但实施起来却很困难。工作学习可以帮助学生看到他们以后的学术研究的相关性，让学生探索职业选择，并帮助他们发展所需的职业技能。但实施良好的工作学习计划需要学校和参与企业付出巨大努力。能否招募到众多企业参与仍有待观察。在整个研究过程中，顾问小组、承包商和许多其他人对制定报告中涉及的问题、确定信息来源和提供反馈意见都提供了很大帮助。OTA 感谢他们做出的巨大贡献。然而，他们的参与并不一定代表对报告内容的认可，OTA 对此负全部责任。
经济学
课程概述 学习经济学为学生提供了宝贵的技能，这些技能将使他们在许多职业中受益匪浅。经济学学士学位使毕业生能够在经济预测、经济政策分析、金融市场和机构以及公共政策等领域从事各种职业。经济学本科学位还为进入经济学、金融、工商管理、法律、政治学、政治经济学和公共管理等研究生课程奠定了基础。经济学关注的是人类活动所围绕的基本原则 — 我们的需求是无限的，而满足这些需求的资源却不是。任何经济系统都必须确定从这些有限的资源中生产什么，以及如何在其人口中分配由此产生的产出。解决这个问题所必需的人类组织和经济机制是一个非常复杂的问题，特别是在高度分散的决策社会中，例如我们自己的私营企业经济。经济学学科的目标是解释经济如何运作、表现如何以及如何表现得更好。值得注意的是，经济学是社会科学领域中唯一获得诺贝尔奖的学科。在解决这些问题时，经济学采用自己的方法或思维方式。经济学系的目标是培养学生“像经济学家一样思考”的能力。要实现这一目标，我们的学生必须熟悉严谨的经济推理，从而熟悉经济科学的分析工具。这个过程涉及解决问题和创造技能的发展。这些属性反过来又增加了对当今经济现象的理解，并促进了对不断变化的世界变化后果的有效预测。学生为现在做好准备，为未来做好准备。可供选择的课程范围广泛，使学生能够根据自己的目标量身定制学习内容。可以从以下大纲中选择荣誉、主修、辅修和联合课程，例如国际政治经济学。
Nicholas M. Blauch 博士
• BinHuraib, T.、Tuckute, G.、*Blauch, NM Topoformer：通过空间查询和重新加权在 Transformer 语言模型中实现类似大脑的地形组织。（2024 年）。国际学习表征会议 (ICLR)，Re-Align 研讨会。*表示联合负责人和主要主管。• Vin, R.、Blauch, NM、Plaut, DC、Behrmann, M。视觉文字处理涉及分层、分布式和双边皮质网络。（2024 年）。iScience，27，108809。• Brookshire, G.、Kasper, J.、Blauch, NM、Wu, YC、Glatt, Ryan、Merrill, D.、Gerrol, S.、Yoder, KJ、Quirk, C.、Lucero, C。深度学习翻译脑电图研究中的数据泄漏。神经科学前沿。 • Ayzenberg, V.、Blauch, NM、Behrmann, M. 使用深度神经网络解决物体识别的方法 (2023)。PsyArxiv。对 TiCS 评论的反驳。• Blauch, NM Behrmann, M.、Plaut, DC 灵长类高级视觉皮层拓扑组织的连接约束计算说明 (2022)。美国国家科学院院刊，119 (3)。• Blauch, NM、Behrmann, M.、Plaut, DC 对人类陌生和熟悉面孔识别感知专业知识的计算洞察 (2021)。认知，208，104341。• Blauch, NM、Behrmann, M. Plaut, DC (2021)。熟悉和不熟悉面孔的共享感知表征的深度学习：对评论的回复。认知，208，104341。• Granovetter, M.、Burlingham, C.、Blauch, NM、Minshaw, C.、Heeger, D.、Behrmann, M. (2020) 不寻常的任务诱发瞳孔反应表明自闭症中存在不典型的蓝斑活动。神经科学杂志。• Blauch, NM、Behrmann, M. (2019)。以 3D 形式呈现面部。自然人类行为。评论。• Blauch, NM、Aminoff, E.、Tarr, MJ (2017)。功能局部化表示包含分布式信息：从深度卷积神经网络模拟中获得的见解。认知科学学会第 39 届年会论文集。
图书馆对 CRISPR-CAS 的使用进行审查......
简介：抗生素耐药性是一个全球性问题，由于过度和不合理使用抗生素，杀死了体内的致病细菌和正常菌群。这会导致对多种抗生素产生多重耐药性的细菌的形成。世卫组织估计，全球因抗生素耐药性造成的死亡人数已达每年70万，医疗机构用于克服抗生素耐药性的成本估计每年约为15亿美元。除了抗生素之外，还可以应用许多创新疗法来对抗 AMR（抗菌素耐药性）细菌，例如 CRISPR（成簇的规律间隔的短回文重复序列），它已被证明可用于针对致病细菌的基因，例如编码生物膜形成、毒力因子或特别是抗菌素耐药性的基因。该药物靶点较强且不影响其他正常菌群，因此可以作为治疗抗生素耐药性疾病的主要选择。讨论：文献研究表明，CRISPR 疗法伴随 CRISPR 相关蛋白 9（Cas9）已被证明能够通过切割在毒力因子、代谢和抗菌素耐药性酶中发挥作用的基因（例如 bla、sul2 和 mcr-1 基因）在体内和体外进行基因组编辑，从而可以消除金黄色葡萄球菌、大肠杆菌和藻类希瓦氏菌等耐药细菌，或使其再次对在进行 CRISPR 疗法之前最初给予的抗生素变得敏感。 CRISPR-Cas9还可以通过将Cas9修饰为dCas9来激活或抑制基因表达，起到基因表达控制器的作用，可以作为FLASH方法中的应用，用少量样本检测序列。结论：因此，基于 Cas9 的 CRISPR 疗法有可能成为抗菌素耐药性治疗的主要手段。关键词：CRISPR-Cas9、感染、抗生素耐药性
脑启发计算 脑启发计算
背景：类脑计算将传统计算技术与受人脑启发的计算和认知思想、原理和模型相结合，以构建智能信息系统，用于我们的日常生活。图像和语音处理、盲信号分离、创造性规划和设计、决策、自适应控制、知识获取和数据库挖掘只是类脑计算应用的一些领域。我们对大脑功能了解得越多，信息系统就越智能。本书还介绍了心智和意识建模的一个主题，以及人工智能领域的其他新理论模型和应用。人脑是一种非常节能的装置。从计算角度来说，它仅需 20 瓦的功率就能每秒执行相当于十亿亿亿亿次浮点运算（1 后面跟着 18 个零）的数学运算。相比之下，世界上最强大的超级计算机之一“橡树岭前沿” (Oak Ridge Frontier) 最近演示了百亿亿次计算能力。然而，要实现这一壮举需要数百万倍的功率，即 20 兆瓦。我和我的同事希望通过大脑来指导开发强大而节能的计算机电路设计。你看，能源效率已经成为阻碍我们制造更强大的计算机芯片的一个主要因素。虽然更小的电子元件已成倍地提高了我们设备的计算能力，但进展却正在放缓。有趣的是，我们对大脑如何运作的看法一直是计算机世界的灵感源泉。为了理解我们是如何得出这种方法的，我们需要简单回顾一下计算的历史。人脑是宇宙中最复杂的物体之一。它能够在不断变化的环境中执行高级认知任务，例如抽象、概括、预测、决策、识别和导航。大脑这种较高的认知能力得益于它的功耗非常低，只有20W。大脑能效高的原因主要有两点：一是信息交换和处理是事件驱动的；因此，尖峰能量仅在需要的时间和地点被消耗。其次，神经元和突触位于同一个神经网络中，高度互联，每个神经元平均与104个其他神经元相连。神经元/突触共位意味着数据处理（由突触兴奋和神经元放电组成）和记忆（由突触权重和神经元阈值组成）在大脑内共享同一位置。许多研究工作旨在模仿人类大脑的计算类型，以实现非凡的能源效率。这是神经形态工程的目标，其中，脉冲神经网络（SNN）是利用人工神经元和突触开发出来的。 SNN 通常采用与 Rosenblatt 和 Minsky 开创的传统感知器网络相同的全连接 (FC) 架构。然而，在 SNN 中，神经元和突触通常表现出对施加的尖峰的时间依赖性响应，例如神经元内的整合和发射以及跨突触的兴奋性突触后电流 (EPSC)。这与用于计算机视觉和语音识别的人工智能 (AI) 加速器中的传统人工神经网络 (ANN) 形成对比，其中信息是同步的并且基于信号幅度而不是时间。大多数 SNN 通常依赖于互补金属氧化物半导体 (CMOS) 技术，具有两个显著的关键优势：首先，CMOS 技术在半导体行业生态系统中广泛可用，包括设计、制造和鉴定，为基于 CMOS 的神经形态工程成为成熟主题创造了条件。其次，CMOS晶体管可以按照摩尔定律小型化，其中减小