XiaoMi-AI文件搜索系统
World File Search Systemng
DeepFLASH：基于学习的医学图像配准高效网络
本文介绍了 DeepFLASH，一种用于基于学习的医学图像配准的高效训练和推理的新型网络。与从高维成像空间中的训练数据中学习空间变换的现有方法相比，我们完全在低维带限空间中开发了一种新的配准网络。这大大降低了昂贵的训练和推理的计算成本和内存占用。为了实现这一目标，我们首先引入复值运算和神经架构表示，为基于学习的配准模型提供关键组件。然后，我们构建了一个在带限空间中完全表征的变换场的显式损失函数，并且参数化要少得多。实验结果表明，我们的方法比最先进的基于深度学习的图像配准方法快得多，同时产生同样精确的对齐。我们在两种不同的图像配准应用中展示了我们的算法：2D 合成数据和 3D 真实脑磁共振 (MR) 图像。我们的代码可以在https://github.com/jw4hv/deepflash上找到。
2019 年冠状病毒疾病药物再利用前景
2019 年新出现的新型冠状病毒 (CoV)，被称为严重急性呼吸综合征冠状病毒 2 (SARS-CoV-2)，与 SARS-CoV（现为 SARS-CoV-1）和中东呼吸综合征冠状病毒 (MERS-CoV) 一样，感染率很高，已导致超过 36,405 人死亡。在没有获批上市的抗冠状病毒药物的情况下，全球范围内治疗和管理这种新型冠状病毒疾病 (COVID-19) 是一项挑战。药物再利用是一种有效的药物发现方法，它源自早期获批的药物，与从头药物发现相比，可以减少时间和成本。直接针对病毒的抗病毒药物针对病毒的特定核酸或蛋白质，而基于宿主的抗病毒药物则针对宿主的先天免疫反应或对病毒感染至关重要的细胞机制。这两种方法都必然会干扰病毒的致病机制。在这里，我们总结了目前针对冠状病毒（尤其是 SARS-CoV-2）的基于病毒和基于宿主的药物再利用前景的现状。
Linguaskill 练习材料
Linguaskill 通用阅读和听力初级测试 1 Linguaskill 通用阅读和听力初级测试 2 Linguaskill 通用阅读和听力中级测试 1 Linguaskill 通用阅读和听力中级测试 2 Linguaskill 通用阅读和听力高级测试 1 Linguaskill 通用阅读和听力高级测试 2
博士论文药代动力学-药效学建模...
联合药物疗法是成功治疗多种疾病的关键，在这些疾病中单一疗法效果不够好或出现了耐药性。因此，开发新的药物组合是主要关注点。固定剂量组合也是如此，近年来批准的固定剂量组合有所增加。开发固定剂量组合通常需要进行大规模析因设计研究以验证组合的疗效。随着对药物个性化的更多关注，需要为患者提供几种剂量水平的固定剂量组合。对于析因设计研究，这将导致非常昂贵的临床试验。为了降低开发成本并指导药物开发，必须验证现有工具并开发新工具。然而，用于分析固定剂量组合的此类基于模型的工具还处于起步阶段。
利用封存的二氧化碳作为地热工作流体来发电和储存能量
在本文中，我们描述了一种新型 CPGES，称为地球电池扩展 II (EBE II)，它使用大型表面储罐或气量计在接近大气压的条件下储存二氧化碳。这使得电池放电阶段最多可产生 260 MW e 的电力，而单靠 CPG 只能产生 2.5 MW e。此外，新的 CPGES 系统可以配置为生产可在接近大气压下升华的固体 CO2（干冰），提供 -78 °C 的散热器，可用于一般冷却目的，特别是用于从空气中低温捕获二氧化碳。反过来，这种二氧化碳可用于开发更多这样的 CPGES 系统。如果不需要散热器，可以通过增加（额外）级来优化涡轮机，从而增加电力输出而不会形成干冰。
ETCS2020-Brochure.pdf - 瓦朗加尔
SREC 成立于 2002 年，提供各种工程和管理本科和研究生课程，其核心价值是创新、创造力和创业思维。为了在校园内建立创业产品开发文化，该学院将其他核心价值确定为跨学科学习、行业相关性和信息技术。它一直走在前列，每年为 3000 多名学生提供优质教育。该学院被 UGC 授予自治权，经 NAAC 认证，所有课程均经 NBA 认证。该学院已与多所国内外大学/学院合作，以提高教育标准并开展应用研究。为了在其核心价值观的基础上培育创新教育生态系统，该学院成立了创造性认知中心、科学技术创业巢、设计中心和社会创新合作实验室。该学院通过基础研究到技术演示等各个领域的大量项目获得了大量研究资金，这些项目由 DST、AICTE、UGC 和其他组织赞助，其中 20 个项目已完成，13 个项目正在进行中。该校拥有教育思想领袖、工程和管理学生、执业设计师和企业家，推动了创新生态系统。
通过抽象学习：神经状态机
我们引入了神经状态机，力求弥合人工智能的神经和符号视图之间的差距，并整合它们互补的优势以完成视觉推理任务。给定一张图像，我们首先预测一个表示其底层语义并作为结构化世界模型的概率图。然后，我们对图进行顺序推理，迭代遍历其节点以回答给定的问题或得出新的推论。与大多数旨在与原始感官数据紧密交互的神经架构不同，我们的模型在抽象的潜在空间中运行，通过将视觉和语言模态转换为基于语义概念的表示，从而实现增强的透明度和模块化。我们在 VQA-CP 和 GQA 上评估了我们的模型，这两个最近的 VQA 数据集涉及组合性、多步推理和多样化的推理技能，在这两种情况下都取得了最先进的结果。我们进行了进一步的实验，说明了该模型在多个维度上的强大泛化能力，包括概念的新组合、答案分布的变化和看不见的语言结构，证明了我们方法的质量和有效性。
