XiaoMi-AI文件搜索系统
World File Search Systemontologies
![arXiv:2106.15136v1 [cond-mat.mtrl-sci] 2021 年 6 月 29 日](/simg/c\c63a871bcbc2a2ac668712c98b3cbe57f35de8bd.webp)
arXiv:2106.15136v1 [cond-mat.mtrl-sci] 2021 年 6 月 29 日
摘要。材料科学领域关注的是材料的特性和性能。一类重要的材料是晶体材料，它们通常含有“位错”——一种线状缺陷类型。位错决定了许多重要的材料特性。在过去的几十年里，人们付出了巨大的努力来理解不同长度尺度上的位错行为，既采用了实验表征技术，也采用了模拟技术。然而，对于描述这种位错结构，仍然缺乏一个共同的标准来表示和连接不同但相关的社区之间的位错领域知识。本体提供了一个共同的基础，以实现知识表示和数据互操作性，这是建立“数字孪生”的重要组成部分。本文概述了位错领域本体设计的第一步，并展示了与材料科学和工程领域中已有本体的联系。
![arxiv：2101.07960v1 [cs.dl] 2021年1月20日](/simg/2\22358061b59664af9bc55c24890284492b434db1.webp)
arxiv：2101.07960v1 [cs.dl] 2021年1月20日
当今材料科学研究的一个主要挑战是，即使是数字形式，人为体现主要是文本的。研究人员通过实验进行了材料，并在文本文献中记录了其发现，例如学术文献和专利。从这些文物中提取知识的最常见方法是读取所有相关文档，并逐步提取知识。但是，阅读是耗时的，并且在读取和综合所有相关知识[26,28]通常是不可行的。因此，有效提取知识和数据成为一个问题。解决这一挑战的一种方法是使用特定领域的本体学知识提取[18]。不幸的是，目前在该领域的材料科学工作受到相关本体学的访问和使用有限和使用的阻碍。这种情况不需要改善材料科学研究的本体访问和使用状态，这是此处介绍的工作的关键目标。
电池制造知识基础架构的多准则优化基于模拟设计的决策支持
摘要该立场论文报告了项目电池组件双胞胎（BATCAT）中的需求分析，该分析开发了用于电池制造的数字双胞胎。重点是在语义Web技术与材料科学与工程之间的交集，特别是语义互操作性层和决策支持系统（DSS）之间的共同设计。首先，提供了有关架构的外观以及基于哪些技术和以前的工作的愿景和想法。的关键要素包括在语义技术的侧面，将元对象设施（MOF）带有Ontocommons生态系统作为元元素级（MOF M3级），这是一种具有OWL EL或RL ELL表现性的系统，或基于MOF M2级的MetAmodel（MOF M2级）和MOF M1-Ele-level Models。在DSS的侧面，答案集编程将与多标准优化（MCO）结合使用，以便将MCO应用于模型参数化和仿真设计，以充分利用计算资源和数据。
在情感科学中实现跨学科研究
摘要。有效的科学对情绪和其他影响现象进行了跨学科研究。目前，由于缺乏用于描述，表现和报告个人情感经历的术语的共同定义以及对这种经验的科学研究的结果，因此对此类研究进行了影响。高质量的本体论为现实中的实体类型和此类实体之间的关系提供正式的定义，这些定义可用于跨不同学科跨不同的数据进行分析和统一数据。迄今为止，几乎没有针对这种有效现象的正式代表，部分原因是在定义和分类事务上有效的科学社区中广泛的辩论。为了确定这一要求，我们正在发展情感本体（EMO）。可从https://emotion-ontology.googlecode.com/svn/trunk/下载完整的OWLDOC文档和生成的OWLDOC文档。
b'靶标发现对于药物开发至关重要，尤其是对于复杂的慢性疾病。高通量技术的最新进展和生物医学数据的爆炸式增长凸显了计算药物可药性预测方法的潜力。然而，大多数当前方法依赖于基于序列的特征和机器学习，这通常面临与手工制作的特征、可重复性和可访问性相关的挑战。此外，原始序列和蛋白质结构的潜力尚未得到充分研究。在这里，我们使用深度学习技术利用蛋白质序列和结构，揭示蛋白质序列，特别是预训练的嵌入，比蛋白质结构更具信息量。接下来，我们开发了 DrugTar，这是一种高性能深度学习算法，将来自 ESM-2 预训练蛋白质语言模型的序列嵌入与蛋白质本体相结合以预测药物可药性。DrugTar 实现了曲线下面积和精确召回曲线值高于 0.90，优于最先进的方法。总之，DrugTar 简化了靶标发现，这是开发新型疗法的瓶颈。'
b'靶标发现对于药物开发至关重要，尤其是对于复杂的慢性疾病。高通量技术的最新进展和生物医学数据的爆炸式增长凸显了计算药物可药性预测方法的潜力。然而，大多数当前方法依赖于基于序列的特征和机器学习，这通常面临与手工制作的特征、可重复性和可访问性相关的挑战。此外，原始序列和蛋白质结构的潜力尚未得到充分研究。在这里，我们使用深度学习技术利用蛋白质序列和结构，揭示蛋白质序列，特别是预训练的嵌入，比蛋白质结构更具信息量。接下来，我们开发了 DrugTar，这是一种高性能深度学习算法，将来自 ESM-2 预训练蛋白质语言模型的序列嵌入与蛋白质本体相结合以预测药物可药性。DrugTar 实现了曲线下面积和精确召回曲线值高于 0.90，优于最先进的方法。总之，DrugTar 简化了靶标发现，这是开发新型疗法的瓶颈。'
基于模型的互操作性：评估...
本研究旨在对现有的基于模型的互操作性的方法进行详尽的审查，同时还提出了一个比较框架，以根据数字连续性的新挑战来评估这些方法。比较分析将在图1中概述的过程的每个阶段进行，主要关注识别关键方法并定义比较标准。从参考语料库传达结构化，半结构化或非结构化形式以及隐式知识的明确知识开始，对于“结构结构信息语料库”，尤其是必要的知识（Lezoche等人，2012年）至关重要（Lezoche等人，2012年），以确保互操作性，使不同的系统能够无缝地连接起来，尽管它们具有内在的差异，但它们可以无缝地工作。实现这一目标涉及解决技术，语义和组织挑战，并提出了各种方法和框架来组织互操作性所需的知识，以确保模型在整个开发过程中充当信息的主要信息载体。这些模型可以采用知识图，本体论或数据模型的形式。他们的定义可以通过各种方法来实现，并取决于
材料2030宣言
EMMC协会及其广泛的社区一直在迈向这一目标，即在建立高度跨学科的生态系统中团结数字和材料能力和能力。EMMC融合了建模和数字化进步的许多方面，以加速材料的开发和制造。因此，EMMC社区在解决宣言中概述的挑战方面处于最前沿，例如“必须在材料开发中应用数字创新”，“对于欧洲来说，创建一个独特的世界生态系统至关重要的是，与Discovery-Discovery领导的L OW-OW-OW-OW-OWRE搜索与应用方向联系并链接IT与行业链接链接是至关重要的。”EMMC及相关项目的关键发展包括前进和集成的建模和创新平台，这些平台基于互操作性和本体论，以支持行业5.0过渡。emmc准备通过EMMC社区通过EMMC社区的深厚而多样的建模和数字化能力做出合并战略路线图来做出响应，从而支持高级材料的敏捷和包容性的欧洲治理，并为一个新颖的欧洲欧洲战略下一代高级材料制定了一个为实现一个可持续社会的绘制。
D7.5 - 根据欧洲建模社区标准发布的电池界面本体论
电池研究和创新面临持续的挑战：缺乏一致的术语和标准化框架来描述电池数据，材料，单元和接口。为了促进跨学科和行业的合作，清晰而普遍的语言对于有效的沟通和数据互操作性至关重要。battinfo（电池界面本体论）通过建立一个常见的词汇和结构来表征电池接口，从而调查了这一挑战。它旨在弥合各种研究社区之间的差距，并促进电池和材料科学领域的无缝数据互操作性。与基本的多效材料本体论（EMMO）一致，Battinfo寻求与其他材料本体论的兼容性和连贯性，从而促进了统一的材料科学本体论发展方法。battinfo可作为github上的开源软件资源提供：https：//github.com/big-map/battinfo。也可以使用Emmontopy 1软件包从Python访问，以与EMMO和相关域本体作用。本报告讨论了根据EMMO标准发布Battinfo的过程，强调了清晰，基础语言在启用电池研究和开发中的协作，创新和知识交流方面的重要性。
AMPC扩增的进展引用发布版本（APA）：Yiwen，H.，Karabulut，E。，＆Degeler，V。O.（印刷中）。饮酒的本体学习的大型语言模型
摘要当前，大多数本体论都是手动创建的，这是耗时且劳动力密集的。同时，大型语言模型（LLM）的高级功能已被证明在各个领域中有益，从而显着提高了文本处理和文本生成的效率。因此，本文着重于将LLMS用于本体学习。它使用手动本体构建方法作为促进本体学习LLM的基础。所提出的方法基于检索增强产生（RAG），并将其传递给LLM的查询基于手动本体论方法 - Lite本体论。已经对LLM的两种不同变体进行了实验，它们都以不同程度的程度证明了本体学学习的能力。这种方法显示了使用LLMS（半）自动化本体学习学习的方向的有希望的初始结果，并使没有先前领域专业知识的人的本体论施工过程更容易。最终的本体论是由域专家评估的，并根据定义的标准对其进行了排名。基于评估结果，最终的本体论可以用作基本版本，但是它需要域专家的进一步微调以确保其准确性和完整性。
基于本体的建模，整合和分析，用于精密医学的异质临床，病理和分子肾脏数据
抽象的许多资源现在正在生成，加工，存储或提供与肾脏相关的分子，病理和临床数据。参考本体提供了一个支持知识，数据组织和集成的机会。肾脏精密医学项目（KPMP）团队在人类表型本体论（HPO）中贡献了329个肾脏表型术语（HPO），并确定了许多急性肾脏损伤（AKI）或慢性肾脏病（CKD）的许多子类别。肾脏组织本体论（KTAO）进口并整合了现有本体论（例如HPO，CL和Uberon）的肾脏相关术语，并代表了259个与肾脏相关的生物标志物。我们还开发了一种精确的医学元数据本体论（PMMO），以整合来自KPMP和Cellxgene资源的50个变量，并应用PMMO进行综合分析。在健康对照或AKI/CKD疾病状态下特别分析了肾脏基因生物标志物的基因表达谱。这项工作演示了基于本体的方法如何支持多域数据以及知识组织和集成以提高精度医学。引言肾脏精密医学项目（kpmp）（https://www.kpmp.org/）是一个NIH/NIDDK-FUND的财团，旨在精确地表征慢性肾脏病（CKD）的复杂性（CKD）和急性肾脏受伤（AKI）在患者水平上以提高我们的能力治疗（以提高我们的能力），以提高我们的能力（1）。虽然AKI是肾功能的突然且通常是暂时的暂时丧失，但CKD在很长一段时间内会降低肾脏功能，并可能导致末期肾脏疾病。但是，也可以观察到从AKI到CKD的过渡。AKI和CKD与涉及遗传，病理，分子，社会和环境因素的复杂发病机理有关。尽管做出了巨大的努力，但尚未完全理解肾脏疾病发展和发展的基础机制，部分原因是整合来自多个知识领域的数据的挑战。因此，整合与肾脏疾病有关的不同类型的数据应该成为进一步深入研究的主题。最近已努力生成与肾脏相关的数据，并使研究人员公开使用。人类生物分子图集计划（Hubmap）旨在开发一个开放且全球的平台来绘制人体健康细胞（2）。人类细胞地图集项目（HCA）是一个全球财团，旨在绘制人体中的每种细胞类型并开发人类细胞的3维地图集，以改变我们对生物学和疾病的理解（3）。与HCA密切相关的Cellxgene资源是一套计算工具，可帮助科学家存入，下载，查询和视觉探索策划和标准化的单细胞生物学数据集（4）。