XiaoMi-AI文件搜索系统
World File Search Systemresearchers
100 名研究人员致 FCC 的 PIRG 卫星信
将 3 万到 50 万颗卫星发射到低地球轨道甚至不需要进行环境审查，这有悖于常识。美国政府问责局发现，联邦通信委员会并没有文件证明其将巨型星座排除在环境审查之外。联邦通信委员会应立即与学术界、环境保护署、美国国家航空航天局和其他联邦机构的专家合作，启动全面审查程序。审查必须结合其他国际上提议的星座，全面考虑拟议的巨型星座的影响，而不是逐一进行。还需要考虑对太空环境的影响，例如轨道碎片，以及对大气、天文学、气候、航空和地表的影响。审查需要与国际电信联盟等国际机构和研究人员协调进行。
生态和保护研究人员应采用开源技术
鉴于全球生物多样性下降（ Butchart 等人，2010 年；IPBES，2019 年）以及对稀有和常见物种的威胁（ Gaston 和 Fuller，2008 年； Dirzo 等人，2014 年），有人呼吁利用现代技术进行监测和保护（ Pimm 等人，2015 年； Lahoz-Monfort 等人，2019 年； Wich 和 Piel，2021 年； Schulz 等人，2023 年）。正在部署技术以改进陆地和水生环境中的数据收集和分析（ Lahoz-Monfort 和 Magrath，2021 年）。与传统调查方法相比，这些进步可以实现更高效的数据收集（Witt 等人，2020 年），并有助于众包数据收集和处理（Dorward 等人，2017 年；Fraisl 等人，2022 年）。出现了一些实践社区，例如 Conservation X Labs 1 或 WILDLABS 2，它们报告了保护技术的现状（Speaker 等人，2022 年）并提供社会责任使用指南（Sandbrook 等人，2021 年）。保护技术的进步与开放科学实践的广泛采用相吻合。根据联合国教育、科学及文化组织（UNESCO，2021 年）批准的《开放科学建议书》的定义，开放科学需要对科学实践和产出采取包容、公平和可持续的方法。生态研究越来越多地采用这些做法（Hill 等人，2019 年），尤其是通过更加开放和公平的数据（Hampton 等人，2015 年；Wilkinson 等人，2016 年）。生物多样性研究也使用开源软件，例如 R 编程语言（R Core Team，2023 年）和基于该语言构建的分析包。然而，与软件和数据不同，用于生态研究的硬件通常仍然是闭源的（即专有的），其设计（以及随附的软件源代码）受到法律限制，阻止他人研究、复制或修改它们。
研究人员认为，气候研究应整合多种方法
例如，数值天气预测的成功是基于增加分辨率，改善小规模过程的表示，增加整体规模以及更多观察结果，从而更准确地了解初始条件。即使是在天气预报中使用AI的最新使用也不是一种单手的方法，因为AI需要从基于物理的模型中得出的培训数据。
NTU研究人员扩大寻找地热来源的搜索...
新加坡寻求地热能的搜索正在迅速升高，因为Nanyang Techno-Pological University（NTU）的搜索者将扩大他们在整个岛上寻找地面热储层的搜索。发展到他们的研究的第二阶段，研究人员将埋葬80个地震地下，跨越了新加坡东北部和南部。这是在团队突破性地发现2024年Semba-Wang Hot Spring Park的高度破裂且浅的地热水库。地热能是指源自地球核心的热量，估计在地面以下2,900公里。在第一阶段，在2023年5月至2023年9月之间，在Sembawang和Yishun的地面下方将80个传感器埋在了大约20M的地下，并且在50天后将其重新覆盖以进行数据验证。
ACM AM Turing奖授予了两名领导的研究人员
纽约，纽约，2025年3月5日 - ACM，计算机协会，今天，Andrew G. Barto和Richard S. Sutton是2024 ACM A.M.的接受者图灵（Turing）因发展强化学习的概念和算法基础而奖。在从1980年代开始的一系列论文中，Barto和Sutton介绍了主要思想，构建了数学基础，并开发了强化学习的重要算法，这是创建智能系统的最重要方法之一。Barto是马萨诸塞大学阿默斯特大学的信息和计算机科学名誉教授。Sutton是艾伯塔大学（University of Alberta）的计算机科学教授，Keen Technologies的研究科学家，AMII的研究员（Alberta Machine Intelligence Institute）。ACM A.M.图灵奖，通常称为“计算机上的诺贝尔奖”，带有100万美元的奖金，并提供了Google，Inc.提供的财务支持。该奖项以英国数学家Alan M. Turing的名字命名，他阐明了计算机的数学基础。什么是强化学习？人工智能（AI）的领域通常与建造代理有关，即感知和行动的实体。更聪明的代理人是那些选择更好的行动方案的代理商。因此，某些行动方案比其他行动更好的概念是AI的核心。奖励 - 从心理学和神经科学中借来的一个术语 - 指示提供给与其行为质量相关的代理商的信号。强化学习（RL）是学习信号更成功地学习的过程。从奖励中学习的想法已经熟悉了数千年。后来，艾伦·图灵（Alan Turing）1950年的论文“计算机和智能”，解决了“ can can
药房研究人员阐明了大脑如何处理触觉
Stobart补充说，触摸对象时人类在繁忙十字路口的高峰时段的流量就像高峰时段一样。“星形胶质细胞是将信息流向目的地的交通信号灯。当NMDA受体信号在星形胶质细胞中破坏时，就像左转的左转光一样。某些信息流可以通过交叉路口直接继续，但没有左转意味着某些信息无法达到目标。”
夫妇帮助研究人员发现可能能够保护Covid-19
I/III型IFN和ISG在PBMC中用Poly（I：C）转染为1、4和18H的表达。数据相对于未刺激的细胞，将数据作为基因表达表示。（a）不一致的夫妻中的基因表达，其中绿线代表未感染或无症状的女性在covid-19中表示IFIT3的表达，而红线表示在Covid-19的COVID-19再感染的雄性中的IFIT3表达。（b）在症状女性中的基因表达于19（对照），其中粗线表示IFIT3的表达。（c）对重新感染的雄性之间不同IFIT3基因表达的比较分析，
研究人员发现，人工智能在预测脑转移结果方面比人眼更好
Sadeghi-Naini 解释说：“当你看 MRI 时，你会看到肿瘤内部或周围的区域，这些区域的强度和模式不同，因此你会更多地用视觉系统关注这些部分。但人工智能算法却对此视而不见。我们在算法中融入的注意力机制可帮助这些人工智能工具了解这些图像的哪些部分更重要，并在分析和预测时更加重视这些部分。”
巴西研究人员创建与严重癫痫相关的脑畸形的细胞图谱
“利用先进的基因组技术，我们获得了这种脑畸形的细胞视图，因此获得了极其详细的视图。我们发现这些患者皮层中存在深刻的细胞变化，包括上层神经元的丢失，以及病变中未成熟的星形胶质细胞和小胶质细胞群的扩增以及与炎症有关。该细胞图谱对于理解机制和寻找可以针对已识别细胞的特定疗法非常重要，”计算生物学家 Diogo Veiga 解释说，他是本文的通讯作者。