XiaoMi-AI文件搜索系统
World File Search Systemresidual
Microsoft Word-手性Kagome超导性调制与残留的Fermi Arcs_arxiv
Chiral kagome superconductivity modulations with residual Fermi arcs in KV 3 Sb 5 and CsV 3 Sb 5 Authors: Hanbin Deng 1 *, Hailang Qin 2 *, Guowei Liu 1 *, Tianyu Yang 1 *, Ruiqing Fu 3 *, Zhongyi Zhang 4 , Xianxin Wu 3 †, Zhiwei Wang 5,6 †，Youguo Shi 7,8,9†，Jinjin Liu 5,6，Hongxiong Liu 7,8，Xiao-Yu Yan 1，Wei 1，Wei 1，Xitong Xu 10，Yuanyuan Zhao 2，Yuanyuan Zhao 2，Mingsheng Yi 11，Gang Yi 11，Gang Xu 11，Gang Xu 11，Hendrik Hohmann 12，Hendrik Hohmann 12，hendrik Hohmann 12，sofie castro castro castrun decto and dectoholbükk。 Sen Zhou 3，Guoqing Chang 15，Yugui Yao 5,6，Qianghua Wang 16，Zurab Guguchia 17，Titus Neupert 13，Ronny Thomale 12，Mark H. Fischer 13，Jia-Xin Yin Yin 1,2†物理学：1个物理学：1个科学和科学技术系，Shengong，Shengong。2广东港量子科学中心大湾大湾地区（广东），中国深圳。 3理论物理学理论物理学研究所的CAS关键实验室，中国科学院，北京100190，中国。 4香港科学技术大学物理系，中国香港清水湾。2广东港量子科学中心大湾大湾地区（广东），中国深圳。3理论物理学理论物理学研究所的CAS关键实验室，中国科学院，北京100190，中国。4香港科学技术大学物理系，中国香港清水湾。4香港科学技术大学物理系，中国香港清水湾。
层间停留时间对定向能量沉积残余应力的影响
摘要 各行业采用金属增材制造受到沉积部件中残余应力和变形的阻碍。定向能量沉积过程中的大热梯度通常会导致最终沉积物中出现残余应力。参数优化主要用于缓解残余应力。然而，工艺参数的影响是材料特定的。当前的研究旨在研究层间停留时间对高强度钢合金定向能量沉积中残余应力的影响。样品以三个层间停留时间水平沉积。使用 X 射线衍射测量表面和体积残余应力。发现表面和体积残余应力都随着层间停留时间的增加而增加。
用于检测实体肿瘤微小残留病的商业化 ctDNA 检测
摘要 通过液体活检检测循环肿瘤 DNA 已成为癌症患者的重要诊断测试。虽然某些旨在检测循环肿瘤 DNA 的商业液体活检平台已获准用于指导晚期实体瘤的临床决策，但这些检测方法在非转移性疾病治愈性治疗后检测微小残留病的临床实用性目前有限。预测疾病反应和复发对提高新辅助和辅助疗法的有效实施具有相当大的潜力。因此，许多公司正在迅速投资开发液体活检平台，以在微小残留病环境中检测循环肿瘤 DNA。在这篇综述中，我们讨论了用于检测实体瘤循环肿瘤 DNA 微小残留病的商业液体活检平台的开发和临床实施。在这里，我们旨在强调能够高度灵敏地检测肿瘤衍生的基因组变异的技术特性、区分这些商业平台的因素，以及正在进行的试验，这些试验旨在使用基于循环肿瘤 DNA 的微小残留病检测来增加液体活检的临床实施。
增材制造过程中残余应力预测方法的比较研究
界面系统（NFIS）用于预测航空工业铝部件的残余应力 [5]。Chukwujekwu 等人使用有限元分析预测了 6Al-4V 钛基工件的残余应力 [6]。Meyghani 等人对基于 ABAQUS、ANSYS 和 FLUENT 的搅拌摩擦焊接模拟结果进行了比较研究 [7]。Kortabarri 等人比较了 Inconel 718 基工件的应力集中 [8]。Mukherjee 等人发现可以通过减小 AM 过程中基材层的厚度来控制应力 [9]。Huang 等人提出了一种预测正交切割过程中残余应力的模型 [10]。Yang 等人研究了激光床熔合过程中产生的残余应力 [11]。在分析残余应力水平时，考虑材料的热性能和机械性能非常重要。Megahed 等人展示了气泡在镍基高温合金中滞留的影响，如图 1 所示 [12]。制造工艺有多种方法，必须找到对产品影响最小的最佳方法，以降低热残余应力。因此，本研究的重点是确定预测 AM 中残余应力的最佳方法。
重症监护病房中残留意识的多模式预测：CONNECT-ME 研究
功能性磁共振成像 (fMRI) 和脑电图 (EEG) 可能揭示意识障碍 (DoC) 患者的残留意识，这反映在有关慢性意识障碍的文献中。然而，急性意识障碍很少被研究，尽管识别残留意识是重症监护病房 (ICU) 临床决策的关键。因此，前瞻性、观察性、三级中心队列、诊断性 IIb 期研究“使用脑电图和 fMRI 进行神经重症监护队列研究中的意识”(CONNECT-ME，NCT02644265) 的目的是评估 fMRI 和脑电图在 ICU 中识别急性意识障碍的残留意识的准确性。2016 年 4 月至 2020 年 11 月期间，对 87 名患有创伤性或非创伤性脑损伤的急性意识障碍患者进行了反复临床评估、fMRI 和脑电图检查。通过视觉分析、频带分析和支持向量机 (SVM) 意识分类器评估静息态脑电图和外部刺激下的脑电图。此外，还评估了典型静息态 fMRI 网络内和网络间静息态连接。接下来，我们使用研究入组时的 EEG 和 fMRI 数据，采用两种不同的机器学习算法（随机森林和带线性核的 SVM）来区分研究入组时和转出 ICU 时（或死亡前）处于微意识状态或更好（≥ MCS）的患者与昏迷或无反应觉醒状态（≤UWS）的患者。使用曲线下面积（AUC）评估预测性能。在 87 名 DoC 患者（平均年龄 50.0 ± 18 岁，43% 为女性）中，51 名（59%）在研究入组时≤UWS，36 名（41%）≥ MCS。31 名（36%）患者在 ICU 死亡，其中 28 名患者停止了生命维持治疗。 EEG 和 fMRI 可预测入选研究和转出 ICU 时的意识水平，最大 AUC 分别为 0.79（95% CI 0.77–0.80）和 0.71（95% CI 0.77–0.80）。基于组合 EEG 和 fMRI 特征的模型可预测入选研究和转出 ICU 时的意识水平，最大 AUC 分别为 0.78（95% CI 0.71–0.86）和 0.83（95% CI 0.75–0.89），阳性预测值和灵敏度均有所提高。总体而言，两种机器学习算法（SVM 和随机森林）的表现同样出色。总之，我们建议 ICU 中的急性 DoC 预测模型应基于 fMRI 和 EEG 特征的组合，而不管使用哪种机器学习算法。
一个具有增强剩余U-NET
摘要：网格地球物理数据的时间缩小对于改善气候模型，天气预报和环境评估至关重要。但是，现有方法通常无法准确捕获多尺度的时间特征，从而影响其准确性和可靠性。为了解决此问题，我们引入了一个增强的残差U-NET体系结构，以进行时间缩小。结合剩余块的体系结构允许更深层的网络结构而不会过度拟合或消失的梯度，从而捕获更复杂的时间依赖性。固有的U-NET设计可以捕获多尺度功能，使其非常适合模拟各种时间动态。此外，我们实施了一种具有对流损失的流正规化技术，以确保该模型遵守有关地球物理领域的物理定律。我们在ERA5数据集中各种变量的实验结果表明，降低准确性的提高，表现优于其他方法。
MRI
阿尔茨海默氏病（AD）导致各种生物标志物（即淀粉样蛋白β和tau蛋白）的异常，这使得PET成像（可以解释这些生物标志物）在AD诊断中必不可少。然而，宠物成像的高辐射风险限制了其在短时间内的扫描数量，对AD的联合多生物标志物诊断提出了挑战。在本文中，我们提出了一个新型的统一模型，以同时合成MRI的多局部PET图像，以实现AD的低成本和时间效率的关节多生物标志物诊断。具体来说，我们将残留的学习纳入扩散模型中，以强调PET和MRI之间的域间差异，从而迫使每种模态以最大程度地重建其模式特定的细节。此外，我们利用年龄和性别等先验信息，以指导具有语义一致性的PET IMPEN的扩散模型，从而增强了它们的基因值。此外，我们会开发出一个域内差异损失，以确保合成PET IMEGIS之间的域内差异与真实PET图像之间的差异非常匹配，从而促进更准确的合成，尤其是在特定于模式的信息上。在ADNI数据集示例上进行的广泛的例证，即我们的方法在定量和质量上与最先进的方法相吻合。本研究的所有代码已上传到GitHub（https：//github.com/ouzaixin/resdm）。
摘要＃8518：利用分阶段的变体用于个性化最小残留疾病
David M. Kurtz 1,2 , Jacob J. Chabon 3 , Brian J. Sworder 1 , Lyron Co Ting Keh 1 , Joanne Soo 1 , Stefan Alig 1 , Andre Schultz 1,2 , Andrea Garofalo 1 , Emily G. Hamilton 1 , Binbin Chen 1 , Mari Olsen 1 , Everett Moding 4 , Chih Long Liu 1 , Ash A. Alizadeh 1,2 , Maximilian Diehn 2,4
重症监护室中残留意识的多模式预测：Connect-Me研究
功能性MRI（fMRI）和EEG可能揭示意识障碍患者（DOC）的残留意识，这是由慢性文献的快速扩展的慢性文献所反映的。然而，尽管识别剩余意识是重症监护病房（ICU）临床决策的关键，但很少研究急性DOC。因此，前瞻性，观察性，第三级中心队列，IIB期研究“使用EEG和fMRI的神经严重护理队列研究中的意识研究”（Connect-ME，NCT02644265）的目的是评估fMRI和EEG的准确性，以评估fMRI和EEG的准确性，以识别ICU中急性文档中急性文档中的残留意识。在2016年4月至2020年11月之间，通过反复的临床评估（fMRI和EEG）检查了87例急性DOC患者，患有创伤性或非创伤性脑损伤。通过视觉分析，光谱频带分析和支持向量机（SVM）意识分类器评估静止状态的脑电图和外部刺激。此外，评估了针对规范静止状态fMRI网络的内部和区域内静止状态连接性。接下来，我们在研究入学时使用了EEG和FMRI数据，以两种不同的机器学习算法（随机森林和SVM与线性内核）区分以最低意识的状态或更高的（≥mcs）的患者与昏迷或无反应的醒目状态（≤UWS）的患者（≤UWS）在ICU中（或在ICU中）（或在ICU之前）（或在ICU之前）（或在ICU之前）在曲线下用面积（AUC）评估了预测性能。在研究入学人群中，87例DOC患者（平均年龄为50.0±18岁），女性为43％），51名（59％）为≤UWS，36（41％）为≥MC。三十一名（36％）患者在ICU中死亡，其中28例撤离生命疗法的患者。eeg和fMRI预测了研究入学和ICU出院时的意识，最大AUC为0.79（95％CI 0.77-0.80）和0.71（95％CI 0.77-0.80）。基于脑电图组合和fMRI组合的模型可预测研究入学率和ICU放电时的意识水平，最大AUC为0.78（95％CI 0.71-0.86）和0.83（95％CI 0.75-0.89），具有IM证明积极的预测值和敏感性。总体而言，机器学习算法（SVM和随机森林）的表现同样出色。总而言之，我们建议ICU中的急性DOC预测模型是基于fMRI和EEG特征的组合，无论使用的机器学习算法如何。
激光粉末床融合中的残余应力形成机制 - 数值评估
摘要：添加剂制造方法，例如激光粉床融合，不需要任何特殊的工具或铸造模具。这可以通过集成功能快速实现复杂和单个几何形状。但是，制造过程中的局部热量输入通常会导致残余应力和失真。这反过来会导致质量差，废料零件，甚至可以在此过程中粉末重复配置机构与扭曲的零件发生碰撞，甚至可以过早地终止工作。本研究研究了不锈钢316L的激光粉末床融合（LPBF）期间残留应力和失真的产生机制，以减少这些作用，从而有助于提高过程的安全性和效率。因此，关于几个熔融轨道和层的规模的有限元模型的数值研究，可以对生产过程中的机制进行详细的了解。工作包括对构建板温度，激光功率和速度以及层厚度的研究。结果表明，对构建板的预热和单位长度的能量有很强的依赖性。较高的构建板温度和单位长度的能量的降低都导致较低的残余应力。