XiaoMi-AI文件搜索系统
World File Search Systemsoton
人工智能与化学 - ePrints Soton
从我上面所说的以及那些可能已经阅读过我之前关于数字 IUPAC（i-UPAC）[2] 的文章的人可能已经清楚，我对未来的愿景来自于这样一种理念的交汇：我们所做的是使用科学方法研究化学，而我们越来越多地使用数字技术景观来做到这一点。化学家在化学空间中工作！我们可能从不同的地方开始在这个空间中导航，并根据我们的专业和目标采取不同的路径，从分子到药物，从化合物到配方，从材料到设备。我们越来越致力于更具体、更精确，无论是个性化医疗还是精准农业，寻求能源效率还是加强循环经济。我们居住的化学空间是广阔的，化学也与变化有关，所以我们不能忘记时间维度；我们真的生活在一个化学时空的世界中。化学不仅与分子的性质有关，还与分子的转变以及这些转变发生的速率有关——时间很重要。我们如何应对这个广阔的、很大程度上未开发的空间？我们需要探索一切吗？在许多情况下，化学家们都受到了大自然的启发。大自然通过反复试验，有更长的时间来探索化学空间的各个区域。但大自然也可能受到很久以前走过的路径的限制。我想我们大多数人也相信，我们自己的想象力和内在创造力使我们能够触及化学空间的不同区域，但——我们是创造、探索还是仅仅探索已经存在的路径呢？[3]
仅供同行评审 - ePrints Soton
摘要 共生模拟系统 (S3)，有时也称为“数字孪生”，可实现物理系统与其计算模型表示之间的交互。为了支持运营决策，S3 使用通过传感器收集的物理系统的实时数据。这些实时数据还保存在企业数据存储系统 (EDSS) 中，因此可以用作未来使用的历史数据。然后，实时数据和历史数据都用作 S3 不同组件的输入，S3 通常包含几个模块：数据采集、模拟、优化、机器学习和“执行器”。当 S3 和系统之间没有人工代理时，需要后者。考虑到当今智能系统生成的数据量，S3 需要与 EDSS 结合使用。此外，S3 可能会产生大量需要存储的输出数据，因为这些数据可能会被机器学习模块重复使用，使 S3 在动态场景中具有自适应性。为了支持实时运营决策（特别是在工业 4.0 应用中，例如智能城市、智能工厂、智能交通系统和数字供应链），本文提出了 S3 的通用系统架构，并讨论了其在 EDSS 中的集成。此外，本文回顾了 S3 的最新进展，并分析了这些系统如何与 EDSS 交互以使实时决策成为现实。最后，本文还指出了 S3 中的几个研究挑战。
模拟电路的可靠性 - ePrints Soton
5.1 结论 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 5.1.1 目标 1 . . . . . . . . . . . . . . . ....................................................................................................................................127
摘要-EPRINTS SOTON-南安普敦大学
Yanjia Zhou，A Feng Li，A，B Guihong Lan，A* Yongqiang Liu，C Haiyan Qiu，A Bo Xu，A Keyu Pu，A Wenren Dai，A Xinyang Zhang，A a。西南石油大学，化学与化学工程系，成都610500，中国。b。 Yibin Tianyuan Group Co.，Ltd.，Yibin 644004，中国。c。英国南安普敦南安普敦大学工程与物理科学学院。
科学发现网络+的人工智能 - ePrints Soton
更大的图景 AI3SD Network + 的创建旨在利用新的 AAI 技术加速科学发现。尽管在短期内产生了有益的影响，但这一广阔领域仍有许多未解决的挑战。至关重要的是，这项工作的轨迹必须继续下去，鼓励进一步合作，帮助资助接受者发挥潜力，并为 AAI 科学发现社区创造重要资源。我们的 AI3SD 理念的一个核心方面是人为因素在人工智能中的重要性，因此 AAI 科学发现是我们的口头禅。对于任何需要道德考虑或增加人类智能的决策，人类必须保持参与。AI3SD 方法结合了人类和机器智能的最佳功能，使用透明、负责任和可解释的 AAI 显着加速科学发现。我们的目标是通过丰富的资源和有用的成果完成 AI3SD 的第一任期，使成员能够在化学品和材料发现领域朝着联合国可持续发展目标迈进。只有当成员和组织者共同努力实现 AAI 时，AI3SD 才能保持可持续发展。
人工智能的 360° 视角 - ePrints Soton
神经网络回归已有 10 年。在这一周年纪念日的推动下，我们对人工智能 (AI) 采取了整体视角。认知任务的监督学习得到了有效解决——前提是我们拥有足够高质量的标记数据。然而，深度神经网络模型不易解释，因此黑盒和白盒建模之间的争论成为了焦点。注意力网络、自我监督学习、生成建模和图神经网络的兴起拓宽了人工智能的应用空间。深度学习也推动了强化学习作为自主决策系统核心构建块的回归。新人工智能技术可能带来的危害引发了透明度、公平性和问责制等社会技术问题。控制人才、计算资源以及最重要的数据的大型科技公司在人工智能领域的主导地位可能会导致极端的人工智能鸿沟。尽管最近人工智能驱动的对话代理取得了戏剧性和出人意料的成功，但自动驾驶汽车等备受瞩目的旗舰项目的进展仍然难以捉摸。必须注意缓和围绕该领域的言论，并使工程进展与科学原理保持一致。
期刊预释放-EPRINTS SOTON-南安普敦大学
在存在抵抗和对疫苗的猖ramp的环境中，含有传染病的前景仍然是一个挑战。可以通过当地贝萨德斯的个人访问来提供有关疫苗接种的好处的信息，会增加疫苗的摄取吗？我们进行了针对印度尼西亚农村地区未接种疫苗的人的挨家挨户的随机信息运动。我们使用人际行为变化沟通方法招募了来自当地村庄的大使，这些村庄是为了提供有关Covid-19-19-19-19-19-19-19-19疫苗的信息，并通过一对一的会议促进疫苗接种。调查了哪种类型的大使 - 卫生干部，感兴趣的人和外行人 - 我们是最有效的，我们随机改变了在村庄一级提供信息的大使的类型。我们发现，总体疫苗接种相当中等，并且整个治疗组的疫苗接种结果没有差异。这些结果突出了大流行后期增加疫苗摄取的挑战。JEL：I1，I12，I18，I20，I3关键字：错误信息，健康行为，疫苗犹豫，印度尼西亚，Covid-19
SARS-CoV 的社区血清流行率 - ePrints Soton
摘要 目的 了解儿童和青少年中 SARS-CoV-2 的社区血清流行率。这对于了解该群体对 COVID-19 的易感性以及为制定免疫等疾病控制公共卫生政策至关重要。 设计 我们在 2019 年 10 月至 2021 年 6 月期间从英格兰的七个地区招募了 0-18 岁的参与者，并收集了大量人口统计和症状数据。使用在英国卫生安全局实验室处理的 Roche 检测试剂盒对血清样本进行 SARS-CoV-2 刺突蛋白和核衣壳蛋白抗体检测。计算了六个时间段的患病率估计值，并按年龄组、种族和国家医疗服务区域进行标准化。结果 第一波疫情（2020 年 6 月至 8 月）后，抗刺突蛋白 IgG 调整后血清阳性率为 5.2%，从 0.9%（10-14 岁参与者）到 9.5%（5-9 岁参与者）不等。到 2021 年 4 月至 6 月，这一数字上升至 19.9%，从 13.9%（0-4 岁参与者）到 32.7%（15-18 岁参与者）不等。在调整性别、年龄、地区、时间段、贫困程度和城乡地理状况后，少数族裔群体感染 SARS-CoV-2 血清阳性的风险高于白人参与者（OR 1.4，95% CI 1.0 至 2.0）。在 10 岁以下儿童中，没有症状或症状群可以可靠地预测血清阳性。总体而言，48% 的血清阳性且问卷数据完整的参与者回忆起在 2020 年 2 月至研究访问期间没有出现任何症状。结论在广泛接种疫苗之前，约三分之一的 15-18 岁参与者有证据表明存在针对 SARS-CoV-2 的抗体。这些数据表明，种族背景与儿童感染 SARS-CoV-2 的风险独立相关。试验注册号 NCT04061382。
期刊预释放-EPRINTS SOTON-南安普敦大学
Systematic Review and Meta-Analysis: Effects of Pharmacological Treatment for Attention- Deficit/Hyperactivity Disorder on Quality of Life RH = ADHD Medication and Quality of Life Alessio Bellato, PhD, Nadia J. Perrott, MSc, Lucia Marzulli, PhD, Valeria Parlatini, MD, PhD, David Coghill, MD, Samuele Cortese, MD, PhD Dr. Bellato and Ms.佩罗特为这项工作做出了同样的贡献。2024年5月23日接受补充材料，贝拉托博士在南安普敦大学，南安普敦，英国和马来西亚诺丁汉大学，马来西亚塞米尼。Perrott女士在英国南安普敦南安普敦大学任教。 Marzulli博士与意大利Bari的“ Aldo Moro”UniversitàDegliStudi di Bari。 Parlatini博士在南安普敦大学，南安普敦，英国，伦敦国王学院，伦敦，英国和英国南安普敦的Solent NHS Trust。 Coghill教授曾在澳大利亚墨尔本大学，墨尔本大学和澳大利亚墨尔本的默多克儿童研究所。 Cortese教授曾在南安普敦大学，南安普敦，英国，Degli Studi di Bari“ Aldo Moro”，意大利巴里，意大利，Solent NHS Trust，Southampton，英国，英国和纽约大学儿童研究中心，纽约。 作者没有报告为这项工作的资金。 这项工作已被前瞻性注册：https：//osf.io/qvgps/。 披露：贝拉托博士宣布酬金为JCPP Advance的联合编辑。 Coghill教授获得了诺华，takeda，Takeda，Servier和Servier和特许权使用费的荣誉或会议支持，并获得了剑桥大学出版社和牛津大学出版社的支持。Perrott女士在英国南安普敦南安普敦大学任教。Marzulli博士与意大利Bari的“ Aldo Moro”UniversitàDegliStudi di Bari。Parlatini博士在南安普敦大学，南安普敦，英国，伦敦国王学院，伦敦，英国和英国南安普敦的Solent NHS Trust。Coghill教授曾在澳大利亚墨尔本大学，墨尔本大学和澳大利亚墨尔本的默多克儿童研究所。 Cortese教授曾在南安普敦大学，南安普敦，英国，Degli Studi di Bari“ Aldo Moro”，意大利巴里，意大利，Solent NHS Trust，Southampton，英国，英国和纽约大学儿童研究中心，纽约。 作者没有报告为这项工作的资金。 这项工作已被前瞻性注册：https：//osf.io/qvgps/。 披露：贝拉托博士宣布酬金为JCPP Advance的联合编辑。 Coghill教授获得了诺华，takeda，Takeda，Servier和Servier和特许权使用费的荣誉或会议支持，并获得了剑桥大学出版社和牛津大学出版社的支持。Coghill教授曾在澳大利亚墨尔本大学，墨尔本大学和澳大利亚墨尔本的默多克儿童研究所。Cortese教授曾在南安普敦大学，南安普敦，英国，Degli Studi di Bari“ Aldo Moro”，意大利巴里，意大利，Solent NHS Trust，Southampton，英国，英国和纽约大学儿童研究中心，纽约。 作者没有报告为这项工作的资金。 这项工作已被前瞻性注册：https：//osf.io/qvgps/。 披露：贝拉托博士宣布酬金为JCPP Advance的联合编辑。 Coghill教授获得了诺华，takeda，Takeda，Servier和Servier和特许权使用费的荣誉或会议支持，并获得了剑桥大学出版社和牛津大学出版社的支持。Cortese教授曾在南安普敦大学，南安普敦，英国，Degli Studi di Bari“ Aldo Moro”，意大利巴里，意大利，Solent NHS Trust，Southampton，英国，英国和纽约大学儿童研究中心，纽约。作者没有报告为这项工作的资金。这项工作已被前瞻性注册：https：//osf.io/qvgps/。披露：贝拉托博士宣布酬金为JCPP Advance的联合编辑。Coghill教授获得了诺华，takeda，Takeda，Servier和Servier和特许权使用费的荣誉或会议支持，并获得了剑桥大学出版社和牛津大学出版社的支持。Coghill教授获得了诺华，takeda，Takeda，Servier和Servier和特许权使用费的荣誉或会议支持，并获得了剑桥大学出版社和牛津大学出版社的支持。Cortese教授宣布了以下非营利协会的旅行和住宿费用的酬金和报销费用：儿童和青少年中央健康协会（ACAMH），加拿大ADHD联盟资源（CADDRA），英国药理学协会（BAP），MECHICE和HEALTARCARE BARIGNACH，MEDICE和HEALTORCARE BAUNCTION，MEDICE和HEALTORCARE BANCERATION，MECHICICE for ADCIANTIAL。他曾在儿童和青少年心理健康协会和英国心理药理事会的顾问委员会任职。 drs。 Marzulli，Parlatini和Perrott女士没有报告生物医学的财务利益或潜在的利益冲突。 与Alessio Bellato博士的通信，第44号建筑物，高地校园，南安普敦大学，南安普敦大学，SO17 1BJ，英国；电子邮件：a.bellato@soton.ac.uk他曾在儿童和青少年心理健康协会和英国心理药理事会的顾问委员会任职。drs。Marzulli，Parlatini和Perrott女士没有报告生物医学的财务利益或潜在的利益冲突。与Alessio Bellato博士的通信，第44号建筑物，高地校园，南安普敦大学，南安普敦大学，SO17 1BJ，英国；电子邮件：a.bellato@soton.ac.uk
基于忆阻器的脉冲神经网络 - ePrints Soton
新兴的非易失性存储设备，即忆阻器，在神经形态硬件设计中展现出了非凡的前景，特别是在脉冲神经网络 (SNN) 硬件实现中。基于忆阻器的 SNN 已经应用于解决传统人工神经网络 (ANN) 解决的任务（例如图像分类和模式识别），并且不同学科仍在进行更多尝试以挖掘这一新研究课题的潜力。要将忆阻器应用于神经形态应用（本文中严格定义为使用 SNN 的应用），可以遵循两种途径。一种方法是首先利用硬件基础设施来表征和控制忆阻器设备，然后将其映射到应用程序的更高级函数（例如矩阵乘法）。另一种方法是将数据驱动的忆阻器模型嵌入软件模拟器中，以使用从真实设备中提取的参数来模拟应用程序。