XiaoMi-AI文件搜索系统
World File Search Systemsup
对成人数据训练新生儿的MRI颅骨剥离的无监督域的适应
颅骨插曲是重要的第一步。基于学习的细分模型（例如U-NET模型）在自动执行此细分任务时显示出令人鼓舞的结果。但是，当涉及到新生儿MRI数据时，在培训这些模型期间，没有任何可公开可用的大脑MRI数据集随着手动注释的segmentment口罩而被用作标签。大脑MR图像的手动分割是耗时，劳动力密集的，需要专业知识。此外，由于成人数据和新生儿数据之间的较大域移动，使用对成人脑MR图像进行训练的分割模型进行分割新生脑图像无效。因此，需要对新生儿大脑MRI的更有效，准确的颅骨剥离方法。在本文中，我们提出了一种无监督的方法，以适应经过成人MRI训练的U-NET颅骨剥离模型，以有效地在新生儿上工作。我们的资产证明了我们新颖的未加剧方法在提高分割准确性方面的有效性。我们提出的方法达到了总体骰子系数为0。916±0。032（平均值±STD），我们的消融研究巩固了我们提议的有效性。非常重要的是，我们的模型的性能与我们进行了综合的当前最新监督模型非常接近。所有代码均可在以下网址提供：https：//github.com/abbasomidi77/daunet。这些发现表明，这种方法是一种有价值，更容易，更快的工具，用于支持医疗保健专业人员，以检查新生大脑的先生。
基于人工智能的课程规划软件，用于支持能力提升
摘要 教学是一个复杂且需要认知的过程，也是一项非常有创造性的任务。必须精心准备一堂课才能确保有效、有目的的教学。如今，课程计划也经常使用标准软件（例如学习或内容管理系统）创建。显然，这种复杂的课程规划过程可以通过专门的软件系统来支持，这些软件系统不仅可以促进日常任务，还可以鼓励反思。本文阐述了基于人工智能技术的课程规划软件的理念和概念，以支持基于能力的学习。通过该软件，教师应该能够轻松直观地生成个性化的学习内容，而不会失去教学自由。通过各种用户场景，展示和解释了该软件的可能性。最后，本文旨在提高人们对此类智能学习环境的认识，以及它们如何实现终身教育链中学习内容的自动化开发。
掺杂威尔半金属中反演对称性破缺的超导性可视化
外尔半金属 MoTe 2 为研究外尔物理与超导之间的相互作用提供了难得的机会。最近的研究发现，Se 取代可以将超导性提高到 1.5 K，但会抑制对于外尔态的出现至关重要的 T d 结构相。迄今为止，尚未建立对增强超导和 T d 相可能共存的微观理解。在这里，我们使用扫描隧道显微镜研究了最佳掺杂的超导体 MoTe 1.85 Se 0.15，其体相 T c ∼ 1.5 K。通过准粒子干涉成像，我们发现了具有破缺反演对称性的低温 T d 相的存在，其中超导性全局共存。此外，我们发现从上临界场和涡旋附近的态密度衰减中提取的超导相干长度远大于现有化学无序的特征长度尺度。我们发现 MoTe 1.85 Se 0.15 中的 Weyl 半金属正常相具有稳健的超导性，这使它成为实现拓扑超导的有希望的候选材料。
一种肠球菌噬菌体衍生的酶抑制移植物...
肠道微生物组的变化在同种异体造血细胞移植（Allo-HCT）1-6后，在急性移植疾病与宿主病（AGVHD）的发病机理中具有关键作用。但是，尚未确定安全解决肠道营养不良的有效方法。肠道肠球菌在肠道中的扩张与营养不良有关，已被证明是AGVHD 7-10的危险因素。在这里，我们分析了Allo-HCT患者的肠道微生物组，并发现粪肠球菌通过形成生物膜而不是通过获得药物耐药基因来逃避消除并在肠中增殖。我们从粪便样品中分离了细胞溶素阳性高度致病性的粪肠球菌，并通过分析细菌性全基因组测序数据来鉴定出源自粪肠球菌特异性噬菌体的抗粪肠球菌酶。在体外和体内，抗菌酶对粪肠球菌的生物膜具有裂解活性。此外，在AGVHD诱导的gnotobirotic小鼠中，与粪肠球菌或患者粪便样品定殖的特征是以肠球菌占主导地位的特征，肠道胞糖蛋白阳性大肠杆菌的水平降低并在组中与E. faecal Sencals相比大大降低，并将其与Faecal Senters进行了显着增强。因此，施用噬菌体衍生的抗菌酶，该酶是针对生物膜形成的致病性大肠杆菌（使用现有抗生素很难消除的）可能提供了一种防止AGVHD的方法。
在乳腺癌细胞中雌激素受体靶向疗法中miR-33a表达的体外研究
在供应链级别上的合作是确保设计服务符合客户需求的关键，同时也要确保这些服务顺利提供（Morgan-Thomas，2016; Pilon和Hadjielias，2017; 2017; Ruiz-Alba等人，2019AB; Johansson et al。指的是制造业中的服务，服务不是一个新的研究领域，但它仍然缺乏就其定义，理论背景和影响的共识（Pinillos等，2022）。Furthermore, because most of the servitization research has been focused on the focal manufacturing firm, an examination of the servitization literature shows a limited understanding of the role of inter-firm relationships and supply chain collaboration (SCC) (Bikfalvi et al., 2013; Finne and Holmström, 2013; Xu et al, 2020; Galvani and Bocconcelli, 2022).试图阐明这一差距，这项调查着重于SCC对服务的影响。
强大的backstepping-super-twisting-sliding-mode-control- ...
摘要本文重点介绍了自动驾驶车辆的控制问题之后的路径。旨在增强鲁棒性和衰减现象，基于Lyapunov理论开发了一种超级扭转的滑动模式控制算法（STA），其中通过应用倒退技术来提供控制系统稳定性的证明。此外，进行MATLAB/SIMULINK和CARSIM之间的共模拟以验证控制性能后的路径。在这项研究中，Stanley控制器，常规滑动模式控制（SMC）和模型预测控制（MPC）用作评估提出的STA性能的基准控制器。在模拟中考虑了两种驾驶场景，包括正常驾驶和猛烈驾驶。全面评估控制绩效和控制工作（即转向的大小），新颖地提供了一个集成和加权性能评估指数。仿真结果表明，在正常驾驶情况下，所提出的STA的𝐼𝑊𝑃𝐸𝐼可以减少40.5％，25.8％，10.9％；与斯坦利控制器，常规SMC和MPC相比，在激烈的驾驶情况下，在激烈的驾驶情况下有62.5％，24％，6.8％。结果还表明，所提出的STA在颤动的衰减方面优于常规SMC，从而导致前方向盘角度输入更平滑，并且更平滑。与MPC相比，所提出的STA的优点在于其计算复杂性较低。此外，通过更改车辆质量和轮胎参数来验证控制器的鲁棒性。与基准方法相比，所提出的STA可以将𝐼𝑊𝑃𝐸𝐼的波动减少22.6％，22.3％和5.9％。这些结果表明，对系统扰动的考虑对于超级扭转滑动模式控制器的设计至关重要，这可以改善系统后自动驾驶汽车路径的鲁棒性。
一种具有输入阻抗增强和抑制偏移诱导电荷转移的斩波神经前端
摘要 — 现代神经调节系统通常提供大量的记录和刺激通道，这降低了每个通道的可用功率和面积预算。为了在面积限制越来越严格的情况下保持必要的输入参考噪声性能，斩波神经前端通常是首选方式，因为斩波稳定可以同时改善（1/f）噪声和面积消耗。现有技术中，通过基于输入电压缓冲器的阻抗增强器解决了输入阻抗大幅降低的问题。这些缓冲器对大型输入电容器进行预充电，减少从电极吸取的电荷并有效提高输入阻抗。这些缓冲器上的偏移直接转化为电荷转移到电极，这会加速电极老化。为了解决这个问题，提出了一种具有超低时间平均偏移的电压缓冲器，它通过定期重新配置来消除偏移，从而最大限度地减少意外的电荷转移。本文详细介绍了背景和电路设计，并介绍了在 180 nm HV CMOS 工艺中实现的原型的测量结果。测量结果证实，发生了与信号无关的缓冲器偏移引起的电荷转移，并且可以通过所提出的缓冲器重新配置来缓解这种电荷转移，而不会对输入阻抗增强器的操作产生不利影响。所提出的神经记录器前端实现了最先进的性能，面积消耗为 0.036 mm2，输入参考噪声为 1.32 µV rms（1 Hz 至 200 Hz）和 3.36 µV rms（0.2 kHz 至 10 kHz），功耗为 13.7 µW（1.8 V 电源），以及 50 Hz 时的 CMRR 和 PSRR ≥ 83 dB。
用于支持选择特定航空航天应用的最佳增材制造工艺的比较框架
摘要 ：增材制造 (AM) 是一项尖端技术，可提供高达 100% 的材料效率和显著的重量减轻，这将对飞机燃料消耗产生积极影响，并且具有很高的设计自由度。因此，许多航空航天公司都在考虑实施 AM，这要归功于这些好处。因此，本研究的目的是帮助航空航天组织在不同的 AM 技术中进行选择。为此，通过半结构化访谈收集了 (8) 位 AM 领域专家的原始数据，并与二手数据进行交叉引用，以确定在选择用于航空航天应用的 AM 设备时需要考虑的关键因素。专家们强调了四种 AM 技术：激光粉末床熔合 (LPBF)、电子束粉末床熔合 (EBPBF)、线弧 AM (WAAM) 和激光金属沉积 (LMD)，认为它们最适合航空航天应用。本研究的主要成果是开发了一个比较框架，帮助公司根据其主要业务或特定应用选择 AM 技术。
Leymann, Frank、Truger, Felix、Weder, Benjamin 和 Yussupov, Vladimir}，title = {Quokka：基于工作流执行的服务生态系统
量子计算利用量子力学现象（如叠加和纠缠），能够以更高的精度、更省时省能的方式解决各种问题。然而，量子算法依赖于多个预处理和后处理任务，这些任务通常需要在传统硬件上执行，例如数据准备、结果分析和参数优化。由于目前可用的噪声中型量子 (NISQ) 设备容易出错，当今大多数量子算法都被设计为所谓的变分量子算法 (VQA) [2]。VQA 交替在量子设备上执行参数化量子电路和通过评估执行结果的质量来经典优化量子电路参数。此外，量子设备不适合许多传统任务，例如数据持久化或可视化，这使得它们成为补充传统计算机的特殊协处理器。因此，量子应用本质上是混合的，必须从经典和量子的角度以及它们的集成的角度进行设计[4]。