摘要:许多案例研究表明,团队中非结构化的决策过程是导致事故的因素。在没有任何预配置解决方案的情况下,航空公司已经开发了决策模型。在我们的文章中,我们概述并比较了不同的模型。我们讨论了汉莎航空和德国航空航天中心开发的 FOR-DEC。报告了一项关于飞行员使用 FOR-DEC 经验的探索性研究以及与飞行员和非航空高风险领域的专家一起举办的研讨会的结果。当有足够时间时,该模型可用于在复杂情况下进行结构化决策。此外,FOR-DEC 的一些扩展可能会有所帮助,例如,将专家知识整合到决策过程中,并将团队明确整合到决策过程中。结果以 FOR-DEC 为例,为决策工具的有效实施、应用和培训提供了建议。
摘要 人类监管人员与远程机器人团队之间的协作极具挑战性,尤其是在高风险、遥远、危险的地点,例如海上能源平台。为了使这些机器人团队真正发挥作用,需要信任它们能够自主操作,执行检查和应急响应等任务,从而减少处于危险中的人员数量。由于远程机器人通常比近距离机器人更不可信,我们提出了一种解决方案,通过能够展示社交技能的“中介机器人”以及复杂的可视化技术来灌输对操作员的信任。在本立场文件中,我们提出了一般挑战,然后仔细研究了一个特定的挑战,讨论了一项初步研究,该研究调查了监管人员移交给中介机器人的控制水平与这如何影响他们的信任之间的关系。我们表明,如果主管的初始经验涉及将紧急情况的控制权移交给机器人助手,则主管更有可能获得更高的信任。我们在此讨论这一结果,以及人机协作的其他挑战和交互技术。
许多现实世界中的多种应用程序,例如搜索和交通管理或交通管理,都需要协调异性代理的团队。不幸的是,在这样的领域中学习很困难,因为代理通常会融合有限的“可接受”行为,这些行为可能是最佳的。质量多样性方法提供了通过将重点从优化的焦点转移到寻找各种行为曲目来减轻此问题的方法。但是,在具有多种多样且紧密耦合任务的多种环境中,探索行为的整个空间通常是棘手的。代理必须专注于寻找有利于良好团队绩效的有用行为。我们为异构团队(Beht)介绍了行为探索,这是一个多级培训框架,允许系统地探索代理人作为协调团队完成各种任务所需的行为空间。通过使用进化方法的密集代理特定的奖励和团队对象最大化的多样性搜索来搜索,代理的行为空间可以迭代地重新学习,以找到多样化的合作行为。在呼吁各种共同团队行为的多种环境中,我们表明,贝特允许代理商学习各种协同作用,这些协同作用是通过响应环境和其他异质代理而被收购代理行为的多样性所证明的。
为了应对野火对加州森林影响的规模和严重程度不断增加,2021 年加州野火和森林恢复力行动计划建议组建紧急森林恢复小组 (EFRT),为小型私人土地所有者提供森林恢复援助,这些土地所有者往往缺乏资金、专业知识或时间来申请现有的成本分摊计划或自行开展恢复工作。2021 年底,为应对迪克西、塔马拉克和卡尔多火灾,开发了三个试点 EFRT。加州消防局和美国森林服务局的资金被提供给这些火灾足迹中的当地组织,以制定新的援助计划,帮助受火灾影响的土地所有者。两个资源保护区和一个县是组织 EFRT 并制定和实施新援助计划的当地机构。资金用于聘请承包商在可能的情况下清除枯树和生物质,在现场处理枯木并种植针叶树幼苗。当地牵头机构对项目实施进行了环境审查和监测。在美国森林服务局州、私人和部落林业第 5 区的资助下,加州大学合作推广部通过采访参与这些项目的专业人士,调查了这些试点项目前两年的挑战和成功。基于这三个案例研究,我们总结了迄今为止从这些项目中吸取的经验教训。
线粒体-溶酶体相互作用在健康和疾病中调节神经元突触。指导团队:Mike Devine(克里克大学主要指导老师)和 Selina Wray(伦敦大学学院)揭示 TGF-b 家族信号通过 SMAD1 和 SMAD5 在驱动转移中的作用。指导团队:Caroline Hill(克里克大学主要指导老师)和 Debashis Sarker(伦敦国王学院)多发性骨髓瘤中内源性逆转录病毒包膜糖蛋白的免疫原性。指导团队:George Kassiotis(克里克大学主要指导老师)和 Anastasios Karadimitris(伦敦帝国理工学院)设计用于移植和疾病建模的肠移植物。指导团队:Vivian Li(克里克大学主要指导老师)和 Paolo De Coppi(伦敦大学学院)胃肠道疾病的几何形状。督导团队:Irene Miguel-Aliaga(克里克大学首席督导)和 Declan O'Regan(伦敦帝国理工学院)体细胞突变对代谢性肝病克隆动力学的作用。督导团队:Foad Rouhani(克里克大学首席督导)和 Alberto Sanchez-Fueyo(伦敦国王学院)使用神经像素探针进行神经外科单元记录。督导团队:Andreas Schaefer(克里克大学首席督导)、Tom Mrsic-Flogel(伦敦大学学院/SWC)、Hani Marcus(伦敦大学学院)和 William Muirhead(伦敦大学学院)阐明自身抗体在精神病中的功能作用。指导团队:Katharina Schmack(克里克大学主要指导老师)、Tom Pollak(伦敦国王学院)和 James MacCabe(伦敦国王学院) 识别肌萎缩侧索硬化症 (ALS) 的分子亚型,以便对患者进行分层和治疗。 指导团队:Anne Schreiber(克里克大学主要指导老师)和 Rickie Patani(伦敦大学学院/克里克大学) 全基因组分辨率下的肺癌转移性播散、代谢功能障碍和免疫逃避:TRACERx EVO 指导团队:Charles Swanton(克里克大学主要指导老师)和 Nicholas McGranahan(伦敦大学学院) 唐氏综合症中的炎症和自身免疫。 指导团队:Victor Tybulewicz(克里克大学联合主要指导老师)和 James Lee(克里克大学联合主要指导老师)以及 David Sansom(伦敦大学学院) ALS 小鼠和 iPSC 模型中的蛋白质组学特征。督导团队:Sila Ultanir(克里克大学首席督导)和 Rickie Patani(伦敦大学学院/克里克大学)
摘要 本文旨在介绍在累西腓市实施“街头宣传队”的经验,这是预防艾滋病毒/艾滋病和减少与使用酒精、快克可卡因和其他药物有关的危害 (HR) 的策略。尽管对这一过程历史的回顾揭示了城市管理部门实施的护理模式的紧张、不稳定和交替,但分析指出,在当前背景下重申该领域以 HR 和维护公民权利和人权为基础的实践和经验的重要性。街头宣传队被发现有助于加强统一医疗系统中 HR 的实践,作为一种公共卫生策略,以减少与使用酒精、快克可卡因和其他药物有关的性传播感染 (STI) 和艾滋病的脆弱性。这一经验扩大了对使用酒精、快克可卡因和其他药物的人的护理范围,并降低了与此类使用相关的性传播感染/艾滋病的脆弱性。然而,除了流行病学研究和展示在不同背景下取得的成果的研究之外,似乎还有必要投资和维持永久的培训过程。
‣重新访问2017年Bechtel/WSI成本研究,对四个alpha概念(脉冲,中间密度)‣基于E. Ingersoll等人的新反应堆 - 稳定范式的更新工厂成本(BOP)成本核算方法。‣ Public summary report plus four proprietary reports to the four ALPHA PIs ‣ Modular design/construction can significantly shorten construction times and lower indirect (interest) costs ‣ Cost savings realized by centralized manufacturing and shipping complete subsystems ‣ Total capital cost are approximately half of those from the 2017 study ‣ For 400-MWe power plant, average capex of $800M and $2/W, average LCOE = 47 $/MWh (34-54 $/MWH的范围)
项目背景和描述 细胞需要细胞内的酸性隔间来进行消化、分泌和突触传递。V-ATPase 质子泵是酸化所必需的,但如果隔间受损,质子泄漏会导致无法产生 pH 梯度。我们实验室的最新进展已经阐明了一条关键途径,通过该途径,受挫的 V-ATPase 可以通过直接募集自噬(自食)机制来发出存在受干扰隔间的信号(Timimi 等人,2024 年 Molecular Cell 即将出版)。如果无法维持 pH 梯度,V-ATPase 的 V1H 亚基将可用于 ATG16L1 结合。这会导致 ATG8 与单膜结合 (CASM)。与典型的自噬(其中会发生溶酶体降解)相反,有人提出非降解结果是可能的,例如通过分泌形式排出有缺陷的隔间。重要的是,这一过程被 SARS-CoV-2 和流感等病毒利用,同时也被沙门氏菌等细菌病原体阻断,这强烈暗示了其在对抗病原体的免疫中的重要性。CASM 还会激活 LRRK2,这与帕金森病和多种炎症性疾病(如炎症性肠病)有关。这很有启发性,因为 ATG16L1 的多态性与一种炎症性肠病密切相关。
7 新软件、平台、开放数据 9 7.1 新软件. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ................. ... . ... ... 13 7.1.10 Fed-BioMed . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .................................................................................................................................................................................................................................................. 14 7.1.13 SimulAD ........................................................................................................................................................................................................................................................................................................ ........................................................................................................................................................................................................................ 15 7.2 开放数据........................................................................................................................................................................................................................................................................................................................ ........................................................................................................................................................................................................ 15 7.2 开放数据........................................................................................................................................................................................................................................................................................................................................................ .... .... .... .... 15
人们众所周知,人类合作的能力如何影响我们的特殊能力。但是,随着我们朝着混合人机的未来迈进,尚不清楚人工互动中的人造代理的引入如何影响这种合作能力。在一次性的集体风险困境中,必须合作,以避免集体灾难,我们研究了混合人群中合作的进化动态。在我们的模型中,我们考虑了由自适应和固定行为剂组成的杂种种群。后者是实施先前离线学习的随机策略的人工智能代理的机器式行为的代理。我们观察到,自适应个体可以调整其在群体中的人工毒剂的作用,以补偿其合作(或缺乏其努力)的努力。我们还发现,在评估我们是否应该组成混合动力团队以应对集体风险困境时,风险起着决定性作用。当集体灾难的风险很高时,自适应人群的合作会在合作人工制剂的存在下急剧下降。一个关于薪酬而不是合作的故事,当人造代理人不够合作时,自适应代理必须确保团体成功,而是其他人这样做,则不愿合作。相反,当集体灾难的风险较低时,成功的高度改善,而自适应人群内的合作水平保持不变。人造代理可以改善混合团队的集体成功。但是,他们的申请需要对情况进行真正的风险评估,以便实际使适应性人群受益(即人类)。