XiaoMi-AI文件搜索系统
World File Search Systemterns
折纸启发的牺牲关节，用于折叠的机制
折叠和折纸原理可以从平面paters中实现三维几何形状[1]。由于制造过程通常更有效，甚至一定要在两个维度上完成，因此折叠提供了一种利用这种效率的方法，并具有三维最终结果。平面制造过程与折叠的组合导致了与机器人[2，3]，弹簧 - 孔子机制[4]，反射和阵列[5，6]和超材料[7，8]一样的潜在应用。兼容的机制通过经历弹性变形而不是传统链接的刚体运动来转移或转化运动，力或能量[9]。各种制造技术可用于各种规模的合规机理，例如电线电气加工（EDM），增材制造，表面微加工，
荷兰皇家航空航天中心
我们做了什么？对于军用直升机上使用的特定涡轴发动机，我们开发了一种数据驱动方法，从少量传感器数据（即发动机扭矩、动力涡轮入口温度、空气速度、外部空气温度和压力高度）中经验性地得出发动机整体状况的测量值。我们能够识别发动机随时间推移的退化，并将其与特定的使用模式和维护操作相关联。这使直升机操作员能够根据直升机的作战区域和使用情况进行预测性维护。该模型已根据历史数据（已知发动机故障）进行了验证。
AASLD 指南中药物性肝损伤 (DILI) 的新分类：下一步是什么？
特异质性 DILI 的潜在机制尚不清楚，但据信是多因素的，包括环境、化学和药理因素。[6] 描述发病机制的假设主要涉及适应性免疫系统。[2] 适应性免疫反应是急性损伤中的一个关键过程，它受到激活的免疫系统、释放的损伤相关分子模式 (DAMP) 以及来自抗原呈递细胞或药物-蛋白质复合物的反应性代谢物的刺激。这包括 CD4+ 和 CD8+ T 细胞反应以及 B 细胞介导的体液反应，导致肝细胞损伤。[7] 在大多数情况下，肝损伤会延迟发生，并在数月的暴露后突然发生而没有症状。这种损伤的潜伏期被认为是适应性免疫系统在特异质性 DILI 中发挥作用的标志。[8]
建立抽象概念的大脑表征模型
抽象概念表征对人类认知至关重要。尽管它们很重要，但人们对这些表征的关键属性仍然了解甚少。在这里，我们使用分布语义的计算模型来预测抽象概念激活和语境化过程中的多变量 fMRI 活动模式。我们设计了一项任务，参与者必须将抽象名词嵌入他们围绕给定背景语境开发的故事中。我们发现，下顶叶皮层中的表征是由分布语义模型中出现的概念相似性预测的。通过构建不同的模型系列，我们揭示了模型的学习轨迹，并描述了抽象和具体的训练材料如何有助于形成类似大脑的表征。这些结果为人类大脑中抽象概念表征的格式和出现提供了理论。
2020-2030 年 NIH 营养研究战略计划
如果我们每个人都有个性化的、可操作的饮食建议，帮助我们决定吃什么、何时吃、为什么吃和怎么吃，以优化我们的健康和生活质量，那会怎样？这是精准营养的大胆愿景，正如国立卫生研究院营养研究 2020-2030 战略计划所阐明的那样，该计划是美国国立卫生研究院营养研究工作组多年努力的成果。该计划概述了一种令人兴奋、战略性和科学指导的方法，通过对营养、饮食模式和微生物组的参与进行创新研究，从根本上改变营养科学。它还从整体上、整个生命周期和各种疾病的背景下考虑了饮食在健康中的作用。由于营养在怀孕、婴儿期和整个儿童期的形成作用，该计划融合了各种策略，密切关注饮食在妇女和儿童健康中的作用。
应用人工智能很重要 AI4Code
近年来，人工智能 (AI) 技术与源代码生成、维护和使用相关问题的结合已成为 AI 的一个重要应用领域 1。最近这方面的关注很大程度上可以归因于自然语言处理 (NLP) 技术和子领域的同期进步。自然性假说认为“软件是人类交流的一种形式”，代码表现出与 (人类) 自然语言相似的模式（Devanbu，2015 年；Hindle、Barr、Gabel、Su 和 Devanbu，2016 年），这使得许多 NLP 进步能够应用于以代码为中心的用例。这一发展促进了社区的大量工作——其中大部分内容都记录在 Allamanis、Barr、Devanbu 和 Sutton (2018) 的一项调查中，该调查侧重于根据应用于源代码的概率模型类型对这些方法进行分类。
机器学习人工智能模型在协助阴道镜检查医师中的作用：文献综述
宫颈癌筛查分为三类：阴道镜检查（宫颈的视觉印象）、细胞学检查（宫颈的显微镜/细胞研究）和 HPV 状态（Desai 等人，2022 年）。阴道镜检查涉及评估以下特征：对乙酸的反应、病变大小、病变边缘和边界、血管模式、碘摄取以及包括坏死在内的侵袭性癌症的迹象（Bedell 等人，2020 年，Reich 和 Pickel，2021 年）。这些作为视觉提示，指导活检取样，然后送去进行组织病理学评估以确认诊断（Allahqoli 等人，2022 年，Fu 等人，2022 年）。此外，还注意到尖锐湿疣、息肉、狭窄和炎症等各种宫颈特征。阴道镜检查的准确性是通过漏诊的高级别病变（假阴性率）来衡量的（Khan 等人，2017 年）。
QML-IDS：量子机器学习入侵检测系统
摘要 — 量子计算和相关技术的出现为增强网络安全提供了机会。向量子计算能力的转变为制定缓解不断增长的网络完整性威胁的策略铺平了道路。为了应对这一技术进步，我们的研究提出了 QML-IDS，这是一种结合量子和传统计算技术的新型入侵检测系统 (IDS)。QML-IDS 采用量子机器学习 (QML) 方法来分析网络模式和检测攻击活动。通过对公开数据集进行大量实验测试，我们表明 QML-IDS 在攻击检测方面是有效的，并且在二分类和多分类任务中表现良好。我们的研究结果表明，QML-IDS 优于传统机器学习方法，证明了量子增强网络安全解决方案在量子实用时代的前景。索引词 — 量子机器学习、网络安全、量子网络。
目标驱动学习行为中的可塑性神经流形
神经活动通常是低维的，并且仅由少数几个突出的神经共变模式主导。有人假设这些共变模式可以形成用于快速灵活运动控制的基石。支持这一想法的是，最近的实验表明，猴子可以在几分钟内学会调整其运动皮层中的神经活动，前提是变化位于原始低维子空间（也称为神经流形）内。然而，这种流形内适应背后的神经机制仍然未知。在这里，我们在计算模型中表明，由学习到的反馈信号驱动的循环权重修改可以解释在流形内和流形外学习之间观察到的行为差异。我们的研究结果提供了一个新的视角，表明循环权重变化不一定会导致神经流形发生变化。相反，成功的学习自然会限制在一个共同的子空间中。
自动化车辆的人类首选路径计划的曲线轨迹模型
抽象的自动驾驶系统通常用于车道保存任务。通过这些系统，计划在车辆前一条本地路径。但是，这些路径通常被人类驾驶员发现不自然。响应于此，本文提出了一个线性驱动器模型，该模型可以计算出反映人类驱动程序偏好的节点点，并基于这些节点点，可以设计人驾驶员首选运动路径用于自主驾驶。模型输入是道路曲率，通过自发开发的欧拉曲线曲线拟合算法有效利用。进行了一项全面的案例研究，以验证所提出的模型的功效，证明其模仿人类曲线路径选择中观察到的平均行为行为的能力。统计分析进一步强调了该模型的鲁棒性，从而确认了已建立关系的真实性。这种轨迹规划的范式转变对自主驾驶系统与人类驾驶偏好的无缝整合具有有希望的含义。