XiaoMi-AI文件搜索系统
World File Search Systemucl
白细胞营养不良中的定量MRI -UCL Discovery
白细胞营养不良构成主要影响中枢神经系统白质的大型遗传疾病。不同的疾病靶向不同的白质结构成分。白细胞营养不良经常是渐进的和致命的。近年来，新型疗法正在出现，并且正在开发越来越多的白细胞营养不良试验。需要客观和定量指标来作为试验的结果指标。定量MRI会以无创的方式获得有关微结构特性的信息，例如髓磷脂或轴突含量和状况，以及白质的化学组成。通过提供有关白质微观结构参与的信息，定量MRI可能有助于评估和监测白细胞。许多不同的MR技术在开发的不同阶段都可以使用。虽然有些已经在临床上适用，但有些人的发达量较低，仅或主要用于健康受试者。在这篇综述中，我们探讨了白细胞营养不良的背景下可用定量MR技术的背景，当前状态，潜在和挑战。
拟人化和AI炒作-UCL Discovery
人类对拟人化的天生倾向。我们不禁以独特的人类方式思考非人类，在非人类中“看到”类似人类的特征，并做出相应的反应[1]。，但是这些推论可能会产生误导。推断我们回家时很高兴见到我们是很安慰的，也许很自然。这样的推论对于我们的宠物狗来说似乎是合理的。，但对我们的宠物岩石来说却不太如此。随着复杂的AI的出现，技术人工制品的拟人化已经变得广泛[2，3]。这不是最不重要的，因为这种技术通常被设计为像人类一样。的确，在许多情况下，这就是推动他们成功的原因。流行的基于LLM的Convertion App replika获得了知名度，因为它对用户感到与人交谈的感觉。replika用户认为他们的replika具有某些人类属性，例如情感的能力（例如，爱情，欲望，狂热，善良和悲伤）。这部分是因为聊天机器人伴随着类似人类的头像。，这也是因为它有能力维持人级对话并使用第一人称代词，Ben Schneiderman和Micheal Muller对[4]批评了GPT-4。
高级材料处理和制造（...
该模块介绍了人类解剖学和胚胎发育的重要方面。它旨在使学生在这些学科中进行更多的高级研究。该模块将涵盖神经系统，心血管系统，呼吸系统，消化系统，肌肉骨骼系统，泌尿生殖器系统和四肢的地形解剖结构和胚胎发育。它还将涵盖人类发展的前几周，并提供对胚胎发展的关键原则的理解。该模块还将覆盖组织和器官的细胞组织。该模块将通过讲座，一系列涵盖更专业主题，少量实践的研讨会和解剖学实验室（解剖室）的课程进行教授。
基于硅的固态电池-UCL Discovery
摘要：固态电池（SSB）是现任锂离子技术的有前途的替代品；但是，他们面临一系列独特的挑战，必须克服这些挑战，以使其广泛采用。这些挑战包括高电阻，动力学缓慢的固体 - 固体界面，以及形成界面空隙的趋势，导致由于断裂和分层而导致的循环寿命降低。这项建模研究通过将化学和机械材料特性与其电化学响应联系起来，探测了固体电解质（SE）固体 - 固体界面上应力的演变，可以用作优化基于硅（SI）SSB的设计和制造的指南。研究了由无定形SI负电极（NE）组成的薄膜固态电池，该电池由SI的静脉诱导的膨胀引起的SE施加压缩应力。通过使用2D化学 - 机械模型，使用连续尺度模拟来探测施加的压力和C率对细胞应力 - 应变响应的影响及其对整体细胞容量的影响。由于LI通过Si的缓慢扩散而导致局部菌株，因此在Si电极内产生了复杂的浓度梯度。为了减少100％SOC的界面应力和应变，需要在中等的C速率下运行低施加压力。另外，可以对SE的机械性能进行量身定制以优化细胞性能。但是，如果SE应力的减少更加关注，则应针对具有中等屈服强度（1-3 GPA）的符合年轻的模量（约29 GPA）。为了减少SI应激，应选择具有与磷氧硝酸锂（〜77 GPa）相似的中等年轻模量的SE，应选择与硫化物相当的低屈服强度（〜〜0.67 GPA）。这项研究强调了对SE材料选择的需求和其他细胞成分的考虑，以优化薄膜固态电池的性能。关键字：固态电池，薄膜，实心电解质，材料选择，有限元分析模型，弹性，塑料，硅负电极
让教育工作者做好迎接 AI 的准备 - UCL Discovery
在本文中，我们提出了人工智能准备的概念，以及开发人工智能准备培训的框架。‘人工智能准备’可以被构建为一种帮助人们理解人工智能（尤其是数据驱动的人工智能）的情境化方式。人工智能准备培训的性质不同于仅仅学习人工智能。相反，人工智能准备认识到人工智能可能对其产生影响的职业、工作场所和行业的多样性。例如，律师的人工智能准备可能基于与教育工作者的人工智能准备相同的原则。然而，细节将以不同的方式具体化。人工智能准备认识到这种情境化不是一种选择：它是必不可少的，因为不同行业及其环境之间存在多种复杂性、敏感性和差异，这些都会影响人工智能的应用。为了接受这种情境化，人工智能准备需要是一个积极的、参与性的培训过程，旨在使人们能够更好地利用人工智能来满足他们的需求。下文重点介绍教育和培训领域的人工智能准备情况，首先讨论教育和培训领域人工智能的现状以及人工智能准备的必要性。然后，我们将人工智能准备的概念问题化，为什么需要人工智能准备，以及它的含义。我们通过讨论人类和人工智能之间的差异来扩展人工智能准备的性质，然后提出一个帮助人们做好人工智能准备的 7 步框架。最后，我们使用高等教育领域人工智能准备的一个例子来举例说明人工智能准备情况。
恢复数字主权 - UCL Discovery
真正的公共云将通过开发以公共利益而非股东回报为中心的公共通用平台（如公共搜索引擎或公共电子商务市场）来扩大数字主权。虽然国际云基础设施是理想的，但平台可以以多种不同的规模开发——国际、国家或更本地化——这取决于一系列因素：服务类型、对数据收集和政府滥用的敏感性、生态足迹等（见第 3 和第 4 节）。例如，电子商务平台可以在本地运营，促进区域经济并减轻贸易的生态足迹，而其他平台可以在国家或区域范围内运营，例如医院和公共医疗系统内其他设施之间的数据共享平台，确保这些数据不会被访问以促进进一步的私有化。
大脑神经退行性疾病 - 伦敦大学学院发现
1 自由撰稿人，伦敦国王学院，英国伦敦 2 牛津大学精神病学系痴呆症平台主任，英国牛津 3 剑桥大学心理学系认知计算神经科学教授，英国牛津 4 牛津大学精神病学系高级临床研究员，英国牛津 5 牛津大学医院 NHS 基金会信托神经精神病学顾问，英国牛津 6 伦敦帝国理工学院脑科学系和英国痴呆症研究所中心，英国牛津 7 伦敦大学学院医学图像计算中心和计算机科学系，伦敦高尔街，英国伦敦 8 曼彻斯特大学健康科学学院，生物、医学和健康学院，英国曼彻斯特牛津路，M13 9PL 9 杰弗里·杰斐逊脑研究中心，曼彻斯特学术健康科学中心，英国曼彻斯特 10 马克斯·普朗克动态与自组织研究所和伯恩斯坦的 Schiemann Kolleg 小组组长和研究员德国哥廷根计算神经科学中心 11 英国剑桥大学 MRC 认知与脑科学部及剑桥大学医院 NHS 基金会临床神经科学系 12 英国利兹大学医学院 13 英国伦敦皇后广场伦敦大学学院神经病学研究所神经退行性疾病系 14 瑞典默恩达尔哥德堡大学萨尔格伦斯卡学院神经科学与生理学研究所精神病学与神经化学系 15 瑞典默恩达尔萨尔格伦斯卡大学医院临床神经化学实验室 16 英国伦敦伦敦大学学院英国痴呆症研究所 17 中国香港清水湾香港神经退行性疾病中心
能源转换和管理-UCL Discovery
由于全球表面温度，人口增长，更快的城市化和收入增长的增长，冷却需求的指数增加发生在过去几年中。由于这些冷却驱动因素的影响更大，发展中国家正面临重大问题。常规的蒸气压缩系统是能量的，并且涉及危险的化学物质。目前的论文提出了一种创新的间接蒸发冷却系统，具有较高的能量性能，更少的排放和无化学的操作。为了绘制全面的性能，开发了一个原型，并在各种外部空气条件下进行了测试。然后开发了基于人工神经网络（ANN）的机器学习模型，其中包含重要的输入参数，包括室外空气温度，空气流量比，工作空气温度和空气湿灯泡温度，以预测供应空气温度。隐藏层中具有九个神经元的ANN模型表现出出色的建模性能（r 2）值（r 2）值约1，均方根误差分别为0.046°C，0.06℃和0.06℃，分别在训练，测试和验证阶段中。一次（OFAT）技术一次由一个因素进行的可变显着性分析表明，工作进气温是预测供应温度的最重要参数，其显着性因子为33％。根据合并的实验和ML模型，所提出的系统在48℃的室外空气中产生了130 W的冷却CA的能力，并将温度下降超过20℃。所达到的相应性能系数（仅用于冷却）为32。还表明，增强的IEC在30至48℃的环境温度下稳定运行，并在Ashrae-55和ISO7730的舒适区内保持空气温度。
结肠药物输送 - UCL Discovery
结肠给药可促进药物达到独特的治疗靶点，并有可能提高药物的生物利用度，同时减少脱靶效应。将药物输送到结肠需要考虑配方开发，因为如果不了解结肠独特的生理环境，口服和直肠剂型都可能遇到挑战。随着围绕结肠给药的治疗机会成倍增加，新型药物的成功在于其设计。本综述提供了对决定结肠靶向药物有效设计和开发的关键参数的现代见解。首先讨论了控制药物在结肠中的释放、溶解、稳定性和吸收的重要生理特征，然后概述了最可靠的结肠靶向制剂策略。最后，介绍了最合适的体外、体内和计算机模拟临床前研究，目的是激发新型结肠靶向疗法的战略性发展。
精神分裂症患者的大脑老化 - 伦敦大学学院发现
constantinos constantinides 1，Laura KM Han 2,3,4，Clara Arsoza 5,6，Linda Antonella Antonucci 7,8，Celso Arango 5,6，Rosa Ayesa-arriola 9,6，Nerisa Banaj 10 Hovski 16,17，Vince Calhoun 18，Vaughan Carr 13,14,19，Stanley Catts 20，Young-Chul Chung Chung 21,22,23，Benedicto Crespo-Facorro 6,24，CovadongaM.Díaz-Caneja 5,6，Gary Donohoe 25 , Stefan Ehrlich 29 , Robin Emsley 26 , Lisa T. Eyler 30,31 , Paola Fuentes-Claramonte 6,32 , Foivos Georgiadis 33 , Melissa Green 13,14 , Amalia Guerrero-Pedraza 32,34 , Minji Ha 35 , Tim Hahn 36 , Frans A. Henskens 37,38,39 , Laurena Holleran 25 , Stephanie Homan 40,41 , Philipp Homan 40 , Neda Jahanshad 42 , Joost Janssen 5,6 , Ellen Ji 40 , Stefan Kaiser 43 , Vasily Kaleda 44 , Minah Kim 45,46 , Woo-Sung Kim 21,23 , Matthias Kirschner 33,43,47 , Peter Kochunov 48，Yoo Bin Kwak 35，Jun Soo Kwon 35,45,46，Irina Lebedeva 44，Jingyu Liu 49,50，Patricia Mitchie 39,51，Stijn Michielse，Michielse 52，David Mothersill 25,53，Bryan Mowry 54,55，FARZ-54,55 Giulio Pergola 7，Fabrizio Piras 10，Edith Pomarol-Clotet 6,32，Adrian Preda 58，YannQuidé13,14,59，Paul E. Rasser 39,60，Kelly Rootes-Murdy 18,28 Sarró6.32，Ulrich Schall 39.60，AndréSchmidt11，Rodney J.Scott 61，Pierluigi Selvaggi 7.62，Kang Sim 63,64,65，Antonin Skoch 66,67，Gianfranco Spalletta 10.68 10.68 HEV 44，Diana Tordesillas-Gutiérrez72,73，Therese Van Amelsvoort 74，JavierVázquez-Bourgon 6.9，Daniela Vecchio 10，Aristotle Voineskos 75,76，Cynthia S. 13,14,77、Paul M. Thompson 42、Lianne Schmaal 2,3、Theo GM van Erp 78,79、Jessica Turner 28,50、James H. Cole 80,81、ENIGMA 精神分裂症联盟*、Danai Dima 62,82,83 和 Esther Walton 1,83 ✉