XiaoMi-AI文件搜索系统
World File Search Systemusing
使用 CRISPR/Cas9 对无融合生殖四倍体草皮和牧草（Paspalum notatum Flügge ́）进行多等位基因编辑
多倍体在禾本科植物中很常见，对传统育种提出了挑战。基因组编辑技术绕过了杂交和自交，能够在一代中对多个基因拷贝进行有针对性的修改，同时保持许多多倍体基因组的杂合背景。巴哈草（Paspalum notatum Flügge ́；2 n =4 x =40）是一种无融合生殖的四倍体 C4 物种，在美国东南部广泛种植，作为肉牛生产和公用事业草坪的饲料。叶绿素生物合成基因镁螯合酶（MgCh）被选为在四倍体巴哈草中建立基因组编辑的快速读出目标。含有 sgRNA、Cas9 和 npt II 的载体通过基因枪法递送到愈伤组织培养物中。通过基于 PCR 的检测和 DNA 测序对编辑植物进行了表征，并观察到高达 99% 的 Illumina 读数的诱变频率。野生型 (WT) 巴哈草的测序显示，MgCh 的序列变异水平很高，这可能是因为存在至少两个拷贝，可能包含八种不同的等位基因，包括假基因。MgCh 突变体表现出明显的叶绿素消耗，叶片绿度降低了 82%。两种品系显示出随时间推移的编辑进展，这与体细胞编辑有关。获得了嵌合 MgCh 编辑事件的无融合生殖后代，并允许在一系列叶绿素消耗表型中识别出统一编辑的后代植物。高度编辑的突变体的 Sanger 测序显示 WT 等位基因的频率升高，可能是由于频繁的同源定向修复 (HDR)。据我们所知，这些实验是首次报道将基因组编辑应用于多年生暖季草皮或牧草。该技术将加速巴哈草品种的开发。
使用UNET变压器神经网络在染色的微观切片上进行定量木材解剖结构
森林在地面碳循环中至关重要，并且对它们对持续气候变化的反应的了解对于确定未来的碳浮动和气候轨迹至关重要。在具有对比季节的区域，树木形成可以分配给日历年的离散年环，从而可以提取有关树木对环境的反应的宝贵信息。木材的解剖结构提供了有关树木对气候的反应和适应的高度分辨信息。定量木材解剖结构有助于通过使用木材微剖面的高分辨率图像在细胞水平上测量木材来检索这些信息。然而，尽管在识别细胞结构方面已经取得了很大的进步，但获得有意义的细胞信息仍然受图像上正确的年度树环界定的阻碍。这是一项耗时的任务，需要经验丰富的操作员手动界定环边界。基于像素值的自动分割的经典方法正在用能够区分结构的新方法代替，即使分界需要高水平的专业知识。尽管已使用神经网络进行木环的分割，但木制的木材图像，但阔叶物种染色的微观切片中细胞模式的复杂性需要自适应模型才能准确地完成此任务。我们在山毛榉核心染色的横截面微隔板图像上使用神经网络提出了自动树环边界划定。基于卷积神经网络的应用我们训练了一个UNETR，一个UNET的联合神经网络和视觉变压器的注意机制，以自动分段年度环边界。考虑到具有手动分割的差异以及数量木材解剖学分析目标的差异以及差异的后果。在大多数情况下（91.8％），自动分割匹配或改进了手动细分，即使将手动细分视为更好的情况，两种类别之间的船只分配率也相似。
使用各种损失模型的电池损失预测
这项工作比较并量化了带有太阳能光伏（PV）的住宅建筑物的案例研究中三个电池系统损耗表示的年损失。两个损失表示形式考虑了不同的操作条件，并使用电池电力电子转换器（PEC）的测量性能，但使用恒定或依赖电流的内部电池电池电阻的不同。第三表示是无关紧要的，并使用（固定的）往返效率。工作使用负载和PV轮廓的次数测量，包括不同的PV和电池尺寸组合的结果。与具有当前依赖性内部电阻的情况相比，结果表明使用恒定电池内部电阻不足，并将年度损失差异量化为-38.6％。结果还表明了通过固定的往返效率对电池系统的效率进行建模的缺陷，其损失差异在-5％至17％之间，具体取决于情况。此外，突出显示了计算细胞损失的必要性，并且量化了其对转换器加载的依赖性。
使用Div>使用Dimainmatic算法的速度使用）
我们提出了一种使用多体分离式化催化的方法来加快量子绝热算法的方法。这将应用于随机场抗铁磁液体自旋模型。该算法的催化方式使得进化在过程中间近似于海森堡模型，并且该模型处于离域相。我们以数字方式显示，我们可以加快标准算法来使用此想法来查找随机模型的基础状态。我们还证明了加速是由于差距扩增而引起的，即使基础模型并非没有挫败感。分频器到加速度大致出现在相互作用的值中，这被称为离域转变的关键。我们还将参与率和纠缠熵计算为时间的函数：他们的时间依赖关系表明该系统正在探索更多的状态，并且比没有催化剂时更纠缠。一起，所有这些证据都表明加速与离域有关。即使只能研究相对较小的系统，但证据表明，该方法的缩放尺寸是有利的。通过一台小型在线IBM量子计算机的实验结果来说明我们的方法，显示了如何随着这些机器的改善来验证该方法。与标准算法相比，催化方法的成本只是一个恒定因素。
使用人工神经网络预测 DED 制造过程中的热场
AAbstr bstract act.. 在过去十年中，机器学习越来越吸引多个科学领域的研究人员，特别是在增材制造领域。同时，这项技术对许多研究人员来说仍然是一种黑箱技术。事实上，它允许获得新的见解，以克服传统方法（例如有限元方法）的局限性，并考虑制造过程中发生的多物理复杂现象。这项工作提出了一项全面的研究，用于实施机器学习技术（人工神经网络），以预测 316L 不锈钢和碳化钨直接能量沉积过程中的热场演变。该框架由有限元热模型和神经网络组成。还研究了隐藏层数和每层节点数的影响。结果表明，基于 3 或 4 个隐藏层和整流线性单元作为激活函数的架构可以获得高保真度预测，准确率超过 99%。还强调了所选架构对模型准确性和 CPU 使用率的影响。所提出的框架可用于预测模拟多层沉积时的热场。
使用基于项目的学习来教授人工智能
摘要。本研究介绍了一种称为基于项目的学习 (PBL) 的主动学习方法，用于在本科工程学位的计算机视觉课程中开发人工智能 (AI)。该课程的目标是使用深度学习 (DL)/机器学习 (ML) 技术在实际问题中开发图像识别能力。PBL 学习方法帮助学生寻找现实世界的问题，开发复杂的解决方案，并在团队成员之间产生协同效应。教授的主要作用是在整个课程中为学生提供建议、指导和激励。主动学习方法的教学创新为教授提供了根据经验创建动态激励学习环境的机会。每个本科工程专业的学生都有机会发展他们的专业技能和技巧：团队合作、主动性、创新和领导力。学生团队取得的成果表明了解决问题的能力，包括使用带有人工智能的自动导航设备、检测疟疾寄生虫、识别非人类个体以控制车辆交通。
通过使用基于深度学习的域适应声发射
使用机器学习（ML）算法在制造过程中嵌入的传感器内部嵌入的信息的进步和识别，以更好地决策成为构建数据驱动的监视系统的关键推动因素。在激光粉床融合（LPBF）过程中，基于数据驱动的过程监视正在广受欢迎，因为它允许实时组件质量验证。加上制造零件的实时资格具有重要的优势，因为可以降低传统的生产后检查方法的成本。此外，可以采取纠正措施或构建终止以节省机器时间和资源。然而，尽管在满足LPBF流程中的监视需求方面取得了成功的发展，但由于不同的过程空间，在处理来自激光材料互动的数据分布的变化时，对ML模型在决策方面的鲁棒性进行了更少的研究。受到ML中域适应性的想法的启发，在这项工作中，我们提出了一种基于深度学习的无监督域适应技术，以解决由于不同的过程参数空间的数据分布的转移。在两个不同的316 L不锈钢粉末分布（> 45 µm和<45 µm）上获得了从LPBF过程区域到三个机制到三个方案的声学发射区到三个方案的声波形式。对应于用不同激光参数处理的粉末分布的声波形的时间和光谱分析显示，数据分布中存在偏移，随后用建议的无监督域适应技术对其进行处理，以具有可以普遍化的ML模型。进一步，两个分布之间提议的方法的预测准确性表明，不受欢迎地适应新环境的可行性并改善了ML模型的推广性。
利用科学、技术和创新来增强……
该项目是在非洲青年人口迅速增长的背景下启动的，为生产力和包容性经济增长提供了巨大的潜力。然而，这一人口群体中很大一部分面临着因新冠疫情而加剧的失业挑战，需要通过有效的政策干预和机构加强来寻求可持续的解决方案。该计划重点关注埃塞俄比亚、加纳、肯尼亚、尼日利亚、卢旺达、塞内加尔、乌干达和津巴布韦，审查科学、技术和创新 (STI) 政策，以了解当前形势，找出成功和失败之处，并为青年就业和创造财富的关键领域的决策提供基于证据的见解。该项目与非洲大陆战略（如《2063 年议程》）以及万事达卡基金会的“青年非洲工作战略”和非洲进出口银行的青年参与非洲大陆自由贸易区 (AfCFTA) 实施活动以及将青年纳入政策参与和跨区域对话等举措相一致，旨在为政策制定提供信息并加强利益相关方之间的联系，以解决青年失业、技能发展和创业问题。通过严谨的研究和利益相关方参与，该项目正在促进基于证据的政策讨论，并为制定有效的战略以创造就业机会和增强非洲青年权能做出贡献。
使用粒子群优化人工神经网络检测黑色素瘤
黑色素瘤是一种最可怕的皮肤癌，死亡率很高，最初是通过临床筛查、皮肤镜分析、活检和组织病理学检查进行目视诊断的。如果诊断和早期治疗延误，就会变得很危险。图像处理技术的最新发展有助于有效地检测黑色素瘤，因为由于病变的细粒度变化，检测黑色素瘤是一项艰巨的工作。本文研究了一种使用粒子群优化人工神经网络分析病变不规则性的新分类程序。在本研究论文中，提取病变的颜色特征并使用 PSO-ANN 分类器进行分类。通过标记假阳性率和真阳性率获得的接收者操作特性在分析计算机辅助诊断系统的诊断潜力方面起着至关重要的作用。应用于 ISIC 数据库的分类技术表明曲线下面积为 0.96853，特异性为 90.0%，灵敏度为 94.07%，准确率为 93.04%。