XiaoMi-AI文件搜索系统
World File Search System中包
本报告更新了 2021 年 5 月的安永报告《2021 年同类交易规则对美国经济的经济贡献》，其中包含以下方面的新信息：
推迟同类交换的税收可能会提高经济效率。根据现行法律，企业在交换同类财产时不必考虑直接的税收后果。这减少了与交易或实现税收相关的“锁定”效应，即企业因税收后果而不愿处置资产或收购新资产。此外，延期给财政部带来的税收成本可能比表面上看起来的要小。纳税人可能会继续折旧其对商业财产的初始投资，就好像原始财产没有被交换一样，但替换财产的税基减少了。相反，如果实现了收益，纳税人将有权以替换财产的全额成本为基础，并相应地获得更大的折旧税收减免，最终减少非交换纳税人的年度所得税。因此，交换纳税人对新财产的整体折旧扣除额
2022 年年度能源展望中包含的法律法规摘要
美国能源信息署 (EIA) 的《2022 年年度能源展望》(AEO2022) 使用的国家能源建模系统 (NEMS) 版本通常代表当前立法、环境法规和国际协议，包括截至 2021 年 11 月底已实施法规的近期政府行动。拟议的联邦和州立法、法规或标准的潜在影响未反映在 NEMS 中。此外，NEMS 不反映已颁布但尚未获得资助或缺乏实施条例的立法部分。每个模块的文档中都提供了 AEO2022 中包含的联邦和选定州立法和法规的列表，包括我们如何将它们纳入其中。本文档概述了所有相关法规，并包含代表 NEMS 中代表的新旧立法和法规的汇总表。
1. 一份欧盟数字新冠疫苗接种证书，其中包含……
• 能够识别已接种疫苗人员的详细信息（姓名、出生日期和/或身份证号码） • 证明已接种根据第 726/2004 号法规 (EC) 在欧盟授权的 COVID-19 疫苗或已完成世界卫生组织 (WHO) 紧急使用清单程序的 COVID-19 疫苗的详细信息 • 表明已接种包装说明书中针对 SARS-Cov-2 病毒的所有剂量至少两周，并且自主要疫苗接种系列中的最后一剂日期以来未超过 270 天的详细信息，或有证据表明在完成主要疫苗接种系列后接种了加强剂量。 • 所接种每种疫苗的品牌名称和制造商或营销授权持有人的名称。如果没有提到这两个名称之一，还必须提到批号；； • 已接种疫苗的每剂接种日期，或总剂数和最后接种的疫苗的名称以及最后一次接种的日期。； • 发放疫苗接种证书的国家、省份或地区名称； • 疫苗接种证书的签发者
国家航空航天管理局（NASA）电子邮件来自NASA通信办公室（OC），其中包含“ UAP”一词或“未识别的空中现象”一词，2021年5月26日，2021年7月18日，2021年7月18日
文档描述：国家航空和太空管理（NASA）来自NASA通信办公室（OC）的电子邮件（OC），其中包含“ UAP”一词或“未识别的空中现象”，2021年5月26日，2021年5月26日至2021年7月18日，要求日期：25-June-20121年8月25日至2012年8月25日至2012年8月20日至20121年8月20日。 13-December-2021 Source of document: FOIA Request NASA Headquarters 300 E Street, SW Room 5Q16 Washington, DC 20546 Fax: (202) 358-4332 Email: hq-foia@nasa.gov Online FOIA submission form The governmentattic.org web site (“the site”) is a First Amendment free speech web site and is noncommercial and free to the public.网站上提供的网站和材料（例如此文件）仅供参考。政府Attrictic.org网站及其主体已竭尽全力使这些信息尽可能完整，尽可能准确，但是，可能存在印刷和内容的错误和遗漏。政府网站及其校长应对任何人或实体均不承担任何责任，也不应对任何人或损害，或据称是由政府attricatic.org网站上或本文件中提供的任何损失或损害直接或间接造成的。使用适当的法律渠道从政府机构那里获得了在本网站上发布的公共记录。每个文档都标识为源。对本网站内容的任何担忧都应直接针对所讨论的文件的代理机构。政府Attic.org对网站上发布的文件内容概不负责。
美国国家航空航天局 (NASA) 通讯副局长马克·埃特金德 (Marc Etkind) 的电子邮件中包含“UAP”一词或“不明空中现象”一词，2021 年 5 月 26 日至 2021 年 7 月 18 日
文件说明：美国国家航空航天局 (NASA) 通讯副局长马克·埃特金德 (Marc Etkind) 发送的电子邮件，其中包含单词“UAP”或短语“不明飞行现象”，2021 年 5 月 26 日至 2021 年 7 月 18 日 要求日期：2021 年 6 月 25 日 发布日期：2021 年 11 月 30 日 发布日期：2021 年 12 月 6 日 文件来源：FOIA 请求 NASA 总部 300 E Street, SW Room 5Q16 华盛顿特区 20546 传真：(202) 358-4332 电子邮件：hq-foia@nasa.gov 在线 FOIA 提交表 governmentattic.org 网站（“本网站”）是第一修正案的言论自由网站，是非商业性的，向公众免费开放。本网站及其提供的材料（例如本文件）仅供参考。 governmentattic.org 网站及其负责人已尽一切努力使这些信息尽可能完整和准确，但是，在印刷和内容方面可能存在错误和遗漏。governmentattic.org 网站及其负责人对任何个人或实体因 governmentattic.org 网站或本文件中提供的信息直接或间接造成或声称造成的任何损失或损害不承担任何责任。网站上发布的公共记录是通过适当的合法渠道从政府机构获得的。每份文件都标明了来源。对网站内容的任何疑虑都应直接向相关文件的发布机构提出。GovernmentAttic.org 对网站上发布的文件内容概不负责。
b'其次，我们定义一个模拟元素池 P ( \xcb\x9c A, N MO )，其中包含所有独特的单量子比特和双量子比特激发演化，分别为 180 \xcb\x9c A ik ( \xce\xb8 ) 和 \xcb\x9c A ijkl ( \xce\xb8 )，其中 i、j、k、l \xe2\x88\x88{ 0 , N MO \xe2\x88\x92 1 } 。该池的大小为 || P ( \xcb\x9c A, N MO ) || = N MO 2 +3 N MO 4 。181'
b'其次，我们定义一个模拟元素池 P ( \xcb\x9c A, N MO )，其中包含所有独特的单量子比特和双量子比特激发演化，分别为 180 \xcb\x9c A ik ( \xce\xb8 ) 和 \xcb\x9c A ijkl ( \xce\xb8 )，其中 i、j、k、l \xe2\x88\x88{ 0 , N MO \xe2\x88\x92 1 } 。该池的大小为 || P ( \xcb\x9c A, N MO ) || = N MO 2 +3 N MO 4 。181'
要在疫苗搬迁计划中包括的东西...
•打电话给谁移动疫苗？姓名和电话号码（列表以致电）简·史密斯（Jane Smith）：999-999-9999玛丽·布朗（Mary Brown）：999-999-1111约翰·杜（John Doe）博士：999-111-0000•您在哪里服用疫苗？名称，地址和电话号码•冰箱和冰箱在哪里？（药房，实验室等）•包装耗材（冷却器，纸板，气泡包装，冷冻水瓶，数字数据记录温度计）在哪里？•“完成疫苗运输清单表。”•“根据运输冷藏疫苗并运输冷冻疫苗的讲义，冷冻和冷冻疫苗包装。”•“完成疫苗运输监测表。”•“乘客舱中的运输疫苗不是车辆的后备箱。” •“请参阅连接的说明，以获取搬迁站点。”请包括印刷地图和书面说明（即Google Map，MapQuest）。•冰箱和冰箱在搬迁地点在哪里？（药房，实验室等）包括指定疫苗存储单元的方向（即，到达主入口，在访客的桌子上右下，左1 stallway，穿过双门……）
符合纳米结构的脂质载体，其中包含Galangin ...
DOX的潜力。 以前在癌症治疗中报道了加拉汀和化学治疗剂的协同作用（Ren等，2016； Yu等，2018）。 然而，低生物利用度和类黄酮的第一通代谢减轻了GA的抗癌作用（Wu等，2011； Zhu等，2018）。 基于我们的结果，NLC-RGD是将GA递送到人类肺泡基底上皮细胞中的合适载体。 纳米颗粒的大小范围为30-200 nm，适合药物输送（Hajipour等，2021）。 网状内皮系统很容易省略大于30 nm的纳米颗粒，而小于20 nm的纳米颗粒通过肾脏排泄去除（Hajipour等，2018）。 zeta电位作为纳米颗粒表面电荷的指标，可以控制纳米颗粒和之间的排斥力DOX的潜力。以前在癌症治疗中报道了加拉汀和化学治疗剂的协同作用（Ren等，2016； Yu等，2018）。然而，低生物利用度和类黄酮的第一通代谢减轻了GA的抗癌作用（Wu等，2011； Zhu等，2018）。基于我们的结果，NLC-RGD是将GA递送到人类肺泡基底上皮细胞中的合适载体。纳米颗粒的大小范围为30-200 nm，适合药物输送（Hajipour等，2021）。纳米颗粒，而小于20 nm的纳米颗粒通过肾脏排泄去除（Hajipour等，2018）。zeta电位作为纳米颗粒表面电荷的指标，可以控制纳米颗粒和
耶鲁计算机科学中包容性教学的最佳实践
设置有关课程先决条件的清晰和具体的期望，教师可以通过列出特定概念，而不仅仅包括课程编号来设置对先决条件的明确期望。例如，不仅要注意“在数学222/225之后”，还考虑添加更多详细信息，例如“假定对矩阵操作的熟悉，并且在整个课程中将经常使用矩阵”。这很有用，因为任何给定课程的教学主题在学期和不同的讲师之间都可能有很大差异，并且在参加一门课程后，学生可能在某些概念中忘记了某些概念。虽然先决条件在耶鲁大学未正式执行，但讲师应包括课程大纲中的所有信息（请参阅第8节），并在添加/删除期间口头注意课程先决条件。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。