XiaoMi-AI文件搜索系统
World File Search System互补性
互补性确定SARS-COV-2混合免疫中的区域
疫苗接种前SARS-COV-2感染可以促进COVID-19疫苗接种和vaccination后突破性SARS-COV-2感染引起的保护，可以促进COVID-19疫苗接种的现有免疫力。这种“混合免疫”对SARS-COV-2变体有效。为了理解分子水平的“杂交免疫”，我们研究了抗RBD（受体结合结构域）抗体的互补性确定区域（CDR）（CDR），这些抗体从具有“杂种免疫”的个体中分离出来，以及从“幼稚”（不是SARS-COV-2感染）疫苗的个体中分离出来的。CDR分析是通过液相色谱/质谱 - 质谱法进行的。 主要成分分析和部分最小平方差分分析表明，CoVID-19接种疫苗的人共享CDR Pro填充物，并且预疫苗发生的SARS-COV-2感染或突破性感染进一步塑造了CDR ProFile，并在杂种中具有CDR PREFLE，而无需接种CDR疫苗，而无需感染CDR疫苗。 因此，我们的结果表明，杂交免疫的CDR率与疫苗接种引起的CDR ProFE不同。CDR分析是通过液相色谱/质谱 - 质谱法进行的。主要成分分析和部分最小平方差分分析表明，CoVID-19接种疫苗的人共享CDR Pro填充物，并且预疫苗发生的SARS-COV-2感染或突破性感染进一步塑造了CDR ProFile，并在杂种中具有CDR PREFLE，而无需接种CDR疫苗，而无需感染CDR疫苗。因此，我们的结果表明，杂交免疫的CDR率与疫苗接种引起的CDR ProFE不同。
硬耦合水电系统模型增强了可再生能源的互补性
水和电力系统模型的软（单向）耦合是研究水资源可用性对电网性能影响的主要方法。然而，这种方法并没有明确地捕捉到电网状态与水系统层面的运营决策之间的关键动态相互依赖关系。在这里，我们解决了这一差距，并引入了一个新颖的数值建模框架，该框架将多水库系统模型和电力系统模型硬耦合起来。该框架捕捉双向反馈机制，从而使运营决策能够根据水和能源系统的状态做出。我们根据柬埔寨电网的真实案例研究评估了该框架。鉴于该国计划进一步实现电网脱碳，我们在三种电网配置上测试了该框架——原有电网和安装两种不同太阳能容量的电网。模拟实验在有反馈和无反馈的情况下进行，同时通过 1,000 个随机时间序列的流量、太阳能生产和负载探索外部强迫中的不确定性。正如我们的结果所示，水和能源系统的硬耦合降低了运营成本和二氧化碳排放量，同时增加了可再生能源的整合。在有利条件下（水库流量大且电力需求低），该系统的年运营成本节省了 44%，二氧化碳排放量减少了 53%。对水库运营和输电线路使用情况的时空分析表明，季风时间和各个电网组件之间的互连也在影响系统对硬耦合的响应方面发挥着重要作用。总体而言，像这样的模拟框架提供了一个建模框架，用于测试旨在提高水能系统性能的管理和规划解决方案。
工作论文 · 第 2022-90 号 战略互补性定价的平均场博弈
我们感谢芝加哥大学、EIEF 和路易斯大学、北京大学、BSE 夏季论坛、ECB、卡福斯卡里、博洛尼亚大学、俄亥俄州立大学、苏黎世大学、2021 年 NBER 夏季学院、第五届圣地亚哥宏观研讨会、里士满联邦储备银行、芝加哥联邦储备银行、理论茶 UofC 研讨会和芝加哥大学偏微分方程素养研讨会的研讨会参与者。我们感谢 Adrien Auclert、David Baquee、Andres Blanco、Paco Buera、Luca Dedola、Jennifer La'O、Rody Manuelli 和 Rob Shimer 的评论。Ken Miyahara 提供了出色的研究协助。Souganidis 获得了美国国家科学基金会拨款 DMS-1900599、海军研究办公室拨款 N000141712095 和空军科学研究办公室拨款 FA9550-18-1-0494 的部分资助。
考虑多能互补性的混合AC/DC微电网的自主合作控制
多能杂交AC/DC微电网（MGS）可以促进分布式发电机（DGS）和储能系统（ESS）的可靠整合和有效利用，为局部负载提供可靠的电源，并实现多型辅助和能量的辅助和能量。在本文中提出了多能MGS的自主合作控制，该控制可以实现以下目标：1）在储能期，冰储存系统和储能系统可以根据其额定能力吸收能量。2）在能源释放期间，首先投入冰块存储系统，其余等效的冷却载荷和电气负载由储能系统根据其额定容量比共享。此外，完整的系统小信号模型还可以用于分析系统的特征和特征并指导控制参数的最佳设计。最后，在PSCAD/EMTDC中进行的几个案例研究证实了所提出的对照的有效性。
文章 - 可再生能源和地区之间的工程，技术和技术互补性 - 巴西案件
摘要：可再生能源之间互补性的好处已显示为具有积极影响，但在发电扩展计划研究中已被忽略。在本文中，对可再生能源和巴西区域之间的互补性进行了特征，并分析了相关系数。还提出了一种方法来优化来源之间的互补性，从而减少了储能要求。该方法适用于巴西案件，以满足100％可再生系统的2050年预计需求，并分析了互补性。数据的表征使我们能够提出五个太阳能区域，四个风区，三个水力区域和一个代表生物质的区域。可以找到水力区域之间的互补性（负相关）：0.97；风与水域之间的0.86；生物质和水力量之间的0.96。拟议的方法使我们知道哪些区域及其各自的技术最能使电气系统受益，这是太阳能的北部，而东北方的风。最后，有可能通过补充季节性水力干旱时期的来源和地区来减少对储水的需求。
数字经济转型战略政策
2 例如，人工智能 (AI) 被用于先进的机器人技术、自动驾驶汽车和大数据。这些应用通常需要支持性基础设施，例如通信网络（例如 5G 网络）、数据处理器和数据中心。 3 希克斯互补性是指投入品价格的变化或投入品生产的变化导致对其他投入品的需求发生变化。技术互补性是指一项资本的技术变化导致相互依赖的其他资本项目发生变化。有关进一步解释，请参阅 Lipsey 等人 (1998)。
研究声明
人类互补性。近年来，人们对机器学习模型的兴趣越来越令人兴奋，以帮助人类专家在包括医学，教育和科学在内的各种应用领域做出更准确的预测。在这种情况下，最终目标是人类互补性 - 使用机器学习模型的人类专家的预测比专家或单独模型的预测更准确。，这个目标一直难以捉摸，目前尚不清楚如何设计能够持续实现人类互补性的机器学习模型。在过去的几年中，我们进行了两项研究以填补这一空白。在第一线研究中，我们追求了算法分类的想法。在算法分类下，机器学习模型并不能预测所有实例，而是将一些实例辩护给人类专家。结果，一个人不仅必须找到机器学习模型，而且还必须找到一个决定谁预测每个实例的分类策略。在这里，主要的挑战之一是，对于每个潜在的分诊策略，都有一个最佳的机器学习模型，但是，分类策略也是人们寻求优化的东西。在一系列论文中，我们开发了一些第一个算法，并具有理论保证，可以在回归[1]，分类[2，3]和增强学习[4]设置下学习算法分类。在这些工作中，我们进行了观察性实验，表明，通过使用算法分类，我们可以平均实现人类互补性。但是，我们还意识到算法分类不能在实例层面上实现人类互补性。这是因为，根据设计，每种效果是由人类专家的性能或机器学习模型的性能决定的。为了避免上述限制，在第二条研究中，我们追求了机器学习模型的设计，而不是依靠算法算法分类，而是适应性地限制了人类专家的代理水平[5，6]。更具体地说，我们倡导机器学习模型，这些模型不是提供单个预测，而是提供一组预测，即预测集，并询问
学习人机团队的互补政策
当算法和人类都无法在给定上下文中的所有实例中发挥主导作用时，人机互补性就很重要。最近探索人机协作的研究考虑了与分类任务相对应的决策。然而，在许多人类可以从人工智能互补性中受益的重要情况下，人类会采取行动。在本文中，我们提出了一种新颖的人机协作框架，用于选择有利的行动方案，我们将其称为人机团队的学习互补政策 (LCP - HAI)。我们的解决方案旨在利用人机互补性来最大化决策奖励，通过学习旨在补充人类的算法策略，通过使用路由模型将决策推迟给人类或人工智能以利用由此产生的互补性。然后，我们扩展了我们的方法来利用机会并降低实践中重要情况下出现的风险：1）当一个团队由多个具有差异和潜在互补能力的人组成时，2）当观察数据包括一致的确定性动作时，3）当未来决策的协变量分布与历史数据不同时。我们使用真实人类反应和半合成数据证明了我们提出的方法的有效性，并发现我们的方法在各种设置下都提供了可靠且有利的性能，并且优于算法或人工智能自己做出决策时。我们还发现，我们提出的扩展有效地提高了人机协作性能在不同挑战性设置下的稳健性。
词向量中信息的非互补性与大脑表征在区分具体词语和抽象词语方面的作用
词语的具体性和可想象性已被证明对于理解人类如何在大脑中处理和表示语言至关重要。虽然词向量没有明确将词语的具体性纳入其计算中，但它们已被证明能够准确预测人类对具体性和可想象性的判断。受到最近使用神经活动模式分析分布式意义表征的兴趣的启发，我们首先表明，人类受试者在被动理解自然故事时获得的大脑反应可以显著区分所遇到的词语的具体性水平。然后，我们针对同一任务检查大脑表征中的额外感知信息是否可以补充词向量中的上下文信息。然而，我们的预测模型和残差分析的结果表明相反。我们发现大脑表征中的相关信息是语境化词向量中相关信息的一个子集，这为现有的自然语言处理模型状态提供了新的见解。