XiaoMi-AI文件搜索系统
World File Search System交叉
道路摩托车交叉点（桥梁）对植物物种多样性和生态属性产生负面影响
抽象问题：线性栖息地是陆生和水生的走廊，可以是自然的或人为的。在这里我们问：两种类型的线性栖息地（道路和河流）的交集如何影响植物物种的多样性，成分和生态属性？地点：法国南部。方法：我们研究了道路河交叉点（桥梁），以测试路边和河滨植物群落中物种的组成，α和β多样性以及对桥梁影响的反应。我们还使用空间预测因子（空间特征向量图）来评估桥梁是否影响定向空间过程（上游向上河轴）结构社区组成。结果：我们表明，桥梁周围的植被与物种组成和生态偏好以及α和β多样性的植被不同于桥梁。我们还发现，桥梁河流和道路植物群落中物种的生态偏好融合。由于不同的干扰方案，桥梁的物种β多样性的周转成分较低，因此导致生物均匀化。然而，我们的结果表明，桥梁对影响物种组成的方向空间过程的影响可以忽略不计。结论：桥梁作为河流和道路的植物社区选择力的强烈影响表明，不应忽略桥梁。我们的发现将有助于开发对两种类型的线性栖息地的更有效管理，以保护其托管的植物物种以及相关的生态功能和所提供的生态系统服务。
利用扫描焦耳膨胀显微镜对交叉电阻存储器中的导电丝进行定位
摘要 — 为了确保这种新兴器件的可靠性，控制导电桥式随机存取存储器 (CBRAM) 中的细丝生长至关重要。在这里，我们证明了扫描焦耳膨胀显微镜 (SJEM) 可用于检测和精确定位工作中的交叉 CBRAM 器件中的导电细丝。基于 Pd/Al 2 O 3 /Ag 堆栈的柔性存储器件首先在低温下在聚酰亚胺基板上精心制作。这些器件在低压 (<2V) 下显示置位和复位操作，开/关比高于 10 4 。在低电阻状态下操作时，SJEM 振幅图像显示出单个导电细丝存在下的热点。在 50kHz 下提取的有效热扩散长度为 4.3µm，并且还证明了热膨胀信号与耗散的焦耳功率成正比。我们相信，所提出的程序为可靠性研究开辟了道路，可将其应用于任何基于细丝传导的存储器件系列。索引词——CBRAM、柔性电子、SJEM、长丝定位。
一种基于灵活电源交叉开关的软件架构...
因此，本文提出了一种新颖的直流微电网 (DCMG) 交叉开关架构，可以将时变电气拓扑安装到现有的物理架构上。我们通过提出一种以电源交叉开关为中心的系统组织来改进最先进的技术，该系统支持软件定义的电气拓扑和相应的数字控制架构。这使得能够处理从一组能源参与者到另一组能源参与者的动态和透明切换（切换操作）。我们的方法通过其灵活性提供了显着的优势，例如通过选择电源和负载之间的适当路由来最大限度地减少配电/转换损耗。由于数字控制架构对多个电压和电流进行恒定的高频监控，因此该方法能够设置一种反应性故障检测和缓解措施，能够在不中断能源输送的情况下从各种故障中恢复。
二维单分子层中单个自旋交叉分子的电压诱导双稳态
图 2：Cu(111) 上的电压脉冲。a) 3 . 5 × 3 . 5 nm 2 STM 初始状态的形貌图像，其中暗（HS）邻居（V = 0 . 3 V，I = 5 pA）和 b) 4 . 8 × 4 . 8 nm 2 STM 初始状态的形貌图像，其中亮（LS）邻居（V = 0 . 3 V，I = 5 pA）。黑点表示两种环境中电压脉冲的位置。c)、d) 分别在暗（HS）和亮（LS）邻居的 0.5 V 电压脉冲期间记录的典型 I(t) 轨迹。e)、f) 分别在暗（HS）和亮（LS）邻居的 I(t) 轨迹的每个平台的电流乘以持续时间（I×∆t）的分布。红色圆圈（蓝色方块）对应于从亮（LS）到暗（HS）（暗（HS）到亮（LS））分子的实验事件分布。虚线对应于每个分布的单指数拟合。g)、h) 两种环境下 LS 和 HS 状态在 0.5 V 时的相对势能示意图。
降低人工智能与化学和生物武器交叉领域的风险
本报告是为了支持第 14110 号行政命令“安全、可靠和值得信赖地开发和使用人工智能”而起草的。行政命令的目标之一是协助美国总统建立安全、负责任地开发和使用人工智能 (AI) 的治理框架。除其他研究领域外，行政命令特别提到需要“评估人工智能被滥用以开发或生产 CBRN [化学、生物、放射和核] 威胁的可能性，同时考虑人工智能在应对这些威胁方面的好处和应用”。为了实现这一目标，美国国土安全部 (DHS) 的反大规模杀伤性武器办公室 (CWMD) 要求国土安全作战分析中心 (HSOAC) 的一个研究小组（由兰德公司代表国土安全部运营的联邦资助研究和开发中心）开发和解决几个支持研究领域：
GLMNETR：放松的套索和其他机器学习模型的嵌套交叉验证
说明交叉验证的放松套索，人工神经网络（ANN），渐变机（'xgboost'），随机森林（'Randomforestsrc'），倾斜随机（'aorsf'），递归分区（'rpart'）或步骤WISE WISE RECLISTION模型。交叉阀排出样品（导致嵌套交叉验证），或使用Bootstrap排除外部样品来评估和比较这些模型之间的性能与表格或图形均值预示的结果。校准图也可以是基于（外部嵌套）交叉验证的（外部嵌套）或引导程序（从包中）样本的。对于某些数据集，例如，当设计矩阵不完全排名时，“ glm-net”可能会在拟合轻松的Lasso模型时具有很长的运行时间，这是从我们的经验中，当我们的经验与许多预测变量和许多患者一起将COX模型拟合到数据时，这使得很难从Glmnet（）或Cv.glmnet（）中获得解决方案。调用glmnet（）和cv.glmnet（）时，我们可以通过“路径= true”选项来纠正这一点。在glmnetr包中，路径= true的方法默认情况下是按照。When fitting not a relaxed lasso model but an elastic-net model, then the R- packages 'nestedcv' < https: //cran.r-project.org/package=nestedcv >, 'glmnetSE' < https://cran.r-project.org/ package=glmnetSE > or others may provide greater functionality when performing a nested CV.
大马士革与减法线 CMP 工艺用于电阻式存储器交叉开关 BEOL 集成
近年来，电阻式存储器已成为电子领域的一项关键进步，在能源效率、可扩展性和非易失性方面具有众多优势 [1]。这些存储器以其独特的电阻开关行为为特征，非常适合各种应用，从高密度数据存储到神经形态计算 [2]。它们与先进的半导体工艺的兼容性进一步增强了它们的潜力，使其能够无缝集成到现代电子电路中 [3]。电阻式存储器的一个特别有前途的途径在于将其集成在半导体制造的后端 (BEOL) 阶段 [4]。BEOL 集成涉及晶体管制造后发生的工艺，主要侧重于创建电气连接这些晶体管的互连。在此阶段集成电阻式存储器可实现紧凑、高效和高性能的架构，这对于数据存储和处理共置的内存计算应用至关重要 [5]。本文研究了使用化学机械抛光 (CMP) 工艺将基于 TiO x 的电阻式存储器集成到无源交叉阵列结构中的三种方法，重点是确定最佳集成技术。
下一代恶劣环境材料和制造工艺研究、开发的高影响交叉机遇的国家格局
本概况文件概述了美国能源部先进材料和制造技术办公室 (AMMTO) 跨领域高性能材料研究、开发和演示 (RD&D) 投资机会的建议。该概况由下列人员制定：下一代材料与工艺 (NGMP) 恶劣环境材料技术经理 J. Nick Lalena；爱达荷国家实验室 (INL) 代表 Emmanuel Ohene Opare、Gabriel Oiseomoje Ilevbare 和 Anthony Dale Nickens；国家可再生能源实验室 (NREL) 代表 Kerry Rippy 和 Dennice Roberts；橡树岭国家实验室 (ORNL) 代表 William H. Peter、Amit Shyam、Sebastien N. Dryepondt 和 Yarom Polsky；太平洋西北国家实验室 (PNNL) 代表 David W. Gotthold 和 Isabella Johanna van Rooyen；以及 BGS 顾问 Stewart Wilkins。整个部门和这些国家实验室的成员都为该概况做出了重大贡献。其他贡献者包括 AMMTO 的 Alexander Kirk、Huijuan Dai、Diana Bauer 和 Chris Saldaña；AMMTO 承包商 Matt Roney 和 Dwight Tanner；核能办公室 (NE) 的 Dirk Cairnes Gallimore；汽车技术办公室 (VTO) 的 Jerry Gibbs；风能技术办公室 (WETO) 的 Tyler Christoffel；水力技术办公室 (WPTO) 的 Collin Sheppard 和 Colin Sasthav；地热技术办公室 (GTO) 的 Kevin Jones 和 Douglas Blankenship；太阳能技术办公室 (SETO) 的 Kamala Raghavan 和 Matthew Bauer；氢能和燃料电池技术办公室 (HFTO) 的 Nikkia McDonald；阿贡国家实验室 (ANL) 的 Aaron Grecco；以及国家可再生能源实验室 (NREL) 的 Shawan Sheng 和 Jonathan Keller。学术和工业界的贡献者包括博伊西州立大学的 David Estrada；科罗拉多矿业学院的 Zhenzhen Yu；西北大学的 Scott Barnett；德克萨斯 A&M 大学的 Don Lipkin；加州大学洛杉矶分校/高级研究计划署 E 项目的 Laurent Pilon；匹兹堡大学的 Albert To；田纳西大学诺克斯维尔分校的 Steven John Zinkle；弗吉尼亚大学的 Elizabeth Opila；西弗吉尼亚大学的 Shanshan Hu；阿勒格尼技术公司的 Merritt Osborne；Bayside Materials Technology 的 Doug Freitag；BWX Technologies, Inc 的 Scott Shargots 和 Joe Miller；Ceramic Tubular Products LLC 的 Jeff Halfinger；Commonwealth Fusion Systems 的 Trevor Clark；挪威船级社的 Chris Taylor；电力研究院的 David W. Gandy、Marc Albert 和 John Shingledecker；Equinor 的 Rune Godoy；Fluor 的 Gary Cannell；Free Form Fibers 的 Jeff Vervlied；通用原子公司的 Hesham Khalifa 和 Ron S. Fabibish；通用电气的 Lillie Ghobrial、Jason Mortzheim、Patrick Shower、Akane Suzuki、Shenyan Huang 和 Jason Mortzheim；哈里伯顿的 Kyris Apapiou 和 Thomas Pislak；Hatch 的 Gino de Villa；肯纳金属公司的 Paul Prichard。；林肯电气公司的 Badri Narayanan；金属粉末工业联合会的 James Adams 和 Bill Edwards；Metal Power Works 的 John Barnes；Pixelligent Technologies LLC 的 Robert J. Wiacek；雷神技术公司的 Alison Gotkin 和 Prabhjot Singh；Roboze 的 Arash Shadravan；Saferock 的 Torbjorn Vralstad；圣戈班的 John Pietras；斯伦贝谢的 Anatoly Medvedev；西门子公司的 Anand Kulkarni；钢铁贸易公司的 Doug Marmaro；泰纳瑞斯的 Gonzalo Rodriguez Jordan；巴恩斯全球顾问公司的 Kevin Slattery；Timet 的 WIlliam MacDonald；Timken Steel 的 Carly Antonucci；Ultra Safe Nuclear 的 Kurt Terrani；北德克萨斯大学的 Rajarshi Bannerje；以及福伊特水电的 Seth Smith。
b'Abstract本文讨论了将双重/伪证机器学习（DDML）与堆叠配对，这是一种模型平均方法，用于结合多个候选学习者，以估计结构参数。除了传统的堆叠外，我们还考虑了可用于DDML的两个堆叠变体：短堆栈利用DDML的交叉拟合步骤可大大减轻计算负担，并汇总堆叠强制执行常见的堆叠权重，而不是交叉折叠。使用校准的仿真研究和两种估计引用和工资中性别差距的应用，我们表明，与基于单个预先选择的学习者基于单一的替代方法相比，堆叠的DDML对部分未知的功能形式比部分未知的功能形式更强大。我们提供实施建议的Stata和软件。 JEL分类：C21，C26，C52，C55，J01，J08'
b'Abstract本文讨论了将双重/伪证机器学习（DDML）与堆叠配对，这是一种模型平均方法，用于结合多个候选学习者，以估计结构参数。除了传统的堆叠外，我们还考虑了可用于DDML的两个堆叠变体：短堆栈利用DDML的交叉拟合步骤可大大减轻计算负担，并汇总堆叠量强制执行常见的堆叠权重，而不是交叉折叠。使用校准的模拟研究和两种估计引用和工资中性别差距的应用，我们表明，与基于单个预先选择的学习者的常见替代方法相比，堆叠的DDML对部分未知的功能形式更强大。我们提供实施建议的Stata和软件。JEL分类：C21，C26，C52，C55，J01，J08'