XiaoMi-AI文件搜索系统
World File Search System保真
BSK-RL：航天器任务的模块化，高保真增强学习环境
强化学习（RL）是一个高度适应性的框架，用于在广泛的问题领域中产生自主代理。虽然RL已成功地应用于高度复杂的现实世界系统，但大量文献研究了抽象和理想化的问题。尤其是航天器任务领域的情况，在这种情况下，即使是传统的预备方法也倾向于使用高度简化的航天器动力学和操作模型。当在全面模拟中测试简化的方法时，它们通常会导致保守的解决方案，这些解决方案是不可行的次优或侵略性解决方案。因此，需要高保真的航天器仿真环境来评估基于RL的和其他任务算法。本文介绍了BSK-RL，BSK-RL是一种开源Python软件包，用于为航天器任务问题创建和自定义加固学习环境。它结合了Basilisk（一种高速和高保真的航天器仿真框架）与RL环境的标准体育馆API包装器中的卫星任务和操作目标的抽象相结合。该软件包旨在满足RL和航天器操作研究人员的需求：环境参数易于重现，可自定义和随机化。环境是高度模块化的：可以指定卫星状态和操作空间，可以定义任务目标和奖励，并且可以配置卫星动力学和飞行软件，并隐式地引入操作限制和安全限制。可以为考虑沟通和协作的更复杂的任务场景而创建异质的多机构环境。使用包装的培训和部署用于具有资源限制的地球观察卫星。
周细胞需要生理氧张力以维持表型保真度。
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2024年8月28日发布。 https://doi.org/10.1101/2024.08.28.606682 doi：biorxiv preprint
高保真电光空间域意识场景模拟器
航空航天已经开发了高保真的太空领域意识（SDA）场景模拟器，为基于地面和空间的电光传感器提供现实的太空监视场景，以在从概念开发到操作到操作以及评估任务数据处理Algorithm和其他数据Pipeelines的所有阶段中的利益相关者为利益相关者提供模拟图像。我们使用传感器 - 目标参与方案构建场景，该场景在添加适当的背景，恒星，目标和噪声组件的同时对场景的频段辐射指定进行建模。场景模拟器使用恒星目录，包括超过十亿星的Gaia目录，将它们准确地放入图像中，并准确地表示其颜色校正的带有带有的亮度降低至22级。模拟器使用其他已发表的数据来对银河系平面中的黄道光和未解决的恒星的自然天空亮度进行建模。此外，由于未拒绝的杂散光而产生的较高背景是基于实验室和轨道测量结果注入诸如宇宙射线之类的时间背景效应。模拟器可选地包含了电流传感器偏置结构和噪声源的实验室测量，例如深电流，读取噪声和其他时空传感器噪声的来源。由模拟器创建的高保真场景目前用于降低风险，指导技术开发并为多个程序提供操作范围，以确保传感器硬件性能和数据处理软件将满足任务需求和要求。航空航天可以通过任何传感器观察操作概念（CONOPS）模拟场景，场景中的目标可以以任何忠诚度建模，从简单的漫不好物球体到高保真计算机辅助设计（CAD）模型，呈现出具有现实的双向反射率分配功能（Brundfs）和摄取复杂的效果。
大型语言模型可以估计公众对全球变暖的看法吗？算法保真度和偏见的经验评估
大型语言模型（LLM）可用于估计人类的态度和行为，包括公众舆论的衡量标准，这一概念称为算法忠诚度。本研究评估了LLMS在估计有关全球变暖的公众舆论时的算法忠诚度和偏见。llms是根据人口统计和/或心理协变量来进行调查反应的条件。的调查结果表明，LLM可以有效地再现总统投票行为，而不是全球变暖意见，除非包括相关的协变量。在以人口统计和协变量为条件的情况下，GPT-4表现出改善的准确性，在预测对全球变暖的信念和态度方面，范围从53％到91％。此外，我们发现了一种算法偏见，低估了黑人美国人的全球变暖意见。在强调LLMS有助于社会科学研究的潜力时，这些结果强调了调节，模型选择，调查问题格式和偏见评估的重要性。
ERA2024_SHAFI_CKD-PC风险保真
1美国德克萨斯州休斯顿休斯顿卫理公会医院2Charité大学，德国柏林3Charité大学3弗罗克劳夫大学，波兰弗罗克劳夫4密歇根大学医学院，美国密歇根州安阿伯市，美国密歇根州安阿伯市5临床开发，拜耳，柏林，德国，德国8 R＆D，临床数据科学与分析，拜耳，雷丁，英国雷丁9心血管和肾脏，美国医学事务，美国医学事务，拜耳，美国有限责任公司，美国马萨诸塞州波士顿，美国马萨诸塞州（数据分析时有隶属关系）10 Steno糖尿病中心，Copenhagen，Copenhagen，Denmark deNmark
在NISQ时代量子处理器上对AKLT状态的高保真实现
许多现实世界中的问题需要从棘手的多维分布中取样。这些样本可以通过使用蒙特卡洛近似值来估计其统计特性来研究物理系统的行为。通过此类分配进行抽样一直是一个挑战，是通过扰动近似或马尔可夫链蒙特卡洛（MCMC）技术进行的[1]。如果变量强烈耦合并且没有小参数，则无法应用扰动近似，并且使用MCMC方法。为了确保通过MCMC方法生成的样品的渐近精确性，使用了大都市 - 危机算法（MH），该算法（MH）使用模型和目标密度，即使仅知道这些密度仅为比例性恒定，也可以应用。但是，MCMC技术具有其局限性，例如相关样本的产生，阶段过渡期间的临界减速以及较高的仿真成本。在过去的几年中，已经开发了几种基于学习的方法来从此类分布中进行采样。生成对抗网络（GAN）[2-4]和变异自动编码器（VAE）[5，6]在给定的目标分布的给定样本中学到的采样分布中表现出了显着的功效。vaes是近似密度模型，因为它们为样品提供了近似的密度值。gans生成样品，而没有明确估计样品的密度值；因此，它们也称为隐式密度模型。他们两个都不能保证样品的精确性。这些此外，由于它们没有提供精确的模型密度，因此不能使用MH等方法对其进行修改或偏低。另一方面，基于流量的生成模型，例如标准化流（NF）[7，8]明确对目标分布进行建模并提供精确的模型密度值。它们与MH一起用于保证样品的精确性。在物理应用中，人们对通过物理配置（例如，经典磁体的每种自旋的方向）对概率分布进行取样感兴趣，这些分布是通过物理模型进行参数的。这些物理模型取决于一组参数，在以下内容中称为C，例如温度t或耦合常数。例如，在ISING模型和XY模型中，系统的属性取决于温度和最接近的近纽布交换（或包括在内的其他邻居或环形交换）耦合常数。改变这些参数也可以通过相变驱动系统，该相变已通过机器学习技术进行了研究[9-17]。建模此类分布的一种方法是为每个外部参数的每个设置重新训练生成模型。为了研究系统的性质，需要样本来进行外部参数的不同设置。这会导致在不同的环境中反复训练该模型，从而增加培训成本。许多晶格理论已经使用标准化流[18-20]建模。建模此类分布的替代方法是训练以外部参数为条件的生成模型。
具有肿瘤相关酶的高保真成像，具有受体工程增强的近红外荧光探针
目前，溶酶体被描述为高级细胞器，在细胞稳态中起着关键作用，并介导了各种生理过程，例如蛋白质降解和质膜修复。1,2个证据表明，溶酶体中水解酶的异常活性与疾病的发病机理，例如储存障碍，癌症，神经退行性疾病和心脏疾病。3 - 5，其中lyso- somes中的b-乳糖苷酶（b -gal）参与了糖结合物的分解代谢，其异常水平与原发性卵巢癌的发生和进展有关，使溶酶体的糖尿病癌症成为可靠的诊断和诊断的动力学诊断。6 - 10对实时途径中溶酶体中水解酶的现场监测将为溶酶体酶在疾病进展中的详细作用提供见解，并进一步有助于早期诊断和治疗策略的发展。11 - 13
具有单核苷酸的高保真DNAZYME辅助CRISPR/CAS13A系统解决特异性
有两种改善特定城市Cas12a和Cas13a核酸酶的常用方法。是工程师CRRNA，包括将合成不匹配引入crrna的间隔域，设计发夹 - 间隔者CRRNA，以及用2 0 -O -methyl修改CRRNA。21 - 25然而，必须仔细设计不匹配的CRRNA中的数量和位置，以减少无靶标的效果，而无需牺牲CAS蛋白的裂解活性。22,23更重要的是，使用发夹蛋白 - 间隔者CRRNA和2 0-O-methyl modi crrna仅将原始CRISPR/CAS系统的特定城市提高了2至3倍。24,25另一种方法是高级工程cas蛋白。26 - 28，由于复杂的蛋白质表达和筛选过程，它仍然与之合作。此外，所有这些策略旨在优化CRISPR/CAS系统的不同组成部分，而无需克服裂解效率和特定城市之间的基本交易。因此，可以显着改善特定城市的策略对于它们的实际应用（例如生物传感）非常需要，因为它们将避免误解积极的结果。dnazymes（也称为脱氧核酶，DNA酶或催化DNA），是单链DNA分子，具有
用于通量量子比特之间高保真门的可调电感耦合器
1 芝加哥大学詹姆斯弗兰克研究所，美国伊利诺伊州芝加哥 60637 2 芝加哥大学物理系，美国伊利诺伊州芝加哥 60637 3 斯坦福大学物理与应用物理系，美国加利福尼亚州斯坦福 94305 4 西北大学物理与天文系，美国伊利诺伊州埃文斯顿 60208 5 耶鲁大学耶鲁量子研究所，美国康涅狄格州纽黑文 06511 6 中国科学技术大学合肥国家微尺度物质科学研究中心和物理科学学院，中国合肥 230026 7 中国科学技术大学上海量子科学研究中心和中科院量子信息与量子物理卓越创新中心，上海 201315 8 普林斯顿大学物理系，美国新泽西州普林斯顿 08544 9 芝加哥大学普利兹克分子工程学院，美国伊利诺伊州芝加哥60637，美国
应用车辆技术小组 AVT-385-RLS “多学科多保真方法
第 1 天：2024 年 7 月 8 日 7:45-8:30 签到 8:45-9:00 开幕式 伊斯坦布尔技术大学 Melike Nikbay 教授、意大利国家研究委员会 Matteo Diez 博士 9:00-9:45 高级计算设计和多保真度方法简介 伊斯坦布尔技术大学 Melike Nikbay 教授 9:45-10:30 基于参数投影的模型降阶简介 - 第一部分：数据收集、数据压缩、伽辽金投影、Petrov-Galerkin 投影 Charbel Farhat 教授，斯坦福大学 10:30-11:00 茶歇 11:00-11:45 基于参数投影的模型降阶简介 - 第二部分：参数依赖性的处理：线性问题；非线性问题；超级降阶。Charbel Farhat 教授，斯坦福大学 11:45-12:30 高维参数空间中多保真度多学科分析与优化的主动流形和模型降阶 Charbel Farhat 教授，斯坦福大学 12:30-14:00 午餐休息 14:00-14:45 替代建模技术 Edmondo Minisci 教授，思克莱德大学 14:45-15:30 多保真度建模的数据融合 Edmondo Minisci 教授，思克莱德大学 15:30-16:00 咖啡休息 16:00-16:45 多保真度优化和设计探索策略 Edmondo Minisci 教授，思克莱德大学 16:45-17:30 形状优化的设计空间降维 Andrea Serani 博士，CNR-INM（国家意大利研究理事会）17:30 休会