XiaoMi-AI文件搜索系统
World File Search System功能集
将亚太地区建立为MEDTECH AI功能集线器
注意：NLP =自然语言处理；上游活动包括研发，产品/生产力工具开发；商业/下游活动包括监管，制造，供应链，营销，销售，现场维修；支持职能包括法律，人力资源，财务，IT； 1）生成AI启用的生产力工具为制造业中的MedTech公司提供了一个易于获得的机会，并研发探索AI来源的潜力：行业参与者访谈
超紧凑多功能集成光子平台
实现多功能集成光子平台是未来光信息处理的目标之一，由于多种集成挑战，实现该平台通常需要很大的尺寸。在这里，我们基于逆向设计实现了一个超紧凑占用空间的多功能集成光子平台。该光子平台紧凑，具有86个逆向设计的固定耦合器和91个移相器。每个耦合器的占用空间为4μm x 2μm，而整个光子平台为3mm x 0.2mm，比以前的设计小一个数量级。一维Floquet Su-Schrieffer-Heeger模型和Aubry-André-Harper模型的测得保真度分别为97.90（±0.52）％和99.34（±0.44）％。我们还使用片上训练演示了手写数字分类任务，测试准确率为87％。此外，通过演示更复杂的计算任务证明了该平台的可扩展性，为实现超小型集成光子平台提供了有效的方法。
一个用于预测心力衰竭再入院的机器学习模型：迈向最佳功能集
专注于六种特定的医疗状况，包括心力衰竭（HF），心肌梗死（MI），慢性阻塞性肺疾病（COPD），冠状动脉搭桥手术（CABG）手术，总髋关节/膝关节/膝关节促进术（THA/TKA）和肺炎，CMS已启动了2008年的公开报告（THA/TKA）。 CMS，2023）。HF在全球范围内有超过2600万个人，每年在美国导致超过100万个住院治疗（Sarijaloo等，2021）。由于人口老龄化，HF的患病率正在稳步增加。2015年至2018年的数据显示，约600万20岁及以上的美国成年人被诊断为HF（Virani等，2021）。预测表明，到2030年，这个数字预计将增加到800万，导致550亿美元的相关成本（Savarese and Lund，2017年）。入院后再入院或死亡率对HF患者对医疗保健构成了重大挑战。在出院后30天内，高达25％的HF患者可能会面临再入院，相关的死亡率风险约为10％（Krumholz等，2009）。尽管全国范围内专注于降低HF加剧的再入院率，但证据表明，这些患者的30天再入院和死亡率仍在上升（Gupta等，2018）。数据在医疗保健提取宝贵的知识和见解中起着至关重要的作用（Au Q. Ray等，2016）。从不同来源收集的大量患者信息已引起数据分析，作为理解复杂医疗状况的强大工具（Shameer等，2017； Jahangiri等，2024）。鉴于降低再入院率的重要性，已经进行了许多研究，以探索HF患者中侵害再入院率的因素。例如，在Sharma等人的最新研究中，HF再入院预测模型（基于树的分类）是使用性别，年龄，急诊部门访问等因素开发的，其C统计数据达到0.65（Sharma等人，2022年）。同样，Mortazavi等。设计了一个随机森林（RF）模型，该模型纳入了上述因素，合并症，种族和严重程度指数，导致C统计量为0.62，精度为0.32（Mortazavi等，2016）。对同一主题的其他几项研究（Philbin和Disalvo，1999; Ross等，2008; Awan等，2019a，b）的性能水平<0.66。此外，最近围绕该主题的研究数量有所上升。例如，在过去的12个月内，有几项研究采用机器学习（ML）方法来预测HF患者的再入院风险（Ru等，2023; Tong等，2023; Scholten等，2024）。c-统计数据在0.59–0.63范围内。但是，大多数研究都受到使用<50,000个样本的小型数据集的限制，这可能会阻碍其发现的普遍性。要解决现有文献中的这一差距，必须在国家一级收集较大的数据集。彻底的文献分析揭示了在开发HFR预测模型时可以考虑的150多个潜在特征。全国性的重新入学数据库（NRD）是最合适的数据集之一，包括全国性的数据，以及其2020年HF患者的最新样本量超过500,000个出院记录。预测心力衰竭再入院（HFR）的研究的可变性可以归因于几个因素，包括选择预测模型中使用的功能。这些功能可以大致分为五个类：（1）人口统计
采用可运输热管的高温潜热存储系统，可与新兴微反应器实现多功能集成
免责声明 本信息是根据美国政府机构资助的工作编写的。美国政府及其任何机构或其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
将开源Urbanopt和Dragonfly Energy建模功能集成到从业人员的工作流程中，用于地区规模的计划和设计
1个建筑技术与科学中心，美国国家可再生能源实验室，美国公司80401，美国； ben.polly@nrel.gov（B.P.）; katherine）; rawad.elkontar@nrel.gov（R.E.K.）; nathan.moore@nrel.gov（N.M.）; tarek.elgindy@nrel.gov（T.E.）; dylan@camus.energy（D.C。）; David.goldwasser@nrel.gov（D.G.）2瓢虫工具LLC，Fairfax，VA 22031-0000，美国； chris@ladybug.tools（C.M.）; mospapha@ladybug.tools（M.S.R.）3 Skidmore，Owings＆Merrill，芝加哥，伊利诺伊州60604，美国； airani@mit.edu（a.i.）; stephen.ray@som.com（s.r。）*通信：tanushree.charan@nrel.gov†作者在Skidmore，Owings＆Merrill完成了研究，但在出版时在马萨诸塞州技术学院任职。‡作者在国家可再生能源实验室完成了研究，但在出版时在Camus Energy中进行了研究。
电池电源功能集设计指南
，如果从一开始就不了解所有问题和权衡，则驾驶任何A/D转换器（ADC）可能具有挑战性。具有连续的近似寄存器（SAR）ADC，如果要充分利用设备，则应考虑采样速度和源阻抗。在此应用程序注释中，我们将深入研究SAR转换器输入和转换细微差别的问题，以确保从设计阶段开始时正确处理转换器。我们还将查看大多数A/D转换器数据表中可用的规格，并确定驾驶SAR的重要规格。通过此讨论，将探索可用于成功驱动SAR A/D转换器输入的技术。由于大多数SAR应用程序都需要在转换器输入处使用主动驾驶设备，因此最终的主题将是探索操作放大器对DC和AC响应的影响对模数转换的影响。