XiaoMi-AI文件搜索系统
World File Search System另一组
带有应用程序的图表的边缘集的常规分解
Szemer´edi规律性引理是图理论中最强大的工具之一。引理于1978年出版[30]，尽管Szemer´edi早些时候已经使用了较弱的版本来证明Erd˝os-tur´an猜想[14，29]。从那以后，引理及其后果在图和超图理论，数字理论，代数，几何和计算机科学中发现了一些应用。我们仅考虑本文中的简单图，即没有循环，没有多个边。给定图G =（v，e）和数字ε∈（0，1），规则性引理可以断言V可以将V分为K≤n（ε）子集V 1∪。。。v k和另一组v 0 = v - （∪i v i），使得g [v i，v j]为ε-指标（大致说明，这意味着近似随机性；我们将在下一节中定义此概念），每1≤i=j≤k，除了在大多数εk2 iNdice，| V 0 | ≤εn和| V I | =（n - | v 0 |） /k，每1≤i≤k。在Szemer´edi的规律性引理的原始证据中，零件数量的阈值N（ε）是高度O（ε-5）的塔。正如Gowers在[21]中证明的那样，这种塔式的结合通常是不可避免的。更确切地说，有一些图形必须至少为高度ω（ε-1 /16）的塔。conlon和Fox [5]进一步改善了下限到ω（ε -1）。这显示了主要缺点
人工智能作为建筑教学工具
近年来，人工智能 (AI) 在艺术和设计领域的应用越来越受欢迎。许多 AI 程序应用程序都是公开的，既有商业的也有开源的，它们提供了将设计或背景的文本描述转换为原始内容图像的机会。尽管自 2015 年以来，许多研究项目都在研究 AI 在建筑中的应用，但似乎缺乏将其作为概念生成工具在建筑教育中使用的经验证据。2022 年秋季举办了一门实验性建筑设计课程，其中 34 名学生在概念设计阶段使用 AI 程序从叙述中生成原始内容图像，以帮助学生为他们的建筑生成概念。将实验学生组的设计与另一组 50 名学生的对照组进行比较，后者在同一学期的类似项目中使用更传统的概念设计方法。本文旨在通过测量 AI 工具在提高形式发现创造力方面的有效性，强调在建筑设计教育的概念生成阶段使用 AI 工具的机遇和挑战。通过利用建筑学习理论和教学法方面的最新文献，我们将对这种实验方法进行批判性分析，以进一步了解人工智能在建筑教育中的作用。
人工智能作为建筑教学工具
近年来，人工智能 (AI) 在艺术和设计领域的应用越来越受欢迎。许多 AI 程序应用程序都是公开的，既有商业的也有开源的，它们提供了将设计或背景的文本描述转换为原始内容图像的机会。尽管自 2015 年以来，许多研究项目都在研究 AI 在建筑中的应用，但似乎缺乏将其作为概念生成工具在建筑教育中使用的经验证据。2022 年秋季举办了一门实验性建筑设计课程，其中 34 名学生在概念设计阶段使用 AI 程序从叙述中生成原始内容图像，以帮助学生为他们的建筑生成概念。将实验学生组的设计与另一组 50 名学生的对照组进行比较，后者在同一学期的类似项目中使用更传统的概念设计方法。本文旨在通过测量 AI 工具在提高形式发现创造力方面的有效性，强调在建筑设计教育的概念生成阶段使用 AI 工具的机遇和挑战。通过利用建筑学习理论和教学法方面的最新文献，我们将对这种实验方法进行批判性分析，以进一步了解人工智能在建筑教育中的作用。
描述美国的 SARS-CoV-2 突变
自 2020 年 1 月初首次测序以来，严重急性呼吸综合征冠状病毒 2 (SARS-CoV-2) 一直在变异。这些基因变异已经发展成几个具有不同特性的不同簇。由于美国的病毒感染患者数量位居全球首位，因此了解美国的 SARS-CoV-2 至关重要。通过基因分型、序列比对、时间演变、k 均值聚类、蛋白质折叠稳定性、代数拓扑和网络理论，我们发现美国 SARS-CoV-2 有四个亚株，其中五种最主要的美国 SARS-CoV-2 突变最早在中国（2 例）、新加坡（2 例）和英国（1 例）发现。接下来的三种最主要的美国 SARS-CoV-2 突变最早在美国发现。这八种最主要的突变属于两个不相连的组。第一组由 5 个同时发生的突变组成，占主导地位，而另一组由 3 个同时发生的突变组成，逐渐消失。我们的分析表明，女性免疫系统在应对 SARS-CoV-2 感染方面比男性更活跃。我们发现，ORF8 上的一个主要突变 27964C > T-(S24L) 具有异常强烈的性别依赖性。基于对刺突蛋白上所有突变的分析，我们进一步发现，美国四种 SASR-CoV-2 亚株中有三个变得更具传染性。我们的研究呼吁美国采取有效的病毒控制和遏制策略。
学院报告 – 校长安娜·内格罗
周年纪念日。因此，我们一直关注传统，但不是陈旧和过时的，而是作为记忆的礼物——“比我们自己的生活更古老、更伟大的记忆”。我们尊重我们的仁慈传统，选择不重复那些仅仅因为一直在做的事情，而是将重点放在圣心学院的不断发展上。为了进一步推进战略重点二：值得终身学习，7 至 11 年级的学生经历了与外部专家相关的跨学科学习。学生们与 IBM 的网络安全分析师合作，后者让一小群高年级数学学生完成了一门名为“错误论证”的研究生水平的逻辑课程，而另一组学生则与 CSIRO 的专业人士 Melanie Thompson 博士合作开展了一个项目，该项目探索如何减少船体阻力，以降低将进口货物运入澳大利亚的集装箱船的排放量。这两个项目都表明了未来学习的面貌——将来自各个学科的技能和知识进行实用的协作整合，以解决现实世界的问题。我们相信学习随时随地都可以进行，并且通过使用技术可以扩大学习效果，因此我们引入了一门在线数字公民课程，供即将入学的 7 年级学生和我们目前的 9 年级学生学习。这一教育过程侧重于负责任地使用移动设备，也是我们对维多利亚州政府禁止在学校使用手机的回应之一。通过学习者的性格和学习方法，我们继续关注如何让我们的女孩成为高能力的学习者，今年我们已经被接受在以下场合展示我们的工作：
解决问题的策略在增强沙特学院的伊斯兰研究学生的学术成就方面的有效性
摘要最近，从教师到以学生为中心的教学范式发生了转变，事实证明，这些范式可以带来更好的学习成果。但是，在沙特阿拉伯的萨塔姆·本·阿卜杜勒齐兹大学的伊斯兰研究系教学系教学系目前主要是面向讲座的。这归因于伊斯兰课程的本质，该课程通常着重于教师和记忆的学生。这项研究探讨了以学生为中心的教学策略，解决问题的策略的有效性，以增强AD-DILAM教育学院的伊斯兰研究学生的学术成就。使用解决问题的策略在特殊教学方法课程中教授了一组学生（n = 22）。使用常规讲座的教学教授了另一组（n = 20）。使用作者开发的成就测试来比较干预后两组的表现。的意思是，标准偏差和独立样本t检验表明，解决问题的课堂在技能，价值观和全部成就方面显着优于讲座的教室。两组在成就的知识维度上取得了可比的收益，因此知识中的群体之间的差异并不显着。在干预期间的课堂观察表明，解决问题的教室中的学生更加热情，并且在上课时更加积极地互动。基于发现，提出了含义和建议。关键词：解决问题的策略，以讲座为导向的教学，成就，伊斯兰研究学生。
膜的空气过滤应用
膜的另一组常见应用是消费者和工业真空吸尘器。这些应用中有两种通用过滤器类型：保护设备本身的过滤器，即真空电机和那些过滤排气的电机。真空吸尘器过滤器以非常高的空速运行。面部速度为10至20 cm/s。EPTFE和UPE膜在这些较高的空速下提供了高效率，而低压下降则可以随着功耗降低而高空气流速率。真空吸尘器的进一步优势来自膜的表面载荷特性和鲁棒性。使用后，可以通过摇动或水喷雾轻松清洁装满滤清器表面的灰尘蛋糕，膜过滤器恢复到其原始压降和效率附近。膜空气过滤器在许多医学和生物制药应用中都是理想的选择。低压下降，ULPA效率和疏水膜特性在手术和医院气道管理中至关重要，可保护患者和设备。相同的特性非常适合排气应用，例如造口术袋。膜通常被层压成浸入碳浸渍的非织造。组合过滤器提供了升压，这是液体流经滤清器的绝对障碍，并减少了气味。取决于特定要求，可以对膜进行处理以增强其含有含水性的含含水性含量。这些排气过滤器需要在生物制药中，EPTFE和UPE过滤器用于发酵和细胞培养过程中产生的气体。
通过角色空间构建进行人工智能辅助设计概念探索
我们提出了一种人工智能辅助设计概念探索工具——“特征空间构建”（“CSC”）。概念设计师用语言探索和表达目标产品的美学和语义，使用“设计概念短语”（“DCP”），即复合形容词短语和对比术语来表达不是他们的目标设计概念的内容。设计师经常利用这种二分法技术与利益相关者沟通他们的美学和语义设计概念的性质，尤其是在早期设计开发阶段。CSC 通过以结构化的方式构建“特征空间”（“CS”）（一种语义象限系统）来协助设计师的认知活动。设计师在 CSC 的帮助下创建的 CS 使他们能够辨别和解释他们的设计概念与对立术语的对比。CS 中的这些术语通过使用知识图谱在 CSC 中检索和组合。CSC 将术语和短语作为候选列表呈现给用户，用户可以从中进行选择以定义目标设计概念，然后在 CS 中将其可视化。我们实验中的参与者都是“艺术与设计”专业的，他们被赋予了两种条件来创建和解释 DCP。一组在拟议的 CSC 的帮助下创建并解释了 DCP，另一组在没有这种帮助的情况下完成了同样的任务，但可以自由使用任何公开的 Web 搜索工具。结果表明，得到 CSC 帮助的小组表示他们的任务得到了明显更好的支持，尤其是在探索方面，这可以通过创造力支持指数 (CSI) 来衡量。
基于 Fisher-... 的量子图像加密算法
量子计算的并行计算能力和量子比特的特殊性质为图像处理任务提供了有效的解决方案。本文提出了一种基于Fisher-Yates算法和Logistic映射的量子图像加密算法。首先利用Fisher-Yates算法生成三个密钥序列，其中一个密钥序列用于对图像的坐标量子比特进行编码。利用另外两个密钥和预设规则，基于编码后的坐标量子比特设计量子坐标置乱操作，对明文图像的空间信息进行有效的置乱。接下来，生成另一组密钥序列，其中一个密钥序列用于对图像的颜色量子比特进行编码。利用另外两个密钥序列和不同的规则，设计了一种基于编码颜色量子比特的量子比特平面置乱操作，成功对图像的颜色信息进行了置乱。最后基于Logistic映射生成量子密钥图像，并基于Fisher-Yates算法对密钥图像进行置乱，以提高密钥复杂度。将原图像与置乱后的密钥图像进行异或运算，得到最终的密文图像。给出了该方案的完整量子电路图。实验结果和安全分析证明了该方案的有效性，该方案提供了很大的密钥空间，计算复杂度仅为O(n)。
当人工智能系统的行为不符合用户预期时，提供解释的挑战 Riveiro， M.；Thill, S. 2022，专著或会议论文集（第 30 届 ACM 用户建模、适应和个性化会议论文集，第 110-120 页）
人工智能 (AI) 中的解释可确保复杂 AI 系统的用户了解系统行为的原因。用户对系统行为的期望会发挥一定作用，因为他们共同决定了解释的适当内容。在本文中，我们研究了当系统以意外方式运行时用户所需的解释内容。具体来说，我们向参与者展示了涉及自动文本分类器的各种场景，然后要求他们在每种场景中指出他们喜欢的解释。一组参与者从多项选择问卷中选择解释类型，另一组参与者必须使用自由文本回答。当输出符合预期时，参与者对于首选的解释类型表现出相当明确的一致意见：大多数人根本不需要解释，而那些需要解释的人则希望得到一个解释，说明输入的哪些特征导致了输出（事实解释）。当输出不符合预期时，用户也喜欢不同的解释。有趣的是，在多项选择问卷中，一致性较低。然而，自由文本回答略微表明，他们更倾向于描述人工智能系统的内部运作如何导致观察到的输出（即机械解释）的解释。总体而言，我们表明用户期望是确定最合适的解释内容（包括是否需要解释）的重要变量。我们还发现不同的结果，尤其是当输出不符合预期时，这取决于参与者是通过多项选择还是自由文本回答。这表明对精确实验设置的敏感性可能解释了文献中的一些变化。