AI学习数据质量改进支持工具将物体检测中误识别或未检测的原因可视化,从而轻松提高识别率。 通过在深度学习过程中使用此工具,可以缩短使用 RZ/V 系列的视觉 AI 应用程序的开发时间。
冷泉港实验室DNA 学习中心(DNALC)是世界上第一个完全致力于遗传学教育的科学中心。超过 30,000 名学生参加过我们的科学营。在经验丰富的指导老师的带领下,升6 至12 年级的学生使用先进的 实验设备和计算机设备进行领先于同侪好几个年级的实验。
摘要 - 选择在肿瘤研究中起着关键作用,可改善预测的预测准确性和对癌症患者的成本效益基因组分析。本文为基于深度学习的生存预测模型介绍了两种基因选择策略。第一个策略使用稀疏方法,而第二种方法则使用基于重要性的基因选择来识别相关基因。我们的整体方法利用了深度学习的力量来对复杂的生物数据结构进行建模,同时诱导稀疏方法确保选择过程侧重于最有用的基因,从而最大程度地减少噪声和冗余。通过对各种基因组和生存数据集的全面实验,我们证明了我们的策略不仅确定具有高预测能力生存结果的基因信号,而且还可以简化低成本基因组分析的过程。这项研究的含义非常深刻,因为它为推进个性化医学和靶向癌症疗法提供了可扩展有效的工具。通过突破基因选择方法的界限,我们的工作对癌症基因组学的持续努力做出了重大贡献,有望提高临床环境中的诊断和预后能力。索引术语 - 癌症,深度学习,基因组数据,稀疏性,生存
简介:在过去的几十年中,碳纳米材料(例如碳纳米纤维(CNF)和石墨烯)由于其宏伟的特性而引起了强烈的科学兴趣[1,2]。关于石墨烯的大部分研究都是针对合成高质量和大面积石墨烯方法的探索。有希望的方法是脉搏激光沉积和化学蒸气沉积。虽然在理解石墨烯合成方面已经取得了重要成就,但它们的形成机制尚不清楚。现场技术的最新进展现在为研究原子水平研究固相相互作用的新可能性提供了新的可能性。在这里,我们报告了通过原位透射电子显微镜(TEM)直接观察到铜含有铜纳米纤维(CU-CNFS)的结构转化。实验:使用kaufmann型离子枪制造Cu-CNF(iontech。Inc. Ltd.,模型3-1500-100FC)。所使用的样品是尺寸为5x10x100 µm的市售石墨箔。通过在CNFS生长过程中连续供应Cu,在室温下用1 keV ar +离子辐射石墨箔的边缘。在其他地方详细描述了离子诱导的CNF生长机理的细节[3]。然后将Cu-CNF安装在200 kV的TEM(JEM2010,JEOL CO.,JEOL CO.)的阴极微探针上,并研究了Cu-CNFS向石墨烯的结构转化,在电流 - 电压(I-V)测量过程中进行了研究。结果和讨论:在I-V测量过程中,高温是通过Cu-CNF结构中的Joule加热获得的。焦耳CNF的加热导致其表面石墨化,最后在转化为严重扭曲的石墨烯中。tem图像表明,最初,CNF在本质上是无定形的,而I-V过程中的电流流动引起了CNF的晶体结构的急剧变化,形成了石墨烯的薄层(1-3层)。作为结果,在产生的电流大大增加的情况下,改进了结构的电性能,比初始值高1000倍(从10 -8到10 -5 a)。该过程采用三个步骤进行:Cu纳米颗粒的聚集,无定形碳扩散到Cu中,以及在进一步加热下的Cu纳米颗粒的电迁移。
摘要:近年来,人工智能在将棋、黑白棋等具有完美信息的游戏中已经可以与顶级职业选手相媲美,但在具有不完美信息的游戏中却只取得了部分成功。例如,一些研究人员已经在扑克游戏中实现了与顶级职业选手相媲美的人工智能,但在麻将游戏中却未能实现,麻将是一种信息不完美且复杂度高于扑克的游戏。Mizukami 等人(2013, 2014) 构建了一个接近顶级职业麻将水平的人工智能。但是,这种人工智能无法夺取一张牌来为每个 Yaku 构建一个组合。另一方面,Harada 等人构建了麻将人工智能——全手牌提取(CHE),该人工智能考虑了高概率构建的役牌。基于此工作,我们将 CHE 应用于麻将人工智能,该人工智能可以认领一张牌,从而为每个役牌构建一个组合。在使用 CHE 的麻将游戏中,所提出的人工智能的有效性得到了证实。
。CC-BY-NC-ND 4.0 国际许可证 它是永久可用的。 是作者/资助者,已授予 medRxiv 许可以显示预印本(未经同行评审认证)预印本 此版本的版权所有者于 2021 年 11 月 21 日发布。;https://doi.org/10.1101/2021.11.17.21266500 doi:medRxiv 预印本