XiaoMi-AI文件搜索系统
World File Search System多目标
特权的多目标定向propargyl tarcrines ...
抽象的二十四种新颖化合物携带四氢丙氨酸和N-丙泊酯部分的抗抗胆碱酯酶和抗单酰胺氧化酶活性。Propargyltacrine 23 (IC 50 ¼ 21nM) was the most potent acetylcholinesterase (AChE) inhibitor, compound 20 (IC 50 ¼ 78nM) showed the best inhibitory human butyrylcholinesterase ( h BChE) profile, and ligand 21 afforded equipotent and significant values on both ChEs (human AChE [ h AChE]: IC 50 ¼ 0.095±0.001 M m; H BCHE：IC50¼0¼093±0.003 m m）。关于MAO抑制作用，化合物7、15和25证明了对H MAO-B（分别为50¼163、40和170nm）的最高抑制潜力。总共将表现出最平衡的药理学特征的7、15、20、21、23和25化合物提交了渗透性和细胞活力测试。7-苯氧-n-（Prop-2-Yn-1-基）-1,2,3,4-四氢酸蛋白-9-盐酸盐盐酸盐（15）已被鉴定为可渗透药物，显示出平衡的药理特征[IC 50（HACHE）¼1.472¼1.472¼1.472¼1.472±0.024 m m m m m m; IC 50（H BCHE）¼0.659±0.077 m m; IC 50（H MAO-B）¼40.39±5.98nm]，因此，作为一种新的命中配体，值得进一步研究，特别是在体内分析中，因为此处报道的初步细胞活力测试结果表明，这是一种相对安全的治疗剂。
关键场景的多目标增强学习...
自动驾驶汽车（AVS）在没有人类干预的情况下做出决定。因此，确保AVS的可靠性至关重要。尽管在AV开发方面进行了重大研究和发展，但由于其操作环境的复杂性和无预测性，它们的可靠性仍然是一个重大挑战。基于方案的测试在各种驾驶场景下评估了AVS，但无限数量的潜在方案突出了识别可能违反安全或功能要求的关键场景的重要性。此类要求本质上是相互依存的，需要同时进行测试。为此，我们提出了MOEQT，这是一种新型的多目标增强学习（MORL）的方法，以生成关键场景，同时测试相互依存的安全性和功能要求。MOEQT将包络Q学习作为Morl算法，该算法会动态调整多目标权重以平衡多个目标之间的相对重要性。MOEQT通过动态与AV环境进行动态交互，生成关键场景，以违反多PLE要求，从而确保全面的AV测试。我们使用高级端到端AV控制器和高保真模拟器评估MOEQT，并将MOEQT与两个基准进行比较：随机策略和具有加权奖励函数的单对象RL。我们的评估结果表明，MOEQT在确定违反多个要求的关键方案方面取得了更好的表现。
通过多目标优化的蛋白质序列设计的整合方法
图1。进化多目标优化为多层设计提供了合适的框架。在这项工作中，我们研究了如何通过多物镜优化方法将机器学习模型（例如PMPNN，AlphaFold2/af2rank和ESM-1V）直接集成到蛋白质序列设计中，称为非主体分类遗传算法II（NSGA-II）。左：首先，通过突变操作员提出了新的设计候选。在这里，该操作员由ESM-1V组成，ESM-1V用于对残基位置进行排列，以及用于重新设计最小Nativelike-NativelikeTose的ProteinMPNN（PMPNN）。中间：然后使用源自AlphaFold2和PMPNN置信度指标的目标函数对设计候选者进行评分。右：最后，得分的候选人被分类为连续的帕累托阵线（这里编号为F1至F5），NSGA-II从最佳战线中选择了最佳战线的候选人。为了证明该框架的有效性，我们对RFAH的多层设计问题进行了深入的分析，RFAH是一种小的折叠式蛋白质，其C末端结构域可以在全-αRFAHα状态和全βrfahβ状态之间互连。在中间面板的两个RFAH状态的卡通表示中，以绿色表示可设计的位置（残基119至154）；请注意，N端结构域在RFAHβ态的带状表示中未显示（请参见方法）。
多目标贝叶斯优化共聚合和揭示帕累托前沿的化学机制
a。奈良科学技术学院科学技术研究生院，8916-5高山 - 哥，马萨诸塞州伊科马，奈良630-0192，日本。b。数据科学中心，奈良科学技术学院，8916-5高山 - 俄罗斯州，伊科马，奈良630-0192，日本。c。材料信息学计划，RD技术与数字化转型中心，JSR Corporation，3-103-9 TOMAN-ACHI，KAWASAKI-KU，KAWASAKI，KANAGAWA，KANAGAWA 210-0821，日本。d。精细的化学工艺部，JSR Corporation，100 Kawajiri-Cho，Yokkaichi，MIE 510-8552，日本。e。 Keio大学科学技术学院化学系，日本Kohoku-Ku 3-14-1 Hiyoshi，Kohoku-Ku，Kanagawa，Kanagawa 223-8522，日本。f。奈良科学技术学院材料研究平台中心，8916-5高山 - 俄罗斯州，伊科马，纳拉，日本，伊科马630-0192。关键词聚合物，流量合成，自由基聚合，贝叶斯优化，多物镜贝叶斯优化，苯乙烯，苯乙烯，甲基丙烯酸甲酯
使用双峰脑电图进行多目标运动想象训练...
传统康复技术存在局限性，大多数患者在卒中后 1 年恢复情况不佳。因此，神经反馈 (NF) 或脑机接口在卒中康复中的应用越来越受到关注。事实上，NF 有可能增强对目标皮质区域的意志控制，从而影响运动功能恢复。然而，目前的实施受到所用特定成像方式的时间、空间或实际约束的限制。在这项试点工作中，也是在文献中首次，我们应用双模 EEG-fMRI NF 对四名具有不同卒中特征和运动障碍严重程度的卒中患者进行上肢卒中恢复。我们还提出了一种新颖的多目标训练方法，引导训练激活同侧初级运动皮质。除了 fMRI 和 EEG 结果外，我们还使用纤维束成像评估皮质脊髓束 (CST) 的完整性。初步结果表明我们的方法可行，并显示出其有可能根据中风缺陷的严重程度诱导同侧运动区域的增强激活。只有两名 CST 和皮质下病变保留的患者成功上调了同侧初级运动皮质，并表现出上肢运动功能改善。这些发现强调了考虑中风患者群体差异的重要性，并使我们能够确定未来临床研究设计的纳入标准。
针对分布式能源系统设计的可持续性分析：多目标优化方法
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
热量和电力地热植物优化的多目标方法
摘要：本文介绍了地热植物的名义条件的设计和操作的同时优化，在该植物的名义条件下，地热流体分为两个流以供应有机的兰金循环（ORC）和区域加热网络（DHN）。还研究了DHN的拓扑结构。使用GAMS软件制定并解决了混合整数非线性编程（MINLP）优化问题，以确定ORC的大小和DHN拓扑。在这项研究中，仅将R-245FA用作ORC工作流体，在ORC中考虑了可选的内部热交换器（IHE），并且DHN中的消费者可以确定或可选。通过最大化年度净利润并最大程度地减少工厂中的充分损失来进行多目标优化。使用目标函数的加权总和用于解决问题。通过改变重量因子，获得了帕累托阵线，并与理想但不可行的解决方案的距离允许选择最佳折衷。根据重量因子观察到四种不同的DHN拓扑。使用合适的标准做出决定，所选的配置对应于最小的利润价值最小的DHN。敏感分析表明，如果地热温度较低，无论重量因素如何，都可以获得独特的DHN拓扑。
电网连接混合电池储能系统的多目标协同设计优化框架：优化规模和技术选择
摘要：本文开发了一个多目标协同设计优化框架，用于优化连接到电网的混合电池储能系统 (HBESS) 中的电池和电力电子设备的尺寸和选择。协同设计优化方法对于具有耦合子组件的复杂系统至关重要。为此，在 HBESS 的设计中，使用非支配排序遗传算法 (NSGA-II) 进行技术的尺寸优化和选择，同时考虑成本、效率和寿命等设计参数。可互操作框架考虑了三个第一寿命电池单元和一个第二寿命电池单元，以形成两个独立的电池组作为混合电池单元，并考虑了两种功率转换架构，用于将混合电池单元连接到具有不同功率级和模块化水平的电网。最后，作为框架输出获得的全局最佳 HBESS 系统由 LTO 第一寿命和 LFP 第二寿命电池组成，与基线相比，总拥有成本 (TCO) 降低了 29.6%。
参数化量子电路的多目标进化架构搜索
摘要：最近关于混合量子-经典机器学习系统的研究已证明，利用参数化量子电路 (PQC) 解决具有挑战性的强化学习 (RL) 任务是成功的，并且与经典系统（例如深度神经网络）相比具有可证明的学习优势。虽然现有研究展示并利用了基于 PQC 的模型的优势，但 PQC 架构的设计选择以及不同量子电路在学习任务中的相互作用通常尚未得到充分探索。在这项工作中，我们引入了一种用于参数化量子电路 (MEAS-PQC) 的多目标进化架构搜索框架，该框架使用具有量子特定配置的多目标遗传算法来高效搜索最佳 PQC 架构。实验结果表明，我们的方法可以找到在三个基准 RL 任务上具有出色学习性能的架构，并且还针对其他目标进行了优化，包括减少量子噪声和模型大小。进一步分析量子操作的模式和概率分布有助于确定混合量子-经典学习系统的性能关键设计选择。