XiaoMi-AI文件搜索系统
World File Search System大规模
癌细胞系中临床相关蛋白的药物反应的大规模表征
扰动生物学是一种建模定量细胞行为并理解详细疾病机制的有力方法。然而，癌细胞系对扰动的大规模蛋白质反应资源不可用，从而导致临界知识差距。在这里，我们使用逆相蛋白阵列在> 12,000个癌细胞系样品中生成了〜170种药物化合物的〜210个临床相关蛋白的扰动表达谱。我们表明，整合扰动的蛋白质反应信号提供了对耐药性的机理见解，增加了药物敏感性的预测能力，并有助于识别有效的药物组合。我们构建了“蛋白质 - 药物”连接性的系统地图，并为社区使用开发了一个用户友好的数据门户。我们的研究提供了丰富的资源来研究癌细胞的行为和治疗反应的依赖性，从而实现了广泛的生物医学应用。
将大规模的天气模式与美国西海岸海外的观测和建模的涡轮枢纽高风链联系起来
摘要。美国西海岸具有巨大的风力发电潜力，尽管由于复杂的沿海气候，其潜力有所不同。在不同天气条件下表征和建模涡轮轮毂高风对于风资源评估和管理至关重要。这项研究使用两阶段的机器学习算法来识别五个大规模气象模式（LSMP）：后槽，后距离，距离，前距离，前距离，沟渠和加利福尼亚州高。LSMP与近海风模式有关，在租赁区域内的LiDAR浮标地点特别是在Humboldt和Morro Bay附近的风场开发。虽然每个LSMP都与特征性的大规模大气条件和相应的风向，昼夜变化和射流特征相应的差异，但在每个LSMP中仍然会发生风速的实质性差异。在洪堡，洪伯特的风速上升，在耕种后，距离和加利福尼亚 - 最高的LSMP中，剩余的LSMP中的风速降低，并降低。莫罗湾的平均速度响应较小，表现出在耕作后和加利福尼亚高的LSMP期间的风速提高。除了LSMP外，局部因素（包括土地 - 海热对比和地形）还改变了平均风和昼夜变化。高分辨率快速刷新模型分析在捕获洪堡的平均值和变化方面做得很好，但在莫罗湾（Morro Bay）产生了巨大的偏见，尤其是在预处理和加利福尼亚州高的LSMP期间。发现这些发现是为了指导研究特定的大规模和当地因素对加利福尼亚海上风的影响的案例，并有助于改善数值天气预测模型，从而增强了Orckey Wind Energy生产的功效和可靠性。
非人类灵长类动物中的大规模大脑范围的神经记录
1。美国纽约州哥伦比亚大学医学中心神经科学系。 2。 Zuckerman Institute，哥伦比亚大学，纽约，纽约，美国3。 Grossman心理统计中心，哥伦比亚大学，纽约，纽约，美国。 4。 加利福尼亚大学伯克利分子和细胞生物学系5。 麦戈文大脑研究所，马萨诸塞州剑桥，马萨诸塞州剑桥6。 马萨诸塞州剑桥大学，马萨诸塞州脑和认知科学系，马萨诸塞州7。 加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系8。 霍华德·休斯医学院，斯坦福大学，帕洛阿尔托，加利福尼亚州9。 加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系10。 Wu Tsai神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州11。 Bio-X研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州12。 Janelia Research Campus，霍华德·休斯医学院，美国弗吉尼亚州阿什伯恩市13。 计算与神经系统，加利福尼亚理工学院，帕萨迪纳，加利福尼亚州14。 IMEC，鲁汶，比利时15。 卡夫利脑科学研究所，哥伦比亚大学，纽约，纽约16。 加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系17。 霍华德·休斯医学院，哥伦比亚大学，纽约，纽约18。 神经科学研究生课程，斯坦福大学，帕洛阿尔托，加利福尼亚州19。 加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系20。 WU TSAI神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州21。美国纽约州哥伦比亚大学医学中心神经科学系。2。Zuckerman Institute，哥伦比亚大学，纽约，纽约，美国3。 Grossman心理统计中心，哥伦比亚大学，纽约，纽约，美国。 4。 加利福尼亚大学伯克利分子和细胞生物学系5。 麦戈文大脑研究所，马萨诸塞州剑桥，马萨诸塞州剑桥6。 马萨诸塞州剑桥大学，马萨诸塞州脑和认知科学系，马萨诸塞州7。 加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系8。 霍华德·休斯医学院，斯坦福大学，帕洛阿尔托，加利福尼亚州9。 加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系10。 Wu Tsai神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州11。 Bio-X研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州12。 Janelia Research Campus，霍华德·休斯医学院，美国弗吉尼亚州阿什伯恩市13。 计算与神经系统，加利福尼亚理工学院，帕萨迪纳，加利福尼亚州14。 IMEC，鲁汶，比利时15。 卡夫利脑科学研究所，哥伦比亚大学，纽约，纽约16。 加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系17。 霍华德·休斯医学院，哥伦比亚大学，纽约，纽约18。 神经科学研究生课程，斯坦福大学，帕洛阿尔托，加利福尼亚州19。 加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系20。 WU TSAI神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州21。Zuckerman Institute，哥伦比亚大学，纽约，纽约，美国3。Grossman心理统计中心，哥伦比亚大学，纽约，纽约，美国。4。加利福尼亚大学伯克利分子和细胞生物学系5。麦戈文大脑研究所，马萨诸塞州剑桥，马萨诸塞州剑桥6。马萨诸塞州剑桥大学，马萨诸塞州脑和认知科学系，马萨诸塞州7。加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系8。霍华德·休斯医学院，斯坦福大学，帕洛阿尔托，加利福尼亚州9。加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系10。Wu Tsai神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州11。 Bio-X研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州12。 Janelia Research Campus，霍华德·休斯医学院，美国弗吉尼亚州阿什伯恩市13。 计算与神经系统，加利福尼亚理工学院，帕萨迪纳，加利福尼亚州14。 IMEC，鲁汶，比利时15。 卡夫利脑科学研究所，哥伦比亚大学，纽约，纽约16。 加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系17。 霍华德·休斯医学院，哥伦比亚大学，纽约，纽约18。 神经科学研究生课程，斯坦福大学，帕洛阿尔托，加利福尼亚州19。 加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系20。 WU TSAI神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州21。Wu Tsai神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州11。Bio-X研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州12。Janelia Research Campus，霍华德·休斯医学院，美国弗吉尼亚州阿什伯恩市13。计算与神经系统，加利福尼亚理工学院，帕萨迪纳，加利福尼亚州14。IMEC，鲁汶，比利时15。卡夫利脑科学研究所，哥伦比亚大学，纽约，纽约16。加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系17。霍华德·休斯医学院，哥伦比亚大学，纽约，纽约18。神经科学研究生课程，斯坦福大学，帕洛阿尔托，加利福尼亚州19。加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系20。WU TSAI神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州21。WU TSAI神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州21。加利福尼亚州帕洛阿尔托市斯坦福大学生物工程系22。加利福尼亚州帕洛阿尔托市斯坦福大学医学院神经外科系23。霍华德·休斯医学院，伯克利，加利福尼亚州24。马里兰州巴尔的摩约翰·霍普金斯大学生物医学工程系
开放式：培训具有大规模合成角色的可自定义角色扮演的LLM
在大型语言模型（LLMS）中（也称为charcter概括）中可自定义的角色扮演，人们对其在开发和部署角色扮演的对话代理方面的多功能性和成本效率引起了人们的关注。本研究探讨了一种大规模数据合成方法，以配备LLM具有特征生成能力。我们首先使用角色中心的角色综合大规模角色概况，然后探索两种策略：响应重写和响应生成，以创建与角色一致的教学响应。为了验证我们的合成教学调谐数据的有效性以进行角色泛化，我们使用Llama-3 8B模型执行监督的微调（SFT）。我们表现最好的模型增强了原始的Llama-3 8b指导模型，并实现了与角色扮演对话的GPT-4O模型相当的性能。我们发布了1个合成字符和指导对话，以支持公共研究。
25. 大规模疫苗接种运动
大规模疫苗接种运动是指当局在短时间内为尽可能多的（适当的）人接种疫苗。大规模疫苗接种是常规疫苗接种的补充（见行动工具常规疫苗接种）。组织大规模疫苗接种可能是因为无法进行常规疫苗接种或为了帮助控制疫情。如有必要，这也是志愿者接种疫苗的好机会（如果他们符合条件）。大规模疫苗接种运动的一些例子包括：在麻疹爆发期间针对儿童的大规模疫苗接种运动、在埃博拉爆发期间的大规模疫苗接种运动或在 COVID-19 大流行期间的大规模疫苗接种。
液体空气储能（LAES）作为可再生能源整合的大规模存储技术 - 调查研究的综述和LAES的近观点
排放如果有效使用（Eurostat，2017年）。如今，生产的能源的大约7％来自可再生能源（Ren21，2016）。 由于全球对碳相关环境问题的认识以及绿色技术和政府支持可再生能源部门的努力的份额不断增长，预计该价值将在未来几年增长。 但是，考虑到RES的间歇性特征，可再生能源产生的比率增加可能会导致电网中的几个问题。 实际上，它的发电部门在当地受到天气模式（IEC，2011年）和白天/夜间周期的影响。 因此，使用电能量存储（EES）被视为支持可变res集成的一种潜在方法（Luo等，2015）。 EES系统还可以提供其他有用的服务，例如剃须，负载转移和支持智能电网的实现（Luo等，2015）。 在对2030年的电力储存路线图研究中，如果各国在能源系统组合中的可再生能源份额增加一倍，则电力存储设施往往会增加三倍（Irena，2017年）。 ees不是一项技术，而是指技术的投资组合。 可以根据能量转换和存储来对能量存储进行分类。 主要用于大规模的能量存储（Irena，2017）。 抽水储存（PHS）在2017年中期全球安装的电气存储容量为96％，并以平流和压缩空气的空气储能技术（IEC; IRENA，2017）。如今，生产的能源的大约7％来自可再生能源（Ren21，2016）。由于全球对碳相关环境问题的认识以及绿色技术和政府支持可再生能源部门的努力的份额不断增长，预计该价值将在未来几年增长。但是，考虑到RES的间歇性特征，可再生能源产生的比率增加可能会导致电网中的几个问题。实际上，它的发电部门在当地受到天气模式（IEC，2011年）和白天/夜间周期的影响。因此，使用电能量存储（EES）被视为支持可变res集成的一种潜在方法（Luo等，2015）。EES系统还可以提供其他有用的服务，例如剃须，负载转移和支持智能电网的实现（Luo等，2015）。在对2030年的电力储存路线图研究中，如果各国在能源系统组合中的可再生能源份额增加一倍，则电力存储设施往往会增加三倍（Irena，2017年）。ees不是一项技术，而是指技术的投资组合。可以根据能量转换和存储来对能量存储进行分类。主要用于大规模的能量存储（Irena，2017）。抽水储存（PHS）在2017年中期全球安装的电气存储容量为96％，并以平流和压缩空气的空气储能技术（IEC; IRENA，2017）。传统的抽水储存系统在不同的高程下使用两个水库，并且挤压空气技术需要地下储物腔，例如
大规模 MIMO 中可实现的能源效率
引言大规模MIMO被认为是在现代无线通信系统（如5G NR及更高版本）中实现所需数据速率、带宽和可靠性的关键技术[1][2]。在基站（BS）中使用大型天线阵列（NT>64）可以显著提高信噪比（SNR），并通过指向特定位置的窄波束实现空间分集传输[3]。这两个特性使得在24至52 GHz的较高频带上进行毫米波通信变得可行[4]。事实上，它们是克服频谱较高部分传播路径损耗增加的有效方法[5][6]。然而，由于射频（RF）链数量的增加，大量天线也意味着更严格的硬件要求，从而导致更高的功耗[5]。从这个意义上讲，提高系统能源效率（EE）已成为主要关注点和活跃研究的重点。一般而言，大规模 MIMO 系统中的 EE 可以通过降低信号处理复杂度及其相关功耗，或通过提高硬件资源利用率 1 [7] 来改善。根据这一标准，[8] 和 [9] 提出了一种联合优化时域波束控制和峰均功率比 (PAPR) 降低的方法，其中计算复杂度显著降低，同时提高了功率放大器效率。然后，
一组非并网区域大规模整合太阳能可再生能源的研究案例
在偏远岛屿或孤立地区等未联网地区，大规模整合太阳能可再生能源是一项挑战。事实上，这些地区的电网无法依赖大型电网的支持，更容易受到太阳能资源固有波动性和电网故障（如生产单元或输电线路突然故障）的影响。欧盟委员会资助的 TwInSolar 项目旨在提供支持和解决方案，以克服未接入大陆电网的岛屿地区面临的问题。作为该项目的一部分，向科学界介绍了四个研究案例，每个案例都强调了在留尼汪岛不同规模上观察到的具体问题。本文旨在详细描述四个选定的系统、相应的挑战以及可用的数据。
能源转型——史上最大规模的资本重新分配
能源转型代表着历史上规模最大、速度最快的资本重新分配，到 2030 年需要 37 万亿美元的投资。成熟的可再生能源技术的进一步发展正在创造新一代机会，包括电池存储和下一代太阳能电池板。能源转型通过将技术与可持续性相结合来提供回报，为私人市场投资者提供了激动人心的投资机会。
透明加热器：评论使用大规模扩展Granger因果关系从功能性MRI分类数字足迹的关键方法研究城市旅游区的空间实践：Biarritz（法国）Instagram数据的案例研究
摘要数字足迹的兴起为研究领土动态（尤其是旅游城市的动态研究）创造了许多承诺和期望。这些足迹将使访客的空间实践成为可能，并弥补以城市规模缺乏这些实践的信息。因此，许多研究使用社交网络的数据来研究不同地理量表的旅游空间。这些研究基于这些数据提供了几种类型的可视化，因此可以表现并显示一个据称是新的旅游时空（从热图到仪表板），数字足迹以处理，聚集，计算和平滑为单位。所有这些转换 - 由于算法黑框而产生的，这些黑匣子不允许精确理解方法（通常是复杂且近似） - 通常不是很透明。因此，此数据的技术和不透明度使得开发了允许解构这些新映射寄存器的关键方法。基于在广泛使用的社交网络Instagram上收集的数据，我们希望通过返回数据家谱，从地图到足迹来质疑数字足迹作为一种潜在的观察旅游实践的工具。我们的方法包括回到初始数据及其相关的元数据，以探索两个基本维度，即更复杂的探索条件的条件：时间和空间。关键字：数字足迹，空间实践，旅游城市，关键数据研究。因此，我们从2016年至2018年在法国比亚里兹（Biarritz）在Instagram上发表的照片收集了一批元数据，我们按照这两个轴进行了分析。通过这项探索性研究，我们将证明该数据尽管非常丰富，但无论是在访问数据本身还是时空精度方面都会提出一定数量的限制。