XiaoMi-AI文件搜索系统
World File Search System失败
先进的物理失败分析技术，用于挽救裂缝，划痕或延迟不平衡的损坏样品
本文是IPFA 2020中发表的作品的扩展版。在上一篇论文中，引入了用于营救有裂缝，划痕或延迟性不均匀的损坏样品的高级物理失败分析（PFA）技术。在目前的工作中，将为一般设备中的潜在应用进一步利用这些技术。将通过对故障机制和救援过程的全面分析对三个典型的救援案件进行全面讨论。与通常需要备份样品的常规PFA技术相比，新颖的救援技术为应对延迟时的样本损害问题提供了更多的替代解决方案，而无需重新开始新的样本，从而浪费了机器时间和人力资源。这些新的PFA技术仅涉及可以轻松操纵的基本故障分析（FA）技能以及FA实验室中通常可用的FA设备，并将扩展PFA传统PFA的范围和能力，以帮助FA工程师在每日工作中提供高质量的FA结果，尤其是“处理”设备的高质量和高质量。
整合大型语言模型以改善失败模式和效果分析（FMEA）：框架和案例研究
1。引入失败模式和效应分析（FMEA）长期以来一直是产品开发过程（PDP）的基石。它提供了一种系统的方法来识别潜在的故障模式及其效果，并有助于减轻风险。通过主动解决工程设计阶段的风险，FMEA在确保产品质量，可靠性和客户满意度中起着至关重要的作用。但是，FMEA的传统手动执行有其自身的挑战：劳动密集型过程，对人为错误的敏感性以及在全面分析复杂设计方面的难度。FMEA领域中最新的生成人工智能（AI）技术可能是对这些挑战的答案：将AI整合到FMEA过程中可以使失败模式的识别自动化，并最终启用更有效和可靠的PDP。在可用的生成AI技术中，大型语言模型（LLM）引起了人们的关注，引入了Chatgpt（Zhao等，2023）。llm系统有可能从未形式和格式的文档中提取，处理和生成有价值的数据。llms似乎与FMEA非常相关：FMEA使用非常多样化的数据集，从以前的FMEA报告和产品历史记录文件到正式的投诉和客户评论，通常需要手动处理，因此不能总是充分利用。更一般而言，基于LLMS的FMEA工具可以节省时间，减少错误并有助于开发强大的设计。但是，尽管LLM可以用于知识密集型任务，但很少或根本没有促使工程培训（例如dell'acqua等，2023），FMEA任务需要开发专用工具和数据管理。因此，在本文中提出了一个将LLM集成到FMEA过程中的框架（即过程模型和信息系统模型）以及案例研究。
跨民族/种族泛化行为预测的静息状态功能连接失败
偏向多数人群的算法偏差对机器学习在精准医疗中的应用构成了关键挑战。在本文中，我们评估了脑功能磁共振成像行为表型预测模型中的这种偏差。我们使用两个由混合族裔/种族组成的独立数据集（青春期前与成年）检查了预测偏差。当使用以白人美国人（WA）为主的数据训练预测模型时，非裔美国人（AA）的样本外预测误差通常高于 WA。这种对 WA 的偏差对应于模型学习到的更多类似 WA 的大脑行为关联模式。当仅使用 AA 训练模型时，与仅使用 WA 或相同数量的 AA 和 WA 参与者进行训练相比，AA 预测准确度有所提高，但仍低于 WA。总体而言，结果表明，需要谨慎对待当前大脑行为预测模型在少数族裔人群中的应用，并进行进一步研究。
反复社交失败压力对 BALB/c 小鼠社交互动过程中大脑活动的长期影响
1 筑波大学国际综合睡眠医学研究所 (WPI-IIIS)，日本茨城县筑波 305-8575，2 筑波大学综合与全球专业学院人文科学博士课程，日本茨城县筑波 305-8575，3 筑波大学综合人文科学研究生院生物医学博士课程，日本茨城县筑波 305-8575，4 日本学术振兴会研究员，日本东京千代田区 102-0083，5 筑波大学精准医学研究与开发中心，日本茨城县筑波 305-8575，6 筑波大学综合人文科学研究生院医学科学硕士课程，日本茨城县筑波 305-8575，7筑波大学工程、信息与系统系，日本茨城县筑波 305-8575，京都大学医学研究生院人类健康科学系，日本京都左京区 606-8507
实施姑息治疗咨询触发触发工具，用于住院的急性失败患者的心力衰竭
抽象心力衰竭是住院的主要原因。在患有心力衰竭的住院患者治疗中将姑息治疗服务与医疗治疗相结合至关重要。不幸的是，在急性代偿性心力衰竭患者中，没有姑息治疗转诊的标准化标准。我们的质量改进项目的目标是为住院的急性失调患者开发和实施姑息治疗咨询触发工具。我们发现，在合格的患者中，姑息治疗转介没有未使用，可能导致护理目标和次优先的预先护理计划的错误对准。我们开发了一种触发工具，并设计和实施了结构化的多组分教育干预措施，以提高此高风险人群中住院姑息治疗咨询的适当性和及时性。教育干预措施导致住院治疗患者的心力衰竭患者的适当住院姑息治疗咨询率显着提高（46.3％vs 27.7％； P = 0.02）。In addition, palliative care referrals resulted in better alignment of goals of care at the time of hospital discharge, as measured by a significant increase in the completion rate of a healthcare proxy form (11.4% vs 47.2%; p<0.001) and a Medical Order for Life-Sustaining Treatment form (2.0% vs 24.1%; p<0.001), as well as the establishment of a Do-Not- Resuscitate order （2.7％vs 29.6％； p <0.001）。此外，干预措施导致住院后90天的医院再入院率显着降低（43.6％vs 8.3％； P <0.001）。这个质量改进项目要求开发和采用姑息治疗推荐标准标准，以使住院的心力衰竭患者受益，并减轻症状负担，使护理目标保持一致并改善生活质量。
透析方式对移植失败后肾移植受体死亡率的影响。存在竞争事件时的分析
近年来，肾脏病学见证了肿瘤疾病患者的护理需求的增加。1,2 因此，肾脏病学家和肿瘤学家都认为需要合作以优化对这些患者的护理。肿瘤肾脏病学正在成为一个日益复杂且快速发展的医学领域。其原因是癌症患者肾脏并发症的发病率较高，以及肾脏疾病患者癌症的发病率较高。癌症相关肾脏疾病最有可能发生急性肾损伤 (AKI)，有时与肾毒性药物有关 3-6，并且在存在慢性肾脏疾病 (CKD) 的情况下急剧增加。此外，某些类型的癌症和癌症治疗也可能对肾小球结构产生有害影响，并通过损害足细胞导致蛋白尿。 7 癌症与肾脏之间的联系不断扩大，涉及免疫治疗相关的肾脏损害、电解质紊乱、透析 CKD 患者化疗剂量和时间相关问题、癌症和 CKD 患者的部分或全部肾切除术、以及肾移植相关问题（有癌症病史的捐赠者和接受者）。8
新手风险工作：大三学生如何指导新兴技术（例如生成AI）的老年人可以导致学习失败
从历史上看，初级专业人员已经指导了新技术的高级专业人员，因为大三学生通常比老年人更愿意执行低级任务以学习新技能，这比老年人更有能力，可以比老年人进行接近工作本身的实时实验，并且比老年人更愿意学习与传统身份和规范冲突的创新方法。但是，我们对新兴技术的使用量很高的不确定性，因为它们具有广泛的功能，并且在变化中发生了变化时，我们一无所知。随着人工智能的兴起，特别是学习算法和LLM，这种情况可能越来越普遍。在我们的研究中，我们的研究是全球管理咨询公司波士顿咨询集团（Boston Consulting Group）进行的，我们在7月 - 78名初级顾问（Au-Gust 2023）进行了采访，他们最近参加了一次实地实验，该实验使他们首次访问了Generative AI（GPT-4）（GPT-4），以解决一项战略业务问题解决任务。实验后不久，我们发现初级专业人员可能无法围绕不确定的新兴技术来管理风险，因为大三学生可能会建议三种新手风险工作策略：1）基于缺乏深度不存在的技术，而不是在不确定的范围内，而是不确定范围的范围，而不是范围内的范围，而不是范围范围的范围。 3）专注于项目级的干预措施，而不是系统部位或生态系统级别。新手风险工作的含义是，当预计初级专业人员成为不确定，新兴技术的专业知识的来源时，这可能导致学习失败。这项研究有助于我们理解围绕新兴技术，组织中的风险工作以及人为计算机互动的理解。
功率SIC MOSFET设备的失败降解相似性提交到短路应力和加速开关条件
2.2。方法论和实验结果，在每个脉冲之间，将重复的短路测试应用于DUT。测试条件为V ds = 600 V，V缓冲区= -5V/+18V和t情况=室温。已经进行了先前的研究[1，3]，以估计平均T SCWT（短路承受时间），约5 µs。找到了这段时间，设置了脉冲宽度的70％T SCWT（3.5 µs）的百分比。因此，防止热失控，然后防止了灾难性的排水量故障模式。SC中的所有测试设备仅显示栅极源降解。图2，第一个短电路事件（＃Cycle1，蓝线）和最后一个（＃Cycle400，红线）中的波形显示。在栅极电流（I G）上观察到的异常效应（电流凸起）可能是由于PCB（印刷板电路）寄生元件引起的电磁干扰以及相关的共同模式电流。