XiaoMi-AI文件搜索系统
World File Search System始发
引用原始发表的论文（记录的版本）：Johansen，M.，Xu，J.，Tam，E。等（2023）。结构巴特的纤维纤维
结构电池是多功能设备，可以同时存储能量并承载机械负载。关键成分是碳纤维，它不仅充当结构增强，而且还可以通过可逆地托管利离子作为电极。仍然对LI和碳纤维相互作用知之甚少。在这里，我们绘制了用螺旋丙烯腈纤维插入的LI插入螺旋晶纤维中的螺旋纤维纤维（AES）。我们表明，在充电/放电速率的缓慢/放电速率下，LI在纤维的横向和纵向方向上均匀分布，并且在完全放电时，所有LI实际上都被排出。以快速的速度，LI倾向于将其捕获在纤维的核心中。在某些纤维中，在固体电解质相（SEI）和纤维表面之间发现LI板。我们的发现可以指导AES分析锂离子电池的其他碳质电极材料，并用于改善结构电池的穿孔。
引用原始发表的论文（记录的版本）：刘C.，Choi，B.，Efimova，E。等（2024）。增强木质纤维素subs
抽象背景木质纤维素生物量作为原料具有巨大的生化生产潜力。仍然，源自木质纤维素衍生的水解物的有效液化受到其复杂和异质组成的挑战，以及抑制性化合物的存在，例如呋喃醛。使用微生物联盟，其中两个专门的微生物相互补充可以作为提高木质纤维素生物质升级效率的潜在方法。结果本研究描述了由合成的木质纤维素水解物的同时抑制剂解毒和产生乳酸和蜡酯，并通过确定的酿酒酵母和抗酸细菌的糖含量的共培养物和囊杆菌baylyi adp1。A。Baylyi ADP1显示出存在于水解产物中的Furan醛的有效生物转化，即富含毛细血管和5-羟基甲基甲基甲基甲醛，并且没有与S. cerevisiae竞争的底物，从而强调了其作为同伴的潜力。此外，酿酒酵母的剩余碳源和副产品由A. Baylyi Adp1引向蜡酯的产生。与塞维西亚链球菌的单载体相比，与贝利a a a a a baylyi ADP1的共培养中，酿酒酵母的乳酸生产率约为1.5倍（至0.41±0.08 g/l/h）。结论显示，酵母和细菌的共培养可以改善木质纤维素层的消耗量以及乳酸从合成木质纤维素水解的生产力。关键词乳酸，共培养，排毒，acinetobacter baylyi adp1，酿酒酵母，蜡酯，木质纤维素高排毒能力和通过A. baylyi Adp1产生高价值产物的能力表明，这种菌株是共培养的潜在候选者，以提高酿酒酵母发酵的生产效率和经济学。
引用原始发表的论文（记录的版本）：Svedberg，P.，Inostroza，P.，Gustavsson，M。等（2023）。水生生态毒素的数据集
收集了有关2697种有机化学物质的水生生态毒理学的经验数据和计算机数据，以编译数据集，以评估当前质量结构活动关系（QSAR）模型和软件平台的预测能力。本文档为其创建提供了数据集及其数据管道。经验数据是从美国EPA Ecotox知识库（Ecotox）和EFSA（欧洲食品安全局）收集的，报告“ XML模式中的农药生态毒性学层的数据输入研究终点 - 数据库 - 数据库中”。仅保留了经合组织建议的藻类，水坝和鱼类的数据。使用Ecosar，Vega和Tox-Icity估计软件工具（T.E.S.T.）计算每种化学物质和六个端点中的QSAR毒性预测平台。最后，数据集用微笑，Inchikey，PKA和LOGP修改，从Webchem和PubChem收集。©2023作者。由Elsevier Inc.出版这是CC下的开放式访问文章（http://creativecommons.org/licenses/4.0/）
引用了原始发表的论文（记录的版本）：Monsel，J。，Ciers，A.，Kini Manjeshwar，S。等（2024）。耗散和色散cav
集体自旋波激发，镁元素是下一代Spintronics设备的有前途的准颗粒，包括用于信息传输的平台。在量子大厅铁磁体中，检测这些电荷 - 中性激发依赖于以多余的电子和孔的形式转化为电信号，但是如果多余的电气和孔相等，则检测到电信号是挑战性的。在这项工作中，我们通过测量镁产生的电噪声来克服这一缺点。我们使用石墨烯的Zeroth Landau级别的对称性破裂的量子厅Ferromagnet来启动镁质。这些镁的吸收在Zeeman能量上方产生过多的噪声，即使平均电信号为零，也仍然有限。 此外，我们制定了一个理论模型，其中噪声是通过边缘通道之间的平衡和传播镁来产生的。 我们的模型还允许我们查明设备中弹道木棒运输的状态。在Zeeman能量上方产生过多的噪声，即使平均电信号为零，也仍然有限。此外，我们制定了一个理论模型，其中噪声是通过边缘通道之间的平衡和传播镁来产生的。我们的模型还允许我们查明设备中弹道木棒运输的状态。
引用了原始发表的论文（记录的版本）：Peralle，C.，Kini Manjeshwar，S.，Ciers，A。等（2024）。 cont
我们提出了一项详细的研究，该研究对具有连续体的quasibound状态的机械符合光子晶体的微腔。最近预计此类系统将减少Fabry-Pérot-type光学机械腔中的光损失。但是，它们需要两个相互面对的光子晶体平板，这对实验实现构成了巨大的挑战。我们研究了如何简化这样的理想系统，并且仍然在连续体中表现出quasibound状态。我们发现，面向分布式的bragg反射的悬浮的光子晶体平板实现了连续体中具有准态状态的光力学系统。在该系统中，可以消除辐射腔损失，以至于仅由材料吸收的耗散性损失占主导地位。这些建议的光力学腔设计预计将具有超过10 5的光学质量因子。
引用了原始发表的论文（记录的版本）：Åkerblom，N。，Chen，Y.，Haghir Chehreghani，M。（2023）。能源消费的在线学习
由于电池容量有限，能源效率有效的导航构成了电动汽车的重要挑战。我们采用贝叶斯的方法来对路段的能源消耗进行建模，以进行有效的导航。为了学习模型参数，我们开发了一个在线学习框架，并研究了几种探索策略，例如汤普森采样和上限限制。然后，我们将我们的在线学习框架扩展到多代理设置，在该设置中，多个车辆可适应和学习能量模型的参数。通过分析批处理反馈下的算法，我们分析了汤普森采样，并在单位代理和多代理设置中建立了严格的遗憾界限。最后，我们通过在几个现实世界的城市路网络上进行实验来演示方法的性能。
原始发表论文的引用（记录版本）：Li, X., Shong, K., Kim, W. et al (2022)。透明细胞 r 候选药物预测
a Bash Biotech Inc，600 est Broadway，Suite 700，圣地亚哥，CA 92101，美国 b 生命科学实验室，KTH-Royal Institute of Technology，斯德哥尔摩 SE-17165，瑞典 c 病理学和肿瘤生物学系，人类生物学高级研究中心（WPI-ASHBi），京都大学，京都 606-8501，日本 d 泌尿外科，东京大学医学院，东京 113-8654，日本 e 血液学和再生医学中心，卡罗琳斯卡医学院，斯德哥尔摩 SE-17177，瑞典 f 医学生物学系，Atat € urk 大学医学院，埃尔祖鲁姆 25240，土耳其 g 宿主-微生物组相互作用中心，牙科、口腔和颅面科学学院，伦敦国王学院，伦敦 SE1 9RT，英国h 哥德堡大学萨尔格伦斯卡大学医院分子与临床医学系，哥德堡 SE- 41345，瑞典 i 查尔姆斯理工大学生物与生物工程系，哥德堡 SE-41296，瑞典 j 生物创新研究所，哥本哈根 N DK-2200，丹麦 k 郑州大学药学院先进药物制备技术教育部重点实验室，郑州 450001，中国
原始发表论文（记录版本）的引用：Sadik, M.、López-Urdaneta, J.、Ulén, J. 等人 (2021)。人工智能可以提醒使用 FDG-PET/CT 分期的霍奇金淋巴瘤患者局部骨骼/骨髓摄取。科学报告，11(1)。http://dx.doi.org/10.1038/s41598-021-89656-9
开发一种基于人工智能 (AI) 的方法，用于检测接受 FDG-PET/CT 分期的霍奇金淋巴瘤 (HL) 患者的局灶性骨骼/骨髓摄取 (BMU)。将单独测试组的 AI 结果与独立医生的解释进行比较。使用卷积神经网络对骨骼和骨髓进行分割。AI 的训练基于 153 名未接受治疗的患者。骨摄取明显高于平均 BMU 的被标记为异常，并根据总异常摄取平方计算指数以识别局灶性摄取。指数高于预定义阈值的患者被解释为具有局灶性摄取。作为测试组，回顾性纳入了 48 名在 2017-2018 年期间接受过分期 FDG-PET/CT 且活检证实患有 HL 的未接受治疗患者。十位医生根据局灶性骨骼/BMU 对 48 例病例进行分类。在 48 例 (81%) 的局部骨骼/骨髓受累病例中，大多数医生同意 AI 的观点。医生之间的观察者间一致性为中等，Kappa 值为 0.51（范围为 0.25–0.80）。可以开发一种基于 AI 的方法来突出显示使用 FDG-PET/CT 分期的 HL 患者中的可疑局部骨骼/BMU。核医学医生之间关于局部 BMU 的观察者间一致性为中等。
引用了原始发表的论文（记录的版本）：Tekden，A.，Erdem，A.，Erdem，E。等（2024）。对象和关系中心代表
推动是一项必不可少的非划算操作技能，用于任务，从预抓操作到场景重新排列，关于场景中的对象关系的推理，因此在机器人技术中广泛研究了推动动作。有效使用推动动作通常需要了解受操纵对象的动态并适应预测与现实之间的差异。出于这个原因，在文献中对推动作用进行了效果预测和参数估计。但是，当前方法受到限制，因为它们要么建模具有固定数量对象的系统，要么使用基于图像的表示，其输出不是很容易解释并迅速累积错误。在本文中，我们提出了一个基于图神经网络的框架，以根据触点或关节对对象关系进行建模，以效应预测和参数估计推动操作。我们的框架在真实和模拟环境中都得到了验证，这些环境包含不同形状的多部分对象，这些对象通过不同类型的关节和具有不同质量的对象连接，并且在物理预测上的表现优于基于图像的表示。我们的方法使机器人能够预测并适应其观察场景时推动动作的效果。它也可用于使用从未看过的工具进行工具操作。此外，我们在基于机器人的硬盘拆卸的背景下证明了杠杆起作的6D效应预测。
原始发表论文的引文（记录版本）：Nocerino, E., Stuhr, U., San Lorenzo, I. et al (2023). Q 依赖的电子-声子耦合
a 瑞典皇家理工学院，应用物理系，阿尔巴诺瓦大学中心，斯德哥尔摩，SE-114 21，瑞典 b 中子散射和成像实验室，保罗谢勒研究所，CH-5232，Villigen PSI，瑞士 c 纳米科学中心，尼尔斯玻尔研究所，哥本哈根大学，Nørre All e 59，DK-2100，哥本哈根 O，丹麦 d 都灵理工大学应用科学与技术系，Corso Duca Degli Abruzzi 24 10129，都灵，意大利 e 维也纳科技大学固体物理研究所，Wiedner Hauptstraße 8 e 10，1040，维也纳，奥地利 f 瑞典皇家理工学院 PDC 高性能计算中心，SE-100 44，斯德哥尔摩，瑞典 g Nordita，瑞典皇家理工学院和斯德哥尔摩大学，Hannes Alfv ens v € ag 12，SE-106 91，斯德哥尔摩，瑞典 h 东京大学固体物理研究所中子科学实验室，柏，千叶 277-8581，日本 i 东京大学跨尺度量子科学研究所，东京 113-0033，日本 j 高能加速器研究机构材料结构科学研究所，茨城 305-0801，日本 k 牛津大学无机化学实验室，牛津 OX1 3QR，英国 l 印度理工学院物理系，坎普尔 208016，印度 m 塔塔基础研究所 DCMPMS，孟买 400005，印度 n 查尔姆斯理工大学物理系，SE-412，哥德堡，瑞典