XiaoMi-AI文件搜索系统
World File Search System实验的
高温热管实验的先进测量和可视化技术
免责声明 本信息是根据美国政府机构资助的工作编写的。美国政府及其任何机构或其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
机器学习和复杂网络测量在 DMT 实验的 EEG 数据集中的应用
人们对迷幻药的医疗用途越来越感兴趣，因为使用迷幻药治疗精神疾病的初步研究已显示出积极的结果。具体来说，这些物质之一是 N,N-二甲基色胺 (DMT)，它是一种激动剂血清素迷幻药，可以引起意识状态的重大改变。在这项工作中，我们提出了一种基于机器学习的计算方法，作为一种探索性工具，使用 EEG 数据揭示 DMT 引起的大脑活动变化，并为这种迷幻药的作用机制提供新的见解。为了回答这些问题，我们提出了一种两类分类，基于 (A) 连接矩阵或 (B) 从中得出的复杂网络度量作为支持向量机的输入我们发现这两种方法都能够自动检测大脑活动的变化，其中案例 (B) 显示出最高的 AUC (89%)，表明复杂网络测量最能捕捉由于使用 DMT 而发生的大脑变化。在第二步中，我们对对此结果贡献最大的特征进行了排名。对于案例 (A)，我们发现高 alpha、低 beta 和 delta 频带的差异对于区分吸入 DMT 之前和之后的状态最为重要，这与文献中描述的结果一致。此外，颞叶 (TP8) 和中央皮质 (C3) 之间的连接以及中央前回 (FC5) 和侧枕叶皮质 (T8) 之间的连接对分类结果贡献最大。文献中发现 TP8 和 C3 区域之间的连接与 DMT 消费期间可能发生的手指运动有关。然而，文献中没有发现皮质区域 FC5 和 P8 之间的连接，推测与志愿者在 DMT 消费期间的情感、视觉、感官、知觉和神秘体验有关。对于案例 (B)，接近中心性是最重要的复杂网络度量。此外，我们发现使用 DMT 时社区更大、平均路径更长，而没有使用 DMT 时则相反，这表明功能分离和整合之间的平衡被破坏了。这一发现支持了以下观点：在迷幻药的作用下，大脑皮层活动变得更加熵大。总体而言，我们开发了一种强大的计算工作流程，可以解释 DMT（或其他迷幻药）如何改变大脑网络，并深入了解其作用机制。最后，这里应用的相同方法可能有助于解释服用其他迷幻药的患者的 EEG 时间序列，并有助于详细了解服用药物后大脑神经网络的功能变化。
将机器学习和复杂网络测量应用于死藤水实验的 EEG 数据集
死藤水由亚马逊草药混合物制成，几百年来一直被该地区的人们用作传统药物。此外，这种植物已被证明是治疗各种神经和精神疾病的潜在药物。EEG 实验发现，由于死藤水，特定大脑区域发生了显著变化。在这里，我们使用 EEG 数据集来研究使用机器学习和复杂网络自动检测大脑活动变化的能力。机器学习应用于三个不同的数据抽象级别：(A) 原始 EEG 时间序列，(B) EEG 时间序列的相关性，以及 (C) 从 (B) 计算出的复杂网络度量。结果，机器学习方法能够自动检测大脑活动的变化，其中案例 (B) 的准确率最高 (92%)，其次是 (A) (88%) 和 (C) (83%)，这表明大脑区域之间的连接变化比大脑区域内的连接变化更重要。最活跃的区域是额叶和颞叶，这与文献一致。在大脑连接方面，F3 和 PO4 之间的相关性最为重要。这种联系可能表明，在死藤水介导的视觉幻觉中，个体的认知过程类似于面部识别。此外，接近中心性和分类性是最重要的复杂网络指标。这两个指标也与阿尔茨海默病等疾病有关，表明可能存在治疗机制。总体而言，我们的结果表明，机器学习方法能够自动检测死藤水消费过程中大脑活动的变化。结果还表明，机器学习和复杂网络测量的应用是研究死藤水对大脑活动和医疗用途影响的有效方法。
用于高能物理实验的硅微通道框架
微通道冷却具有出色的传热特性和最佳整合特性。微通道冷却系统通常由许多微米大小的平行通道组成，冷却液通过。这项技术在过去十年中为电子设备的热管理提出了相当大的影响[1]。从近年来微型制动技术的令人难以置信的进步中受益，微通道冷却板可以制造出来，以非常薄且光线底物的微观平行通道。由于这些原因，在高能量物理实验中的粒子探测器的热管理中，微通道冷却已开始考虑[2]。在高能物理实验中，微通道冷却的首次应用是在Na62实验[3]的GigAtracker（GTK）中进行的，其中硅微通道冷却板用于消除60×40 mm 2 GTK模块的电子设备在局部耗散的热量，同时维持40 mm 2 GTK模块，同时在5下进行了0 cy [4] Sensor Dever in Sensor Dever in Sensor Devers [4]。这项技术后来被用于大型强子对撞机美容实验（LHCB）顶点定位器（VELO）升级[6]。也已对爱丽丝内部跟踪系统（ITS）[7，8]的LS2升级进行了广泛的研究。在这项研究中，我们描述了微通道原型的制造过程和压力测试。对爱丽丝的物质预算贡献和高温均匀性的严格要求[9]需要一项深入的研究，而爱丽丝的社区与CERN，Suranaree Technology（SUT），Thai Microelectronics Center（TMEC）（TMEC）和EpletechniquiquefédéraleDeLausanne（Epfl deSanne（Epfl）进行了密切合作。
国际空间站生物膜实验的设计
1 德国科隆航空航天中心 (DLR) 航空航天医学研究所辐射生物学系，2 德国萨尔布吕肯萨尔大学材料科学与工程系，3 比利时核研究中心 (SCK CEN) 跨学科生物科学微生物学部，比利时 Mol，4 比利时那慕尔大学 Narilis 研究所微生物生物学研究部 (URBM)，5 美国加利福尼亚州佩塔卢马 NASA 艾姆斯研究中心/湾区环境研究所，6 德国萨尔布吕肯萨尔大学无机固态化学系、元素分析，7 荷兰诺德维克 ESA 欧洲空间研究与技术中心 (ESTEC)，8 意大利里窝那 Kayser Italia Srl，9 瑞士卢塞恩应用科学与艺术大学生物技术空间支持中心 (BIOTESC)，10 柏林罗伯特·科赫研究所， 德国
支持观测系统模拟实验的卫星和近空间平台轨道模拟器
摘要：社区全球观测系统模拟实验（OSSE）包（CGOP）由美国国家海洋和大气管理局（NOAA）和联合卫星数据同化中心（JCSDA）开发，它提供了一种工具，可以定量评估新兴环境观测系统或新兴现场或遥感仪器对 NOAA 数值天气预报（NWP）预报技能的影响。OSSE 的典型第一步是模拟来自所谓自然运行的观测。因此，需要观测的空间、时间和视图几何来从自然运行中提取大气和表面变量，然后将其输入到观测前向算子（例如辐射传输模型）中以模拟新的观测。对于尚未建造仪器或尚未部署平台的新提出的系统来说，这是一个挑战。为满足这一需求，本研究引入了一个轨道模拟器，根据特定的托管平台和机载仪器特性计算这些参数，该模拟器由美国国家海洋和大气管理局卫星应用与研究中心 (STAR) 最近开发并添加到 GCOP 框架中。除了模拟现有的极地轨道和地球静止轨道之外，它还适用于新兴的近空间平台（例如平流层气球）、立方体卫星星座和苔原轨道。观测几何模拟器不仅包括被动微波和红外探测器，还包括全球导航卫星系统/无线电掩星 (GNSS/RO) 仪器。对于被动大气探测器，它计算不同平台上拟议仪器的几何参数，例如随时间变化的位置（纬度和经度）、扫描几何（卫星天顶角和方位角）和交叉轨道或圆锥扫描机制的地面瞬时视场 (GIFOV) 参数。对于 RO 观测，它确定卫星或平流层气球上的发射器和接收器的几何形状并计算它们的倾斜路径。该模拟器已成功应用于最近的 OSSE 研究（例如，评估未来地球静止高光谱红外探测器和平流层气球 RO 观测的影响）。
可扩展微电网过程模型：离 Robak Sylwester 电网家庭实验的结果，能源，MDPI，第 14 卷，2021 年，文章编号：7
摘要：国家能源系统的安全以及向低碳未来的过渡是国际政治舞台上的两个热门话题。目前，集中式能源系统稳定性的研究主要集中在分布式发电上。开发可扩展的微电网模型以使其大规模采用是解决此类问题最安全、最可行的方法之一。本文旨在填补微电网运行模式的现有空白，这是传统电网大规模整合的障碍。在提出的方法中，作者通过实验（模拟）活动确定了在运行微电网时需要考虑的关键过程。进行了三阶段研究：（1）系统文献综述，以探索独立微电网设计和管理的管理模式；（2）家庭实验；（3）对选定家庭的能量平衡进行计算机模拟。我们确定了构成可扩展微电网的八个关键过程：五个核心过程、两个支持过程和一个管理过程。随后，我们绘制了这些过程的图谱，获得了一个可大规模采用的微电网过程模型。过程模型可以被视为微电网创建和维护过程中可重复的行为模式，其未来所有者可以遵循。为了支持我们的文献研究结果，我们对基础设施过程（重新）设计的三个子过程进行了实验和计算机模拟：（1）风力涡轮机选择，（2）光伏电站选择，以及（3）储能选择。结果证实了所分析微电网的条件稳定性以及进行周期性模拟练习直至实现无条件稳定性的必要性。在可持续性方面，要使微电网永久保持正能量平衡，需要实施所有关键流程。
使用Python，Raspberry Pi和Hifiberry共享用于听觉EEG实验的开放刺激系统
1生物学和生物工程系，加利福尼亚技术研究所，帕萨迪纳91125，加利福尼亚州2，2电子启发的跨学科研究所（EIIRIS），TOYOHASHI技术大学，TOYOHASHI 441-8580，日本，日本，日本，3港，Hong Kong，Nong kong Flosiciese 999999999999999999077799990779990707年，公司，日本ATSUGI 243-0198，5心理学科学学院和特纳大脑与心理健康研究所，莫纳什大学，墨尔本，墨尔本，维多利亚州3800，澳大利亚6，6个信息与神经网络中心（CINET）（CINET）（CINET），美国国家信息与通信技术研究所（NICT） 619-0288，日本8研究所，仙女大学，日本仙台大学980-8577，以及980-8577和9计算机科学与工程系，Toyohashi技术大学，Toyohashi 441-8580，日本
通过量子光学实验的有效自动设计的概念理解
人工智能（AI）是物理和科学的潜在破坏性工具。一个至关重要的问题是，该技术如何在概念上做出贡献，以帮助获得新的科学理解。科学家已经使用AI技术重新发现了以前已知的概念。到目前为止，尚无报告的例子，这些例子适用于开放问题，以获取新的科学概念和思想。在这里，我们提出了可以提供新概念概念的算法，我们在实验量子光学的领域中演示了其应用。这样做，我们做出了四个至关重要的贡献。（i）我们引入了一个基于图的量子光学实验表示，可以通过算法解释和使用。（ii）我们为新的量子实验开发了一种自动设计方法，该方法比混凝土设计任务上的最佳先前算法快的阶数，用于实验配置。（iii）我们在实验量子光学器件中解决了一些关键的开放问题，这些问题涉及光子量子技术和量子状态和量子状态中资源状态的实用蓝图以及允许进行新的基础量子实验的转换。最后，最重要的是，（iv）可解释的表示和巨大的加快使我们能够生成人类科学家可以完全解释和从完全获得新的科学概念的解决方案。我们预计，Theseus将成为开发新实验和光子硬件的量子光学器件的重要工具。它可以进一步概括以回答空旷的问题并在量子光学实验以外的许多其他量子物理问题中提供新概念。theseus是物理学中可解释的AI（XAI）的演示，该物理学表明AI算法如何在概念层面上为科学做出贡献。