XiaoMi-AI文件搜索系统
World File Search System对聚
通过聚类和Orbat映射
操作领域（AO）的情境情况对于指挥所和战术边缘的情况意识至关重要。运营商，例如一个营的S2或公司指挥官，从包括预期敌军的战斗（Orbat）的计划开始。他们会收到有关检测到的战斗空间对象（BSO）的持续信息，并将其添加到情境图片中。在理想情况下，操作员创建了一个真实，完整，最新和简洁的情况。实际上，图片可能不完整，包含错误或过时的信息。为了不断地保持准确的情境图片，重要的是要通过添加新的BSO来丰富它，也要管理可能重复或过时的BSO的更正和删除。在以前的论文中，我们介绍了两种方法，以自动聚集和富集情境图片：根据其空间距离随时间的空间距离[1]，[2]和一种基于规则的方法，用于将BSO映射到敌人的Orbat [3] [3]。在本文中，我们提出了一种新的方法来维护情况，该方法确定了来自源自轨道的情境图片和簇的BSO群集之间的最佳映射。如[4]中所述，映射可以有效地充实情况形态图片，身份管理和改进的侦察计划。
多聚腺苷的动力学和静态分析
作者分支机构：美国宾夕法尼亚州宾夕法尼亚州宾夕法尼亚大学佩雷尔曼医学院放射学系1。2宾夕法尼亚州宾夕法尼亚大学佩雷尔曼医学院妇科和肿瘤学系OBGYN系。 3辐射肿瘤学系，辐射肿瘤学系3，美国德克萨斯州德克萨斯大学医学博士安德森癌症中心，美国德克萨斯州休斯敦 *通讯作者：宾夕法尼亚州宾夕法尼亚州博士学位160A约翰·摩根大楼360年3620 Hamilton Walk PAREDELPHIA，汉密尔顿步行PA 19104电话：（215）573-603-603-603-603-603-603-603-603-603--603--603--603--603--603--603--603--603--603--603--603--603--603--603--603--603--603--603--63-6016： robdoot@pennmedicine.upenn.edu https://orcid.org/000000-0003-1747-239X第一作者：Anthony J. 宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州的年轻大学1910年约翰·摩根大厦（John Morgan Walk），宾夕法尼亚州19104电话：（215）746-0039传真：（215）573-3880电子邮件：anthony.youn.youn.youn.young@pennmedicine.upenn.upen.upen.upen.upen.upen.edu word Count：4990 Financial Supports：4990 Fancial Supports：RD DAS NIDAS（k01）。 ll希望基金会的万花筒和玛莎·里夫金基金会（Marsha Rivkin Foundation）支持。 AP由KL2TR001879支持。 研究还由国家研究资源中心和国家卫生研究院（UL1TR000003）的国家研究中心和宾夕法尼亚大学转化医学和治疗学研究所，宾夕法尼亚州放射科学系和NCI（P30CA016520）赞助。 在卵巢癌中运行标题18 f-ftt目标PARP-12宾夕法尼亚州宾夕法尼亚大学佩雷尔曼医学院妇科和肿瘤学系OBGYN系。3辐射肿瘤学系，辐射肿瘤学系3，美国德克萨斯州德克萨斯大学医学博士安德森癌症中心，美国德克萨斯州休斯敦 *通讯作者：宾夕法尼亚州宾夕法尼亚州博士学位160A约翰·摩根大楼360年3620 Hamilton Walk PAREDELPHIA，汉密尔顿步行PA 19104电话：（215）573-603-603-603-603-603-603-603-603-603--603--603--603--603--603--603--603--603--603--603--603--603--603--603--603--603--603--603--63-6016： robdoot@pennmedicine.upenn.edu https://orcid.org/000000-0003-1747-239X第一作者：Anthony J.宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州宾夕法尼亚州的年轻大学1910年约翰·摩根大厦（John Morgan Walk），宾夕法尼亚州19104电话：（215）746-0039传真：（215）573-3880电子邮件：anthony.youn.youn.youn.young@pennmedicine.upenn.upen.upen.upen.upen.upen.edu word Count：4990 Financial Supports：4990 Fancial Supports：RD DAS NIDAS（k01）。ll希望基金会的万花筒和玛莎·里夫金基金会（Marsha Rivkin Foundation）支持。AP由KL2TR001879支持。研究还由国家研究资源中心和国家卫生研究院（UL1TR000003）的国家研究中心和宾夕法尼亚大学转化医学和治疗学研究所，宾夕法尼亚州放射科学系和NCI（P30CA016520）赞助。在卵巢癌中运行标题18 f-ftt目标PARP-1
具有基于图的聚类
异质多尺度方法（HMM）能够同时使用Exascale超级计算机的出现，能够同时使用多个尺度模拟多个尺度。但是，幼稚的实现显示大量裁员，并且非常昂贵。宏观模型通常需要计算大量非常相似的显微镜模拟。在层次方法中，这几乎不是一个问题，因为现象学组成模型很便宜。但是，当微观模拟需要例如高维分子动力学（MD）或有限元（Fe）模拟时，必须避免冗余。我们提出了一种适用于HMM工作流的聚类算法，该算法会自动分类并消除冗余显微镜模拟。该算法具有条纹的组合，以呈现微观模拟的参数配置和基于其相似性的图网络表示的低维表示。该算法可以将相似的参数配置聚类为单个参数，以减少所需的显微镜模拟数量。我们描述了算法在HMM应用耦合Fe和MD的背景下的实现，以预测聚合物 - 透明烯纳米复合材料的化学机械行为。该算法提供了计算效果的三倍降低，准确性损失有限。
通过无监督聚类方法
摘要：可再生能源（RESS）在能量混合中的渗透正在确定以分散功率产生为特征的能量情景。在Ress发电技术之间，太阳能光伏（PV）系统构成了非常有前途的选择，但是由于太阳能的间歇性质，它们的生产无法编程。PV设施与电池储能系统（BESS）之间的耦合允许在发电中实现更大的灵活性。但是，由于大量可能的配置，PV+Bess杂种植物的设计阶段具有挑战性。本文提出了一个初步程序，旨在预测一个适合与给定的PV植物配置结合的电池家族。提出的程序适用于建造的新假设工厂，以满足商业和工业负载的能源需求。根据对类似的实际植物进行的性能分析，估算了PV系统产生的能量。电池操作是通过分别调节电荷和放电的两个决策树样结构来建立的。最后，将无监督的聚类应用于所有可能的PV+Bess配置，以识别可行解决方案家族。
聚磷酸盐-Nutrien Ekonomics
在多磷酸盐肥料中的农业用途，链式聚合物中存在P的一半至四分之三。剩余的P（正磷酸）可立即用于植物摄取。聚合物磷酸盐链主要被土壤微生物和植物根产生的酶分解为简单的磷酸分子。某些多磷酸盐将在没有酶的情况下分解。在潮湿，温暖的土壤中，酶活性更快。通常，一半的聚磷酸化合物在一两个星期内转化为正磷酸盐。在凉爽和干燥的条件下，转换可能需要更长的时间。由于多磷酸盐肥料均包含正磷酸盐和多磷酸盐的组合，因此植物能够非常有效地使用该肥料来源。大多数含P的液化剂中含有多磷酸铵。液化肥料通常用于生产农业，但并未被房主广泛使用。流体对于农民来说很方便，因为它们可以很容易地与许多其他营养物质和化学物质混合在一起，并且每滴液体都是完全相同的。在大多数情况下，决定使用干燥或液体肥料的决定是基于营养，肥料处理偏好和现场实践的价格，而不是重大的农艺差异。
与UMAP嵌入和基于密度的聚类
1美国杜克大学医学院，美国北卡罗来纳州达勒姆大学医学院，美国2杜克大学血液学典型科学系高维细胞多摩学数据对于理解生物控制的各个层次至关重要。单一的'Omic方法提供了重要的见解，但在处理基因，蛋白质，代谢产物以及其他方面的复杂关系方面常常缺乏。在这里，我们提出了一种称为Gaudi的新颖，非线性和无监督的方法（通过UMAP数据集成进行组聚集），该方法利用独立的UMAP嵌入来进行多种数据类型的并发分析。Gaudi比几种最先进的方法更好地发现不同的OMIC数据之间的非线性关系。这种方法不仅通过它们的多摩尼克曲线群簇样本，而且还识别了每个OMICS数据集的潜在因素，从而促进对每个群集有助于的基本特征的解释。因此，Gaudi促进了更直观，可解释的可视化，从而从广泛的实验设计中识别出新颖的见解和潜在的生物标志物。引言多摩变分析整合了各种数据类型，例如基因组学，蛋白质组学和代谢组学。组合多种OMICS模式比单独分析每种数据类型时，有可能发现新颖的见解和生物标志物（1，2）。高通量技术的增长促使OMICS数据呈指数增加，这突显了对新的集成方法的迫切需求。传统的多摩学集成方法主要集中在降低尺寸技术上。例如，在RGCCA（3）中使用了基于规范相关分析（CCA）的方法，而MCIA中使用了共惯性分析（4）。同样，贝叶斯因子分析基于MOFA+（5）等方法，负基质分解对于Intnmf（6），主成分分析（7）和独立组件分析是TICA（8）的基础。尽管这些方法已在各种OMICS数据集和生物环境中应用，但它们的有效性和局限性各不相同，强调了在其应用中需要仔细考虑的需求（9）。这些方法共享的中心限制是它们对线性假设的依赖。虽然在某些情况下合适，但这种假设可能不足以准确捕获复合物，通常是非线性的相互作用（10，11）。此外，它们的计算强度构成了挑战，尤其是对于大型数据集。应对这些挑战，最近的进步已转向非线性整合方法（9，10）。均匀的歧管近似和投影（UMAP）是一种降低技术，可以揭示复杂数据集中的基础结构（12）。通过将流形学习与拓扑数据分析相结合，它可以有效地可视化较低空间中的高维数据。UMAP通过有效地从PCA和T-SNE等其他方法中脱颖而出
喷射聚类的量子算法
识别高能粒子碰撞中形成的喷流需要解决可能大量终态粒子的优化问题。在这项工作中，我们考虑使用量子计算机加速喷流聚类算法的可能性。专注于电子-正电子碰撞的情况，我们考虑一种众所周知的事件形状，称为推力，其最优值对应于一组粒子中最像喷流的分离平面，从而定义两个半球喷流。我们展示了如何将推力公式化为量子退火问题和 Grover 搜索问题。我们分析的一个关键部分是考虑将经典数据与量子算法接口的现实模型。通过顺序计算模型，我们展示了如何将众所周知的 O × N 3 Þ 经典算法加速为 O × N 2 Þ 量子算法，包括从 N 个终态粒子加载经典数据的 O × N Þ 开销。在此过程中，我们还找到了一种将经典算法加速到 O = N 2 log N Þ 的方法，该方法使用受 SISC 单喷射算法启发的排序策略，该算法没有自然的量子对应物。借助并行计算模型，我们在经典和量子情况下都实现了 O = N log N Þ 的缩放。最后，我们考虑将这些量子方法推广到与大型强子对撞机质子-质子碰撞中使用的算法更密切相关的其他喷射算法。
聚腺苷二磷酸的动力学和静态分析
聚腺苷二磷酸核糖聚合酶 (PARP) 蛋白家族参与多种功能，最显著的是 DNA 损伤反应。癌症易受 DNA 损伤的影响，这导致了几种 PARP 抑制剂 (PARPi) 的开发。这类药物已被证明对卵巢癌、乳腺癌和前列腺癌有治疗效果，但反应各不相同。因此，诊所需要选择可能从这些靶向疗法中受益的患者。体内 18 F-氟邻苯二甲酸酯摄取成像已被证明与组织中的 PARP-1 表达相对应。本研究表征了 18 F-氟邻苯二甲酸酯的药代动力学，并测试了动力学和静态模型，以指导未来研究中评估 18 F-氟邻苯二甲酸酯作为 PARPi 治疗反应生物标志物的指标选择。方法：14 名前瞻性入选的卵巢癌患者注射 18 F-氟苯那敏，注射后进行 60 分钟动态成像，随后进行最多 2 次全身扫描，测量静脉血活性和代谢物。从动态图像和全身扫描中提取 SUV 最大值和 SUV 峰值。评估动力学参数估计值和 SUV 与组织 PARP-1 免疫荧光的相关性（n=7）。群体动力学参数的模拟可以估计测量偏差和参数估计的精度。结果：18 F-氟苯那敏血液清除率各不相同，但不同患者的标记代谢物谱相似，支持使用群体母体分数曲线。可逆性2组织室模型和Logan参考组织分布体积(DVR)在PET采集的第一个小时内的总分布体积与免疫荧光检测的肿瘤PARP-1表达相关(分别为r=0.76和0.83；P=0.05)。DVR偏差和精度估计分别为6.4%和29.1%。从中点为57.5、110±3和199±4分钟的图像获得的SUV max和SUV peak与PARP-1表达高度相关(平均值±SD，r=0.79；P=0.05)。结论：注射后55-60分钟及以后的肿瘤SUV max和SUV peak以及至少60分钟的DVR似乎是PARP-1结合的可靠非侵入性测量方法。 18 F-氟苯那敏在卵巢癌中的吸收最好用可逆结合模型来描述。然而，示踪剂吸收的药代动力学模式有些变化，尤其是在后期。