XiaoMi-AI文件搜索系统
World File Search System并非易事
基于合同的储能投资分时定价
摘要 — 分时电价 (ToU) 被电力公司广泛使用。精心设计的 ToU 定价可以激励终端用户部署能源存储，从而有助于降低系统峰值负荷并降低系统社会成本。然而，ToU 定价的优化并非易事，设计不当的 ToU 定价可能会导致存储投资远离社会最优。在本文中，我们旨在设计最佳的 ToU 定价，同时考虑公用事业的社会成本和用户的存储投资决策。由于存储投资成本是用户的私人信息，我们设计了低复杂度的合同来获取必要的信息并诱导用户存储投资的正确行为。所提出的合同仅指定三个合同项目，可指导任意多种不同存储成本类型的用户根据其峰值需求投资全部、部分或不投资存储容量。当公用事业公司知道每种存储成本类型（但不知道单个用户的类型）的总需求时，我们的合同可以实现社会最优。当公用事业公司仅知道每种存储成本类型需求的分布时，我们的合同可以产生接近最优的解决方案。根据使用实际数据的模拟，与社会最优值的差距小至 1.5%。我们还表明，与没有存储投资基准相比，拟议的合同可以将系统社会成本降低 30% 以上。
光伏系统的任务概况表征，用于规范电源转换器的设计要求
本文提出了一种全面的方法，用于描述光伏系统的任务概况，通过该方法可以获得一组强大的相关信息，并用于改进电源转换器的设计。准确描述光伏系统并非易事，本文旨在介绍一种详细的方法，说明如何获取光伏实场任务概况。考虑了三个气候不同的城市，并使用了四个变量的大型数据集：全球水平、直接和散射辐照度以及环境温度。数据以一分钟为间隔测量多年。对于每个位置，分析了四种面板方向方案：水平位置、固定倾斜、1 轴和 2 轴机械跟踪器。使用了一个数学模型，根据测量数据和安装类型估计瞬时平面辐照度。为每个城市建立了太阳能和环境温度的平均曲线；这些曲线被用作估算商用光伏板年能量产量的输入，并对其进行了数学建模和验证。研究了一年中一分钟分辨率下的电流和功率处理，以及每种情况下最常见和最重要的操作点。还研究了与环境条件相关的面板工作温度及其与能量产量的关系。最后，全面讨论了不同的任务曲线如何影响光伏电源转换器的功率处理，以及这种特性如何有助于电力电子设备的预尺寸和寿命分析。2017 Elsevier Ltd. 保留所有权利。
初级保健中使用人工智能的能力
人工智能 (AI) 革命已在医疗保健领域到来，并最终渗透到影响深远但资金长期不足的初级保健平台。虽然人工智能有潜力促进实现五重目标（以更低的成本实现更好的患者治疗效果、人口健康和健康公平，同时保护临床医生的健康），但在使用基于人工智能的工具时不重视初级保健培训可能会产生相反的效果，造成伤害并加剧不平等。基于人工智能的工具对这些目标的影响将在很大程度上取决于初级保健临床医生的决策和技能；因此，适当的医学教育和培训对于最大限度地发挥潜在效益和最大限度地减少危害至关重要。为了促进这种培训，我们提出了在初级保健中有效部署基于人工智能的工具的 6 个能力领域：（1）基础知识（这是什么工具？），（2）批判性评价（我应该使用这个工具吗？），（3）医疗决策（我应该何时使用这个工具？），（4）技术使用（我如何使用这个工具？），（5）患者沟通（我应该如何与患者沟通这个工具的使用？），以及（6）对意外后果的认识（这个工具的“副作用”是什么？）。整合这些能力并非易事，因为家庭医学培训中已经包含的知识范围很广，而且技术格局也在不断变化。尽管如此，即使是逐步增加与人工智能相关的培训也可能有益，越早解决这些挑战，初级保健工作人员及其服务对象就能越早开始获益。
通过神经加速进化策略实现具有目标非线性响应的机械超材料的逆向设计
机械超材料最近成为一种有效的平台，可用于设计由几何形状而非成分支配的机械行为系统。[5–8] 虽然最初的努力集中在设计具有线性区域负特性的超材料，[9–12] 但最近有研究表明，通过在架构中引入易发生弹性不稳定的细长元素，可以触发高度非线性响应（通常伴随着较大的内部旋转）。[5,13] 这些非线性行为不仅表现出非常丰富的物理特性，而且还可用于实现高级功能，如形状变形[14,15]、能量吸收[3,16–18]和可编程性。[19–21] 虽然众所周知可以通过改变底层几何形状来调整这些功能，但识别导致目标非线性响应的架构并非易事。已经建立了稳健而高效的算法来指导线性范围内目标响应结构的设计。这些算法包括基于梯度的方法，如形状 [22] 和拓扑 [23] 优化，以及机器学习算法。[24–27] 然而，这些方法不能直接应用于非线性机械超材料的逆向设计。这是因为非线性系统的能量图景通常显示由大能量屏障隔开的多个最小值，因此导航非常具有挑战性。为了有效地探索这样的能量图景，已经成功使用了元启发式算法，如进化策略 [28–30]、遗传算法 [31] 和粒子群优化 [32]。此外，由于这些算法需要多次求解正向问题，最近的努力集中在通过将它们结合起来降低计算成本
绘制苍蝇的思维
每一个思想、感觉和行动都来自脑中数十亿个神经元的电相互作用——这些神经元通过数千亿个突触连接在一起，形成了一个错综复杂的网络。因此，要全面了解大脑的工作原理，我们需要考虑大脑的所有部分及其之间的连接。连接组是脑内结构和功能神经连接的综合图谱，科学家可以通过它探索和比较不同的通路、回路和区域。创建这样一张图谱并非易事：神经元非常微小，它们延伸的分支甚至更小（例如，果蝇脑中的神经元分支通常不到 50 纳米——约为人类头发宽度的千分之一）。为了实现如此高的分辨率，需要用电子显微镜对超薄的脑组织层进行成像，然后以 3D 形式重建神经元及其连接。这不是一件小事，以秀丽隐杆线虫（其大脑仅由 302 个神经元组成）为例，它花了近十年的时间才生成一个全面的连接组（ White 等人，1986 年）。这阻止了为更大的大脑创建连接组的尝试，直到显微镜和计算机视觉技术的进步终于满足了需求（ Denk 和 Horstmann，2004 年； Heymann 等人，2006 年； Januszewski 等人，2018 年）。如今，人们正在努力征服下一个模式生物——果蝇（ Drosophila melanogaster）。在比针头还小的空间里，果蝇的大脑包含超过 100,000 个神经元和大约 1 亿个突触（ Simpson，2009 年）。到目前为止，3D
可视化方法评估医学图像分类神经网络的鲁棒性
深度学习方法已显示出在医学图像分析 [1] 中的高性能潜力，尤其是计算机辅助诊断的分类。然而，解释它们的决策并非易事，这可能有助于获得更好的结果并了解它们的可信度。已经开发了许多方法来解释分类器的决策 [2]–[7]，但它们的输出并不总是有意义的，而且仍然难以解释。在本文中，我们将 [8] 的方法改编为 3D 医学图像，以找出网络对定量数据进行分类的基础。事实上，定量数据可以从不同的医学成像模式中获得，例如用正电子发射断层扫描 (PET) 获得的结合电位图或从结构磁共振成像 (MRI) 中提取的灰质 (GM) 概率图。我们的应用重点是检测阿尔茨海默病 (AD)，这是一种诱导 GM 萎缩的神经退行性综合征。我们使用从 T1 加权 (T1w) MRI 中提取的 GM 概率图（萎缩的代理）作为输入。该过程包括两个不同的部分：首先训练卷积神经网络 (CNN) 以将 AD 与对照对象进行分类，然后固定网络的权重并训练掩码以防止网络正确分类训练后已正确分类的所有对象。这项工作的目标是评估最初为自然图像开发的可视化方法是否适用于 3D 医学图像，并利用它来更好地理解分类网络所做的决策。这项工作是原创作品，尚未在其他地方提交。
自动驾驶汽车中的人工智能 - ijrpr
自动驾驶汽车的可能性开始成为现实。尽管它可能面临许多挑战，但自动驾驶汽车肯定会成为现实，但这需要很多年的时间，因为制造自动驾驶汽车并不容易。它使用人工智能原理。许多人工智能算法用于开发此类车辆。自动驾驶汽车必须执行许多任务，因为这些车辆需要收集许多重要数据、规划和执行其轨迹等等。用自动驾驶汽车取代人类驾驶汽车并非易事。必须克服此类汽车面临的许多挑战才能使其成为现实。自动驾驶汽车行业是一个快速发展的行业。人工智能在开发自动驾驶汽车方面发挥着重要作用。制造此类自动驾驶汽车时，应该实施许多人工智能算法。路径规划是使用人工智能的主要任务之一。它在导航系统的帮助下工作。人工智能必须与传感器交互并希望实时使用数据。这是开发此类自动驾驶汽车面临的主要挑战之一，而且由于 CPU 的速度和内存限制，一些人工智能算法很难使用。使用这些汽车时，乘客的安全也很重要，因为这些现代车辆使用实时系统。此外，电动汽车依赖于电池的充电，因此使用此类车辆时会消耗更多电量。随着未来几年人工智能的进步，我们可以拥有安全的交通。不可能轻易解决大问题。因此，制造商将问题分解成更小的部分，并正在努力实现这一目标。
升级电脑 - 世界无线电历史
乍一看，这一切似乎很简单。电视将迎来辉煌的数字化未来。数字传输意味着大量的频道，这正是人们想要的，不是吗？选择很多。体育节目丰富多彩，热门电影随时可看，小众节目空间充足，等等。让我们坐下来享受这一切，而广播公司则大赚一笔。但结果可能并非如此。事实上，目前存在如此多的问题，以至于广播和电子行业的许多人可能正在诅咒数字电视首次提出的那一天。最令人担忧的是，数字电视是一场赌博。我们被告知，模拟电视将在几年后关闭，到那时我们将享受更广泛的节目选择，以及更好的视觉和声音质量。但这一切都取决于公众是否足够热情地接受数字电视。如果最终导致代价高昂的失败，我们可能只能继续使用现有的服务。数字广播公司将需要他们所能聚集的所有营销力量：数字电视机顶盒将得到补贴这一事实表明，说服公众使用数字电视并非易事。最重要的考虑因素是公众可能的反应。人们已经看了很多节目，必须对提供给他们的内容感到满意。事实上，饱和点早已过去。近年来，用于观看的总小时数略有下降。这并不奇怪：人们的时间还有很多其他需求。无论提供多少频道，观看量都不太可能大幅增加。尤其是当我们必须适应所有的互联网浏览时
细胞外囊泡对于基于脂质纳米颗粒的细胞内蛋白质递送系统的兴趣
与继续主导整个医药市场的化学药品相比，蛋白质疗法具有 14 更高的特异性、更高的活性和更低的毒性的优势。虽然几乎所有现有的治疗性蛋白质 15 都是针对可溶性或细胞外靶标开发的，但蛋白质进入细胞并靶向细胞内 16 区室的能力可以显著拓宽它们对大量现有靶标的效用。鉴于它们的物理、化学、17 生物不稳定性可能会引起不良影响，并且它们穿过细胞膜的能力有限，因此需要递送 18 系统来充分发挥它们的生物潜力。在这种情况下，作为天然蛋白质纳米载体，19 细胞外囊泡 (EV) 前景广阔。然而，如果不是天然存在的，将感兴趣的蛋白质 20 带入 EV 并非易事。在这篇综述中，我们将探讨将外在蛋白质装入 EV 的方法，21 并将这些天然载体与其接近的合成对应物脂质体/脂质纳米颗粒进行比较，以诱导 22 细胞内蛋白质递送。 23 24 25 关键词：外泌体 - 微囊泡 - 治疗性蛋白质 - 细胞质递送 - 脂质体 - 大分子 26 递送 - 矢量化 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
用于脑网络分析的深度强化学习引导图神经网络
现代神经成像技术使我们能够将人脑构建为脑网络或连接体。捕捉脑网络的结构信息和层次模式对于理解脑功能和疾病状态至关重要。最近，图神经网络（GNN）良好的网络表征学习能力促使人们提出了相关的脑网络分析方法。具体而言，这些方法应用特征聚合和全局池化将脑网络实例转换为编码脑结构感应的向量表征，用于下游脑网络分析任务。然而，现有的基于 GNN 的方法往往忽略不同受试者的脑网络可能需要各种聚合迭代，并使用固定层数的 GNN 来学习所有脑网络。因此，如何充分释放 GNN 的潜力来促进脑网络分析仍然并非易事。在我们的工作中，提出了一种新颖的脑网络表征框架 BN-GNN 来解决这一难题，该框架为每个脑网络寻找最佳的 GNN 架构。具体来说，BN-GNN 采用深度强化学习 (DRL) 自动预测给定脑网络所需的最佳特征传播次数（反映在 GNN 层数中）。此外，BN-GNN 在八项脑网络疾病分析任务中提高了传统 GNN 性能的上限。© 2022 由 Elsevier Ltd. 出版。