XiaoMi-AI文件搜索系统
World File Search System性能比
用于热电薄膜的高浓缩半导体单壁碳纳米管的溶液相 p 型掺杂
单壁碳纳米管 (SWCNT) 具有可调的光电特性和高载流子迁移率，是下一代能量收集技术（包括热电发电机）的理想材料。控制这些独特的 1D 纳米材料中的费米能级通常由 SWCNT 与电子或空穴接受物质之间的电荷转移相互作用实现。掺杂 SWCNT 网络的传统方法通常涉及将分子氧化还原掺杂剂物质扩散到固态薄膜中，但溶液相掺杂可能为载流子传输、可扩展性和稳定性提供新途径和/或好处。在这里，我们开发了使用 p 型电荷转移掺杂剂 F 4 TCNQ 对聚合物包裹的高浓缩半导体 SWCNT 进行溶液相掺杂的方法。这使得掺杂的 SWCNT 墨水可以铸成薄膜，而无需额外的沉积后掺杂处理。我们证明在 SWCNT 分散过程的不同阶段引入掺杂剂会影响最终的热电性能，并观察到掺杂剂改变了聚合物对半导体和金属 SWCNT 的选择性。与致密的半导体聚合物薄膜相比，溶液相掺杂通常会导致形态破坏和 TE 性能比固态掺杂更差，而溶液掺杂的 s-SWCNT 薄膜的性能与固态掺杂的薄膜相似。有趣的是，我们的结果还表明，溶液相 F 4 TCNQ 掺杂会导致固态薄膜中完全电离和二聚化的 F 4 TCNQ 阴离子，而在沉积后掺杂 F 4 TCNQ 的薄膜中则不会观察到这种情况。我们的研究结果为将溶液相掺杂应用于可能需要高通量沉积技术的广泛高性能基于 SWCNT 的热电材料和设备提供了一个框架。
太空中囚禁离子原子钟的演示
原子和离子的捕获和冷却方法对原子钟产生了革命性的影响，因为它们可以减少甚至消除主要的系统频率偏移 [1]、[2]、[3]。捕获原子/离子光学钟的性能比其前代产品提高了几个数量级，并已成为国家计量实验室研究项目的关键组成部分 [4]、[5]。基于捕获离子的连续运行原子钟已经存在了几十年，但迄今为止仅限于地面应用 [6]。本文介绍了 NASA 的深空原子钟 (DSAC)，它于 2019 年发射，成为第一台在太空中运行的捕获离子原子钟 [7]。DSAC 的设计不包括低温技术、灵敏的微波腔或激光器。相反，它在接近室温的温度下运行，使用简单的行波微波元件，并使用等离子体放电深紫外光源。这些元件都具有很高的成熟度和强大的可操作性，使其能够发射到太空并在太空中运行。在地面上，DSAC 展示了 1.5x10 -13 /t 1/2 的短期分数频率稳定度 [8]。在太空中，它运行了 2 年，实现了每秒 1.5x10 -13 的分数频率稳定度，超过一天的平均时间的长期稳定性为 3x10 -15，23 天内的时间偏差仅为 4 纳秒（未消除漂移），估计漂移为每天 3.0(0.7)x10 -16。在目前使用的最稳定的空间时钟中，每个时钟都建立了至少一个数量级的新空间时钟性能标准 [9]，[10]，[11]。由于对辐射、温度和磁场变化的敏感度低，DSAC 时钟也适用于太空环境。预计这种级别的空间时钟性能将实现单向导航，即在现场测量信号延迟时间，从而实现近实时深空探测器导航 [12 ] 。在本文中，我们将描述 DSAC 在太空中的性能及其环境敏感性、该技术的主要应用以及未来发展方向。
sr-1454 搅拌摩擦焊接头的屈曲破坏试验...
12. 赞助机构名称和地址 船舶结构委员会 美国海岸警卫队 (G-MSE/SSC) 2100 Second Street, SW Washington, DC 20593 14. 赞助机构代码 GM 15. 补充说明 由船舶结构委员会赞助。由其成员机构共同资助。 16. 摘要 本研究的目的是开发通过摩擦搅拌焊接制造的 5000 系列和 6000 系列铝加筋板结构的机械屈曲破坏试验数据库，并将这些结构与通过熔化焊接制造的类似铝板在焊接引起的初始缺陷和极限抗压强度性能方面进行比较。讨论了与熔化焊接和摩擦搅拌焊接程序相关的趋势或优势。以下是这些讨论的摘要。 • 发现摩擦搅拌对接焊接铝合金的屈服强度和极限拉伸强度相当于甚至优于熔化焊接铝合金。 • 搅拌摩擦焊接引起的初始缺陷往往比熔化焊接引起的缺陷小。因此，搅拌摩擦焊接工艺在这方面的优势显而易见。• 搅拌摩擦焊接铝结构的极限强度性能比熔化焊接铝结构高 10-20%。这意味着，只要能防止分层，搅拌摩擦焊接工艺在极限抗压强度性能方面肯定优于熔化焊接工艺。• 然而，所有搅拌摩擦焊接测试结构在达到极限强度之后甚至之前都在焊接区域出现了分层。这表明，熔化焊接工艺在焊接区域的抗压强度性能方面优于搅拌摩擦焊接工艺。• 再次证实，非线性有限元法计算在很大程度上取决于所应用的结构建模技术。 17. 关键词 铝加筋板结构，极限强度，搅拌摩擦焊，熔化焊，焊接引起的初始缺陷，屈曲破坏试验，非线性有限元法计算
利用量子化学指导的多目标贝叶斯优化发现储能分子材料
氧化还原液流电池 (RFB) 因其灵活的设计、可扩展性和低成本而成为固定储能应用的一项有前途的技术。在 RFB 中，能量以可流动的氧化还原活性材料 (redoxmers) 的形式传输，这些材料存储在外部并在运行期间泵送到电池中。要进一步提高 RFB 的能量密度，就需要设计具有更宽氧化还原电位窗口和更高溶解度的氧化还原聚合物。此外，设计具有荧光自报告功能的氧化还原聚合物可以监测 RFB 的健康状况。为了加速发现具有所需特性的氧化还原聚合物，最先进的机器学习 (ML) 方法（例如多目标贝叶斯优化 (MBO)）非常有用。在这里，我们首先采用密度泛函理论计算，基于 2,1,3-苯并噻二唑 (BzNSN) 核心结构，为 1400 个氧化还原聚合物分子生成还原电位、溶剂化自由能和吸收波长的数据库。根据计算出的属性，我们确定了 22 种兼具所有所需属性的帕累托最优分子。我们进一步利用这些数据开发和基准测试了 MBO 方法，以快速有效地识别具有多种目标属性的候选分子。使用 MBO，与蛮力或随机选择方法相比，从 1400 个分子数据集中识别最佳候选分子的效率至少提高 15 倍。重要的是，我们利用这种方法从 100 万个基于 BzNSN 的分子的未知数据库中发现了有前途的氧化还原体，我们发现了 16 种新的帕累托最优分子，其性能比最初的 1400 种分子有显著改善。我们预计这种主动学习技术是通用的，可用于发现满足多种所需属性标准的任何一类功能材料。
焊料联合可靠性分析和双行QFN的测试...
抽象QFN软件包已成为移动应用程序的主流设计。随着越来越多的应用程序采用QFN样式软件包，I/O计数要求正在增加。在QFN包装中增加PIN数的典型方法是增加体型以适应其他铅手指。这是不可取的，因为移动设备用户正在推动较小的包装尺寸。通过使用双行设计，可以在相同的整体体型中添加更多的铅手指。这增加了整体性能与包装尺寸比率。先前在双行QFN软件包上发表的研究主要关注制造的设计注意事项。[1-3]由于当前设计使用标准的铅框架处理技术，因此与单行QFN生产相比，不需要其他处理策略。这项研究重点介绍了28条双排QFN软件包的板级焊接联合可靠性。在制造之前，对各种双行QFN足迹进行了机械建模DOE，以通过温度周期测试估算焊料关节寿命。建模之后是雏菊链单元的原型制造。根据JEDEC规格对雏菊链设备进行温度周期测试。进行测试，直到获得完整的寿命估计曲线为止。与单排设计相似的单行设计相比，双行设计实际上可以改善焊料关节可靠性性能。由于包装的直接弯道上没有铅指的双手，这通常是测试过程中包装中最高的应力区域，因此可以增加整体焊料关节寿命。虽然双行包装上的典型失败的铅手指仍然是距包装中心最远的距离，但这些铅手指并不位于包装角中。最终结果表明，双行QFN软件包通过温度周期测试具有良好的性能，并且性能比标准单行QFN软件包的性能提高。
机器学习模型：英语论文文本内容特征提取和自动评分的研究
英语论文是英语学习的关键部分，反映了学生运用英语技能的整体能力。因此，对英语论文的准确评分至关重要[1]。传统的评估方法涉及教师的手动分级，这很耗时，可能无法为每个学生提供个性化评估，尤其是在面对大量学生时[2]。机器学习算法的出现提供了一种自动评分英语论文的方法。自动论文评分的机器学习算法的基本原理是使用大量的预定论文数据集来训练该算法以学习评分模式并将其应用于未知文章。将机器学习应用于自动的英语论文评分可以使评分更加客观和高效，从而节省了教师的时间和精力[3]。但是，在捕获诸如写作样式和上下文之类的主观信息时，将机器学习用于自动评分仍然存在局限性。需要进一步改进算法以说明这些主观元素。McNA-MARA [4]研究了层次分类方法在自动论文评分中的应用，并证明了该方法在论文评分领域的有效性。li [5]提出了一种使用神经网络自动中文论文评分的新模型，该模型应用BERT网络以获取文章的句子向量，然后使用两层双向双向短期内存（BI-LSTM）提取文章向量。实验结果表明，该模型的性能比其他基线方法更好。hao [6]提出了一个加权有限状态自动机系统，并利用了渐进的潜在语义分析来处理大量论文。实验结果验证了系统的有效性。本文简要介绍了用于英语论文的基于XGBoost的自动评分算法，并引入了LSTM语义模型，以从论文中提取语义评分功能，以提高算法的准确性。最后，在模拟实验中，使用五种主题赋予的论文将优化的XGBoost算法与传统的XGBoost和LSTM算法进行了比较。
高级重复的结构和学习程序，以检测串行12铅ECG中的急性心肌缺血
抽象目标。在急性冠状动脉综合征（ACS）的情况下，急性心肌缺血可能导致心肌梗塞。因此，及时的决定已经处于院前阶段，对于尽可能地保留心脏功能至关重要。串行心电图，将急性心电图与先前记录的同一患者的（参考）ECG进行比较，有助于识别缺血诱导的心电图变化，通过纠正个体间的ECG变异性。最近，深度学习和串行心电图的结合为检测新兴心脏疾病提供了有希望的结果。因此，我们当前研究的目的是应用新型的高级重复结构和学习程序（ADVRS＆LP），该过程专门设计用于疗程前阶段急性心肌缺血检测，并使用串行ECG使用。方法。数据属于减法研究，其中包括1425个心电图对，194（14％）ACS患者和1035（73％）对照。每个ECG对的特征是28个序列特征，这些特征构成了Advrs＆LP的输入，Advrs＆Lp是创建监督神经网络（NN）的自动建设性过程。我们创建了100个NN，以补偿由于有限数据集的随机数据划分而导致的统计频率。我们根据接收者 - 操作 - 特征曲线，敏感性（SE）和Speciifity（SP）的曲线（AUC）将获得的NNS的性能与逻辑回归程序（LR）程序（LR）程序（LR）程序（LR）程序（UNI-G）进行了比较。主要结果。明显的能力。nns（中位AUC = 83％，中位SE = 77％和中位SP = 89％）在统计学上（P值低于0.05）的测试性能比LR提出的测试性能高（中位数AUC = 80％，中位数SE = 67％，中位数SP = 81％），SP = 81％），Median sp = 82％（Medianians = 82％）和82％（82％）和72％= 72％和72％= 72％。总而言之，阳性结果强调了串行ECG比较在缺血检测中的价值，而在概括和临床适用性方面，Advrs＆LP创建的NNS似乎是可靠的工具。
基于深度学习的恶意软件检测的自动化机器学习
深度学习（DL）已被证明在检测不断发展的复杂恶意软件方面具有有效性。，尽管深度学习减轻了功能工程问题，从而找到了最佳的DL模型的体系结构和一组超参数，但仍然是一个需要领域专业知识的挑战。此外，许多提出的最新模型非常复杂，可能不是不同数据集的最佳选择。一种有希望的方法，即自动化机器学习（AUTOML），可以通过自动化ML管道密钥组件（即超参数优化和神经架构搜索（NAS））来减少开发自定义DL模型所需的域专业知识。Automl减少了设计DL模型所涉及的人类反复试验的数量，在最近的实现中，可以找到具有相对较低计算开销的新模型体系结构。对使用汽车进行恶意软件检测的可行性的研究非常有限。这项工作提供了全面的分析和有关将AUTOML用于静态和在线恶意软件检测的见解。对于静态，我们的分析是在两个广泛使用的恶意软件数据集上进行的：Sorel-20m，以在大型数据集上演示效率；和Ember-2018，这是一个较小的数据集，该数据集特定于策划，以阻碍机器学习模型的性能。此外，我们还显示了调整NAS过程参数的效果，以在这些静态分析数据集中找到更佳的恶意软件检测模型。此外，我们还证明了Automl是在线恶意软件检测方案中使用卷积神经网络（CNN）的云IAAS的表现。我们使用新生成的在线恶意软件数据集将AutoML技术与六个现有的最先进的CNN进行了比较，而在恶意软件执行期间，有或没有其他应用程序在后台运行。我们表明，与最先进的CNN相比，汽车技术的性能更高，而在架构上很少有开销。一般而言，我们的实验结果表明，基于汽车的静态和在线恶意软件检测模型的性能比文献中介绍的最先进的模型或手工设计的模型在标准杆上甚至更好。
绿色债券第二意见
2022 年 1 月 24 日 斯德哥尔摩地区是大斯德哥尔摩地区负责医疗保健、公共交通、区域发展和规划以及文化的区域公共当局。斯德哥尔摩地区由地区议会管理，为约 240 万公民提供服务。它于 2014 年发行了首只绿色债券，并已成为瑞典最大的区域和市政绿色债券发行人之一。该框架有三个项目类别：清洁交通、可再生能源和绿色建筑。该框架下约 80% 的收益将用于清洁交通项目，重点是地铁和火车升级、基础设施和扩建。这些电动公共交通方式是 2050 年低碳解决方案的一部分。其余收益预计将用于绿色建筑，主要是新医院建筑及其相关设施。符合条件的新建筑的能源性能比法规高出 40%，这尤其雄心勃勃。在可再生能源类别中，斯德哥尔摩地区可能会投资太阳能电池板，主要是屋顶。该框架的活动可能与欧盟分类法缓解技术筛选标准相一致，但现有建筑物除外，因为无法就一致性得出结论。我们尚未评估与特定 DNSH 标准的一致性，但斯德哥尔摩地区的政策旨在限制对分类法其他环境目标的危害。例如，火车轨道周围的基础设施设计旨在最大限度地减少对生物多样性的负面影响。斯德哥尔摩地区有一个可持续采购计划，同时在建筑和基础设施项目中考虑可回收性和再利用性。对于所有大型项目，都会监测项目阶段的排放，目标是地铁项目与基线相比减少 25%，其他交通项目减少 15%。斯德哥尔摩地区制定了雄心勃勃的环境政策，并结合了如何实施这些政策的严格程序。政策涵盖温室气体排放，也涵盖生物多样性和循环经济。气候风险和脆弱性被纳入斯德哥尔摩地区的整体风险处理流程，并且正在努力提高所有运营的气候适应能力。根据对该框架下合格绿色资产的总体评估以及治理和透明度考虑，斯德哥尔摩地区的绿色融资框架获得了 CICERO 深绿色阴影和优秀治理评分。发行人可以进一步加强建筑物隐含排放的工作，例如，为新建建筑物每平方米设定温室气体排放量的量化限制（吨）。
高能物理中人工智能和大数据的异构计算
异构计算表示针对特定应用使用不同计算平台的场景 (Danovaro 等人，2014)。随着对大数据量和速率的查询和分析需求不断增长，对计算资源的需求也随之增长，但能源效率限制了传统方法，即通过在现有基础设施中添加数千台最先进的 x86 机器来提高数据中心的计算能力，转而采用节能设备 (Cesini 等人，2017；D'Agostino 等人，2019)。因此，数据中心的计算节点具有不同的执行模型，从传统的 x68 架构到 GPU、FPGA（Papadimitriou 等人，2020 年）和其他处理器类型，如 ARM 或更专业的处理器，如 TPU（Albrecht 等人，2019 年；Cass，2019 年）。例如，GPU 用于许多基于常规领域的科学应用中，并且提供的性能比传统内核高出几个数量级。它们也广泛用于深度学习，尤其是机器学习训练阶段。FPGA 是一种可以由程序员配置以实现特定功能的集成电路，它试图缩小硬件和软件之间的差距。在此背景下，该研究主题收集了五篇论文，展示了在高能物理中采用异构架构进行 AI 和大数据应用的非常有趣的经验。在 GPU 加速机器学习推理作为中微子实验计算服务 (Wang 等人) 中作者讨论了通过利用 GPU 资源作为服务为在深层地下中微子实验 (DUNE) 背景下开发的 ProtoDUNE-SP 重建链所实现的性能。这篇文章代表了在中微子软件框架中使用 GPU 加速机器学习的首次体验之一。最耗时的任务，即轨迹和粒子簇射命中识别，已加速 17 倍。在使用 CMS 像素跟踪器对轨迹和主顶点进行异构重建（Bocci 等人）中作者描述了一种在 GPU 上实现像素轨迹和顶点重建链的异构实现，能够实现高性能加速值。在 FPGA 上用于高能物理实时粒子重建的距离加权图神经网络（Iiyama 等人）中所开发的框架已集成到 CMS 粒子探测器重建软件 CMSSW (http://cms-sw.github.io) 中，CMSSW 用于检测 CMS 实验中 LHC 高能碰撞产生的粒子和现象。作者提出了一种新方法，将图神经网络从复杂的现代机器学习包导出到高效的 FPGA 实现中。