XiaoMi-AI文件搜索系统
World File Search System本专题
先进热电材料 - NSF-PAR
在能源需求不断增长的时代，拓展可再生能源的新途径并减少化石燃料的消耗是一项挑战。收集来自太阳或工业应用散发的热量作为替代能源已成为一个重要的研究领域。热电与由于施加的温度梯度而产生的电力或由于施加的电压而产生的热流有关，它提供了在全固态转换装置中利用部分这种“免费”能源发电的潜力。热电制冷已有多种应用，与可以通过增强材料性能实现的潜在应用一样诱人。热电装置可靠，没有活动部件，不会向大气中释放有害气体。尽管具有这些吸引人的特征，但由于转换效率低，热电仍然是一个小众领域。在材料要求方面，主要的挑战是克服典型材料电性能和热性能相互关系带来的缺点。由于热电性能系数没有基本极限，材料特性没有无单位标量，材料库不断增加，热电领域正在经历对性能增强材料的新推动。寻找有用化合物的新发展，以及理论和计算建模能力的进步，使得材料评估速度更快，并通过结合理论和实验努力设计和发现新系统。我们组织了《应用物理学杂志》上的“先进热电”专题作为一个论坛，介绍该领域的最新进展和进步。我们希望这个专题能够概述热电材料研究和开发领域的现状。我们在下面仅概述了本专题中介绍的部分工作。热电在某种程度上本质上是一个材料驱动的领域。随着强大的计算资源和新型多功能技术的出现，这种关系变得更加突出
前言 神经形态人工智能硬件最新进展专题
随着当今人工智能的快速发展，迫切需要解决计算机系统巨大的能耗问题。当前的人工智能系统需要大量的计算处理，这会增加能耗。为了解决这个问题，迫切需要努力开发神经形态人工智能硬件。作为超高效计算的典范，人脑仅以 20 W 的功率运行，这激励人们努力模仿其能源效率。例如，脉冲神经网络的 CMOS 硬件比传统计算机系统上的人工神经网络更有效。神经形态人工智能硬件可以取得进一步的进展，以整合大脑功能，例如突触可塑性和海马行为。植根于材料科学的创新，例如复合材料，展现出信号处理、计算和内存存储的能力，与传统半导体方法相比，有望降低能源需求。此外，纳米材料随机网络中的非线性现象正在成为控制 AI 硬件功耗的关键储层计算设备。由于其化学结构和动力学，纳米材料随机网络提供了超出原始特性的多种应用。纳米材料科学与信息科学的融合预示着下一代 AI 系统的范式转变，以比传统半导体器件更低的制造成本促进低功耗、高密度边缘 AI 系统。本专题重点介绍了 2024 年 3 月举行的第五届神经形态 AI 硬件国际研讨会上讨论的主题。来自材料科学、大脑建模、集成电路和智能系统的专家齐聚一堂，探讨神经形态 AI 硬件。积极参与这个年度研讨会对于推进卓越高效的 AI 硬件至关重要。我们强调对推进神经形态 AI 硬件前沿的集体奉献，并向所有促成本专题的贡献者表示感谢。
专题文摘 安全与防务 - 欧盟
由于俄罗斯在乌克兰边境大规模增兵、伊朗核协议前景持续不明朗、印度-太平洋地区的地缘政治竞争以及恐怖主义继续引发萨赫勒地区危机等问题，2022 年 2 月 18 日至 20 日举行的慕尼黑安全会议将为西方盟友提供一个难得的机会，共同反思国际安全面临的核心挑战。随着全球环境变得越来越难以预测，欧盟越来越多地被要求在安全和防务领域发挥更大胆的作用。2016 年欧盟全球战略为近年来朝着“防务欧盟”迈进的许多关键发展奠定了基础。例子包括基于条约的永久性结构性合作 (PESCO)、欧洲防务基金 (EDF)、与北约的更紧密合作、一项在欧盟内部和跨欧盟并与北约协调促进军事机动性的计划，以及通过欧洲和平基金修订军事任务和行动的融资。另一个里程碑将是欧洲理事会批准《战略指南》，预计将于 2022 年 3 月 24 日至 25 日完成。《战略指南》将概述增强欧盟在安全和防御方面采取行动的能力以及发展战略自主权的举措，这些举措基于四个被称为“篮子”的领域：危机管理、复原力、能力和伙伴关系。其他旨在加强欧盟安全和防御的拟议举措包括建立联合态势感知中心以支持集体决策；对欧洲制造的所有军事和防御设备免征增值税，以通过支持欧洲工业来提高互操作性；欧洲网络防御政策和太空与防御政策。本专题文摘介绍了 EPRS 在以下领域的最新出版物：欧盟防务、北约、与美国、英国和北约的关系、与俄罗斯和乌克兰的关系、与中国的关系、萨赫勒以及和平与安全。最后提供了立法列车时刻表的有用链接和进一步阅读的建议。
利用数据和人工智能增强材料加工和性能
第三个千年工程正在应对材料科学和工程领域的新挑战。特别是，材料工程的进步，加上数据采集、处理和挖掘以及人工智能的进步，为设计新材料和新产品提供了新的思维方式。此外，这还催生了将原材料数据和加工与诱导特性和性能联系起来的新范式。一方面，这种联系可以完全基于数据驱动，即仅基于获得的实验数据从头开始创建模型，例如使用统计方法或高级机器学习方法。这类模型特别明显的优势是不需要先验地纳入任何简化或假设，并且可以实时预测，从而实现特定材料/工艺的所谓数字孪生。然而，这种方法通常面临一些普遍的挑战，例如需要（可能不必要地）庞大而全面的数据集，因为它们仅依赖于数据本身，并且只允许在调查/训练的数据空间内进行预测。应对预测材料中复杂的加工-结构-性能关系的挑战的另一种方法是通过数据和机器学习工具增强现有的基于物理的模型，即将基于物理的模型（通常称为虚拟孪生）与基于数据的模型结合起来，得到所谓的混合孪生 [1]。在这方面，基于物理的模型可能存在的偏差依赖于大量的简化和假设，可以通过基于数据驱动的方法修正模型来弥补，即结合两种模型的优点。本专题汇集了有关新颖的想法和概念的贡献，利用数据和人工智能解决了几个关键挑战： • 提出新的数据生成和数据挖掘技术； • 提出新的数据和数据驱动模型的可视化、分类、建模、提取知识、解释和认证技术； • 处理数据，当其他模型不存在、太复杂或太差而无法做出有价值的预测时，从头创建数据驱动模型； • 处理数据以增强现有的基于物理的模型，提高预测能力的质量，同时使数据更加智能。
社论：高等植物应对非生物胁迫的遗传和表观遗传调控机制
遗传和表观遗传调控生物标记在植物抗逆分子机制和作物育种方法中起着至关重要的作用。由于不利的生长条件阻碍了作物产量和全球粮食安全，养活不断增长的全球人口是一项艰巨的任务。为了很好地解开上述机制，科学家们不得不整合多个植物研究领域，因此，他们必须具备丰富的生物信息学知识和工具来管理大数据集。从本质上讲，本主题中包含的常规文章涉及农民和股东面临的现代问题。为了解决这些问题，科学家们采用了多方面的研究方法，涵盖植物生理学、分子生物学、遗传学、表观遗传学和组学等各个领域，以及最先进的植物科学和尖端方法，这些方法由复杂的技术和先进的方法提供支持，包括全基因组关联研究 (GWAS) 和表观遗传学方法，以揭示植物对高温、盐分、干旱和病原体侵袭等胁迫（生物和非生物）的耐受机制。因此，可以将进化的分子技术投入到未来的作物育种策略中，以提高生产力并产生更能抵御环境挑战和抵抗病原体侵袭的新品种。值得注意的是，Kumar 等人通过两种不同的方法揭示了遗传可塑性的分子基础对水稻种植中不同环境条件的关键重要性。本专题汇集了新发现和有用方法来促进植物科学研究。它阐明了表观遗传学变化（例如 DNA 甲基化、组蛋白（去）乙酰化和其他翻译后修饰 (PTM)）在基因调控（抑制或诱导）中的作用，以及组学（基因组学、表观基因组学、转录组学、代谢组学、离子组学和蛋白质组学）在检测应激反应基因中的作用。使用
IEEE ACCESS 特别版块社论 - ePrints Soton
I.引言 工业 4.0，又称第四次工业革命，是许多科学家和制造商正在追求的领域。工业 4.0 包括许多主题，例如物联网 (IoT)、大数据、云计算、智能制造等。智能制造是一个至关重要且有价值的主题，旨在开发先进技术来提高制造质量和成本。通过传感器、网络和高性能计算机，可以开发和实施用于智能制造的强大算法。得益于各种创新的传感器，可以收集和利用可靠且高分辨率的信息。网络允许传感器、机器和计算机之间快速交换信号。人工智能 (AI) 需要巨大的计算能力。现代计算机提供了具有并行计算功能的图形卡，打破了这一限制。与智能制造相关的算法将比以前更加复杂。因此，本专题旨在加快智能制造的发展，吸引社区的关注，并传播新颖的研究。本 IEEE A CCESS 专题包括十篇具有不同创新主题的研究文章，以帮助读者深入了解该领域并促进和启发他们的研究。这些被接受的文章由专业和独立的研究人员审阅。以下是每篇文章的简要介绍。第一篇文章“使用混合田口遗传算法优化车床切削参数”，由 Chu 等人撰写，使用多目标混合田口遗传算法 (HTGA) 来搜索最佳加工参数。根据加工质量和加工参数定义线性回归模型。然后，使用 HTGA 优化参数。实验结果表明，HTGA 在收敛速度和鲁棒性方面优于传统遗传算法。第二篇文章“基于随机森林的球形多孔气体轴承系统高精度最大 Lyapunov 指数预测模型”，由 Kuo 等人撰写，提出了一种基于机器学习的球形多孔气体轴承（SPAB）系统高精度最大 Lyapunov 指数 (MLE) 预测模型。在本文中，控制
知识未来：人工智能、技术和新商业......
在智能技术时代，企业报告的格局正在发生深刻的转变。新兴技术不仅可以实现流程自动化，还可能实现更精确、更透明和更实时的报告。这些技术可能使公司能够以更快的速度和更准确的速度捕获、分析和共享财务和非财务数据。此外，社交媒体平台作为沟通工具的使用越来越多，这将为公司提供直接与利益相关者接触的新方式，提供有关可持续发展计划、财务业绩和企业战略的最新信息。然而，这种数字化转变可能并非完全由技术驱动；它也得到了重大监管发展的支持。欧盟最近颁布的《企业可持续发展报告指令》（CSRD）对公司报告环境、社会和治理（ESG）因素提出了更严格的要求。CSRD 要求将非财务信息整合到公司报告中，旨在提高跨行业的透明度和可比性。此外，据宣布，CSRD 将伴随数字分类法的开发，该分类法将为以数字格式收集、处理和传达财务和非财务数据提供标准化框架。数字分类法的引入以及智能技术的进步可以简化报告流程，实现更高效和标准化的数据管理。这反过来又会增强公司、监管机构和利益相关者之间的信息互操作性，确保公司报告既透明又可操作。此外，这个数字生态系统与社交媒体的外展能力相结合，将为公司提供新的机会，通过提供更具活力和互动的方式来传达其财务和 ESG 绩效，从而加强与利益相关者的关系。本专题致力于探索在技术创新和监管要求的推动下，数字报告如何塑造企业透明度的未来。它旨在汇集有关采用数字工具和不断发展的报告格局所带来的机遇和挑战的观点。
IEEE Access 专题社论：大数据学习与发现
引言我们正目睹异构数据的急剧增长，它由一组复杂的跨媒体内容组成，如文本、图像、视频、音频、图形、时空数据和多元时间序列。现代计算机科学技术的诞生为数据和信息的分析、收集、存储和组织，以及向客户提供产品和服务提供了非常强大和高科技的解决方案。最近，技术进步，特别是大数据形式的技术进步，导致大量具有潜在价值的数据以各种格式存储。这种情况对开发有效的算法和框架带来了新的挑战，以满足大数据表示和分析、知识理解和发现的强烈要求。现在是探索异构大数据学习和发现的先进理论和技术的时候了，这也是本专题的重点。其中包括数据获取、特征表示、时间序列分析、知识理解、基于数据的建模、降维、语义建模等理论，以及图像/视频字幕、情感计算、多媒体叙事、互联网商务、医疗保健、地球系统、通信、增强/虚拟现实等新颖且有前景的大数据分析研究方向。本专题的投稿来自公开的征文，经过严格的同行评审，最终有 67 篇文章被接受。从应用方面来看，这些文章涵盖了大数据分析的多个场景，如运动想象、网络化医疗系统、宣传翻译、网络安全通信、图像加密、股票市场、社交媒体理解、图像识别和其他应用。从技术方面来看，它们涵盖了计算机视觉、时间序列分析和机器学习的各个方面，例如复杂网络、多模态特征融合、深度学习、主成分分析和相似性扩散。以下是本专题文章的摘要：在 [A1] 中，刘等人。通过探索波动模式之间的演化关系，从时间序列构建了一个复杂网络。他们选择了全球六个股票指数作为样本数据。结果表明，对于这六个
IEEE ICCET 2025
征文 – IEEE ICCET 2025 主题：下一代多址网络的多维调制过去十年见证了数据吞吐量和连接节点数量的大幅增加，最近的研究也预示了下一代多址网络的这些增长。这些巨大的增长无疑将导致对频谱效率和能源效率日益严格的要求。为了满足这两个要求，多维调制，例如索引调制、基于媒体的调制、基于RIS/反射调制、OTFS和子载波数调制，近年来引起了研究人员的关注。与传统的幅度相位调制方案不同，稀疏调制除了经典的幅度相位星座图之外，还采用了一个或多个调制维度，从而形成更高维的调制方案，这在适当的系统配置下大大提高了频谱效率。通过多维调制，只有一部分媒体资源或功能块会被激活，以形成独特的激活模式。因此，除了由数据星座符号调制的比特流之外，激活模式本身还可用于调制额外的比特流。作为一个处于起步阶段的范例，仍有大量开放的研究问题等待解决，进一步的研究活动对于最终推动稀疏调制进入实际实施阶段至关重要。除了理论研究外，还需要解决实际实施的问题。鉴于上述将多维调制应用于 6G 通信的优势以及剩余的研究问题，本专题旨在汇集来自不同背景的学术界和工业界的顶尖研究人员，以吸引原创和高质量的出版物，解决与多维调制相关的理论和实践问题。鼓励在会议、研讨会或研讨会论文集上发表的论文的扩展版本供考虑。感兴趣的主题我们欢迎涉及以下领域的投稿，但不限于此： 人工智能和学习技术辅助多维调制 大规模 MIMO 和可重构智能表面 (RIS) 辅助多维调制 毫米波中的多维调制、太赫兹和光无线通信 水下光/声通信的多维调制 距离感知和空间频率相关的多维调制 高移动性的多维调制 多维调制的物理安全和保密相关问题 多用户和协作中继网络中的多维调制 基于多维调制的通信系统的性能分析
利用人工智能提高运动成绩
本专题旨在为研究人员和从业人员提供一个机会，展示机器学习和人工智能在体育领域的最新进展。体育技术相对较新的扩展使得收集的数据量以及测量和记录的属性范围和种类激增。这场数据海啸既带来了负担，也带来了机会来回答教练和运动员面临的一些至关重要的问题。我如何才能更有效地训练，如何才能更有竞争力，如何才能避免受伤？在许多情况下，传统统计技术的适用性已经耗尽，机器学习方法已被应用、调整和开发，以分析体育数据。1995 年，Lapham 和 Bartlett 认为人工智能 (AI) 具有支持和改善体育决策、加快分析过程以腾出专家时间和资源的潜力。从那时起，人们就提倡使用机器学习 (ML) 来构建此类决策支持系统 (Robertson, 2020)。ML 可以应用于体育运动，带来许多好处，包括：自动或半自动收集数据、将数据（预）处理为有意义的信息、了解哪些信息对健康和表现很重要，最后，帮助教练和运动员做出复杂的决定。精英教练和运动员经常利用他们的经验、知识和直觉来做出成功的决定。然而，一些关键的决策非常困难，因为要考虑的因素数量及其相互作用太复杂。如果有合适的数据，机器学习方法可用于创建支持复杂决策的模型。本研究主题中的许多文章代表了现有 ML 方法的适应性和新 ML 方法的开发，这些方法解决了体育运动中实际且重要的问题并带来了许多上述好处。在改进数据收集和处理方面，Hosp 等人。创建了一个深度学习工具来自动对足球守门员的感知表现专业水平进行分类，而 van Dijk 等人。描述了他们在惯性测量单元数据处理方面的进步如何产生有关轮椅运动中身体位置的更准确信息。此外，Schmid 等人。Anzer 和 Bauer创建了一个工具来自动识别美式足球中基于战术模式的球员轨迹，并使用这些自动注释来创建防守方案和表现的模拟。制定评估个人和团队表现的新措施是本研究主题中大多数研究的重点。