XiaoMi-AI文件搜索系统
World File Search System本体
人工智能用于理解圣训
建立圣训语料库之后，提取圣训来研究表示其含义的不同方法。主要测试了两种方法：基于知识的方法和基于深度学习的方法。为了应用前者，列举了现有的伊斯兰本体，其中大多数是用于《古兰经》的。由于《古兰经》和《圣训》属于同一领域，因此使用基于语料库的评估来检查这些本体对《圣训》的覆盖程度。结果表明，最全面的《古兰经》本体仅涵盖了 26.8% 的圣训概念，并且扩展它的成本很高。因此，通过构建和评估各种深度学习模型来研究第二种方法，该模型用于二元分类任务，该任务用于检测《圣训》和《古兰经》之间的关联性。结果表明，当前模型达到人类水平理解此类文本的可能性仍然有些难以捉摸。
佐治亚州立大学化学系
诺贝尔奖获得者沃尔夫冈·泡利曾经说过：“上帝创造了本体，魔鬼发明了表面。”我们小组对界面上发生的化学反应非常着迷。表面或界面是异质系统的组成部分。它是介质中或两种介质之间的分子或原子的最外层。由于界面上固有的不对称性，界面或分子的物理、电子和光学特性与本体介质明显不同。正因为如此，许多有趣且重要的化学和生理过程发生在表面或界面上。离子、酶或蛋白质通过细胞膜的运输、分离过程中色谱表面的分子吸附-解吸和运输、大气气体和云中颗粒的吸收-解吸、异质催化只是表面发挥关键作用的几个例子。从本体到表面，对称性被破坏，使表面变得异质，比本体更具反应性。 Dutta 研究实验室使用各种光谱和显微镜方法来研究界面处分子的纳米级物理特性，以解决当今分析、环境和材料化学领域的一些关键问题。我们的主要兴趣是了解质量传输动力学、复杂环境中的生物分子-表面相互作用以及界面处的分子取向。
![arxiv：2101.07960v1 [cs.dl] 2021年1月20日](/simg/2\22358061b59664af9bc55c24890284492b434db1.webp)
arxiv：2101.07960v1 [cs.dl] 2021年1月20日
当今材料科学研究的一个主要挑战是，即使是数字形式，人为体现主要是文本的。研究人员通过实验进行了材料，并在文本文献中记录了其发现，例如学术文献和专利。从这些文物中提取知识的最常见方法是读取所有相关文档，并逐步提取知识。但是，阅读是耗时的，并且在读取和综合所有相关知识[26,28]通常是不可行的。因此，有效提取知识和数据成为一个问题。解决这一挑战的一种方法是使用特定领域的本体学知识提取[18]。不幸的是，目前在该领域的材料科学工作受到相关本体学的访问和使用有限和使用的阻碍。这种情况不需要改善材料科学研究的本体访问和使用状态，这是此处介绍的工作的关键目标。
迈向日常任务中灵活机器人操纵的知识工程方法
摘要在过去的十年中，家用机器人技术取得了巨大进步，使机器人能够自主完成家庭任务。这些机器人通常用于特定任务和/或对象。我们假设可以通过基于知识的方法来克服实现新的临时任务请求方面缺乏灵活性，从而允许机器人推断如何解决新任务或在新对象上执行已知任务。朝向这个目标，我们提出了一种基于知识的方法，该方法利用网络上已经存在的知识来构建一个本体学支持机器人在推理参数的推理中，这些参数会影响操纵动作，以执行一系列对象的任务变化1。本体论包括对象和动作信息，涵盖了处置和负担以及特定于任务的属性。作为概念验证，我们通过从相关本体论中导入和链接知识来手动构建食物切割本体，此外还可以从非结构化的网络来源提取和语义增强知识。我们演示了机器人如何查询本体，并将包含的信息转化为动作参数。我们通过模拟访问本体的机器人来评估创建的本体论的可行性，以执行切割任务变化的操作参数化。
如何构建支持人工智能驱动的企业应用程序的知识图谱
一旦开发了 MVO，就需要通过基于本体填充实例数据图来测试和使用它。此任务的趋势是还尝试收集尽可能大的数据集，并根据现有关系模式和本体之间的映射执行结构化数据的批量转换。应该避免这种情况，因为该过程仍然容易出现与在前期设计上花费太多时间相同的问题。知识图谱开发项目应确保遵守“交互式”和“增量式”的敏捷实践。
![arXiv:2106.15136v1 [cond-mat.mtrl-sci] 2021 年 6 月 29 日](/simg/c\c63a871bcbc2a2ac668712c98b3cbe57f35de8bd.webp)
arXiv:2106.15136v1 [cond-mat.mtrl-sci] 2021 年 6 月 29 日
摘要。材料科学领域关注的是材料的特性和性能。一类重要的材料是晶体材料，它们通常含有“位错”——一种线状缺陷类型。位错决定了许多重要的材料特性。在过去的几十年里，人们付出了巨大的努力来理解不同长度尺度上的位错行为，既采用了实验表征技术，也采用了模拟技术。然而，对于描述这种位错结构，仍然缺乏一个共同的标准来表示和连接不同但相关的社区之间的位错领域知识。本体提供了一个共同的基础，以实现知识表示和数据互操作性，这是建立“数字孪生”的重要组成部分。本文概述了位错领域本体设计的第一步，并展示了与材料科学和工程领域中已有本体的联系。
利用语义相似性解释人工智能对疾病进展的预测
摘要 神经退行性疾病的复杂性促使人们开发人工智能方法来预测损伤和疾病进展的风险。然而，尽管这些方法取得了成功，但它们大多是黑箱性质，阻碍了它们在疾病管理中的应用。可解释的人工智能有望通过对模型及其预测进行解释来弥合这一差距，从而促进用户的理解和信任。在生物医学领域，鉴于其复杂性，可解释的人工智能方法可以从将模型与领域知识的表示（本体）联系起来中受益匪浅。本体提供了更多可解释的特征，因为它们在语义上丰富且情境化，因此最终用户可以更好地理解；它们还对现有知识进行建模，从而支持探究给定的人工智能模型结果如何与现有科学知识相吻合。我们提出了一种可解释性方法，利用丰富的生物医学本体全景来构建基于语义相似性的解释，将患者数据和人工智能预测情境化。这些解释反映了人类的基本解释机制——相似性——同时解决了数据复杂性、异质性和规模的挑战。
表征脊髓刺激引起的脊柱反射，以恢复截肢较低的人的感觉
脊髓刺激（SCS）是一种现有的临床神经技术，用于通过沿着硬膜外空间中线植入的电极刺激脊髓的背侧柱来治疗慢性疼痛[10]。最近，我们证明，通过植入SC在腰椎硬膜外空间侧面引导，我们可以在降低截肢截肢的人缺失的肢体中引起感觉[9]。SC在脊髓的横向上传递的 SC会激发从本体受体（即原发性和次级肌肉纺锤体和高尔基肌腱传统）和机械感受器（即Aβ皮肤传入）的轴突[11]。 通过刺激这些传入的纤维，SCS参与脊柱反射途径，引起肌肉反应，称为后根肌肉（PRM）反射，可以使用肌电图（EMG）记录[12-14]。 PRM反射是由本体感受性和皮肤传入纤维的多段激活引起的复合反射反应，这些传入纤维在脊柱运动神经元和中间神经元上突触[13,15,16]。SC会激发从本体受体（即原发性和次级肌肉纺锤体和高尔基肌腱传统）和机械感受器（即Aβ皮肤传入）的轴突[11]。通过刺激这些传入的纤维，SCS参与脊柱反射途径，引起肌肉反应，称为后根肌肉（PRM）反射，可以使用肌电图（EMG）记录[12-14]。PRM反射是由本体感受性和皮肤传入纤维的多段激活引起的复合反射反应，这些传入纤维在脊柱运动神经元和中间神经元上突触[13,15,16]。
