XiaoMi-AI文件搜索系统
World File Search System本体
运动皮层 RNN 模型中的内部动态与本体感受反馈在运动执行过程中相互作用
运动皮层通过向下游神经回路发送时间模式来启动运动。运动执行过程中的模式被认为是由运动皮层网络内的内部动态产生的。然而，本体感受等外部输入也会影响运动皮层动态。为了研究内部动态和本体感受反馈对自愿运动执行的贡献，我们构建了几个运动皮层模型，从虚拟手臂接收不同组合的本体感受反馈来执行延迟到达任务。考虑到延迟、噪声和感觉反馈的来源，我们构建了一个感觉估计网络。我们发现抑制稳定网络接收的手部运动学和肌肉力量产生的模式与运动皮层神经元数据中观察到的模式最相似。此外，我们使用了一种破坏策略来剖析内部动态和本体感受反馈的贡献，发现内部动态占主导地位，而本体感受反馈可以微调运动命令。对消融实验的分析表明，本体感受反馈提高了对嘈杂初始条件的鲁棒性。我们的研究结果表明，内在结构和外部输入对于产生类似大脑的神经活动都至关重要。
体感神经失传导揭示了本体感觉在运动和姿势的反馈和自适应前馈控制中的侧化作用
本体感觉提供了确定肢体位置和运动所需的关键信息，也可能用于更新可能构成运动和姿势控制基础的内部模型。对患有慢性大纤维失神经症的患者的上肢运动的开创性研究为本体感觉信息在假设形成和维持内部模型以产生准确的运动指令方面的作用提供了证据。视觉也有助于感觉运动功能，但不能完全弥补本体感觉的缺陷。最近的研究表明，姿势和运动控制过程在大脑中是侧化的，本体感觉在协调这些过程对目标导向动作控制的贡献方面起着根本性的作用。事实上，失神经症患者每个肢体的行为类似于控制器单独执行的动作。因此，本体感觉提供了神经系统有效协调多个运动控制过程所需的状态估计。
空间数据系统参考架构
2-1 系统工程“Vee” ................................................................................................................ 2-1 2-2 系统架构与工程 .............................................................................................................. 2-2 2-3 RASDSv2 视点、关注点和对象 ...................................................................................... 2-3 2-4 RASDSv2 本体：概念模型、对象和关系 ............................................................................. 2-6 3-1 本文档中使用的图标 ............................................................................................................. 3-7 3-2 对象的统一表示 ............................................................................................................. 3-8 3-2 对象的表示 ............................................................................................................. 3-8 3-3 对象之间的关系类型（源自 UML） ............................................................................................. 3-9 3-4 RASDSv2 视点本体示例（功能性） ............................................................................. 3-9 4-1 企业对象的属性 ............................................................................................................. 4-3 4-2 企业本体对象................................................................................................ 4-4 4-3 企业对象的表示 .............................................................................................. 4-5 4-4 单一任务企业视图的简单示例 .............................................................................. 4-8 4-5 企业视图示例（火星探索联盟） ...................................................................... 4-9 4-6 多机构企业启动视图示例（任务 Z） ...................................................................... 4-10 4-7 企业架构本体（改编自 TOGAF） ............................................................................. 4-11 4-8 企业和技术架构本体关系 ...................................................................................... 4-11 5-1 功能对象概述 ............................................................................................................. 5-2
适用于 - DSpace@MIT 的建筑选择框架
最后，我们讨论了融合对语义网概念和操作的重要性，这为利用多传感器数据平台的协同作用提供了新方法。这需要将融合与用于知识表示的本体模型相结合。我们讨论了融合作为本体工程中重用过程的重要性，并回顾了本体开发中的关键生命周期模型。进化的本体开发方法被认为是最有用和最能适应语义网络复杂性的方法。根据联合实验室主任 (JDL) 信息融合过程模型，筛选并排名了几种潜在的数据融合应用。根据这些预定标准，发现医学诊断成像案例提供了最有前景的融合应用，未来的产品平台可以在此基础上构建。
ψ-ontic 模型的不成立定理？ - PhilSci-Archive
自量子力学诞生之初，量子态的实在性就一直是争论的热门话题。量子态是真实的，直接代表物理系统的本体状态，还是认识论的，仅仅代表对底层本体状态的不完全知识的状态？近年来，Harrigan 和 Spekkens (HS) 提出了一种称为本体模型框架的严格方法来区分 ψ -本体论和 ψ -认识论观点 [1]。此外，该框架还证明了几个重要的 ψ -本体论定理，这些定理确立了量子态的实在性，其中两个是 Pusey-Barrett-Rudolph (PBR) 定理 [2] 和 Hardy 定理 [3, 4]。在此背景下，Carcassi、Oldofredi 和 Aidala (COA) 最近提出的 ψ -本体模型的不可行定理 [5] 出乎意料，令人惊讶。如果它是正确的，那将是一个非常重要的新成果。在本文中，我将研究 COA 定理并论证其错误。1
本体学习观点 - CiteSeerX
为机器配备常识和特定领域的知识，使其能够像人类一样理解某些问题领域，这一直是人工智能研究的主要目标，现在仍然是。在这种情况下，一个关键问题是，将所有相关知识编码成机器可以利用的自动推理、不一致性检测等方式的成本实际上有多高。虽然最近有一些关于开发方法的研究，使我们能够估算知识工程项目的成本 [12]，但可以合理地假设并非所有相关知识都可以手动编码。通过分析人类行为及其产生的数据来提取和发现知识的技术可以在这方面做出重要贡献。本体学习领域是 Alexander Mädche 和 Steffen Staab 于 2001 年创造的一个术语 [7]，它涉及从数据中得出相关本体知识的方法的开发。到目前为止，该领域已经进行了十多年的深入研究。该领域的早期研究侧重于将浅层方法应用于术语和概念提取以及层次和非层次关系提取 [7]。后来，在我的博士论文《从文本中进行本体学习和填充：算法、评估和应用》中，我将本体学习定义为从数据中获取领域模型，并试图通过介绍所谓的本体学习层蛋糕来系统地概述本体学习任务，此后该任务受到了广泛关注。近年来，一些研究人员试图提高从文本数据中学习到的本体的表达能力，特别是通过尝试提取更深层次的公理知识（例如参见 [13]、[14] 和 [4]）。本卷中也可以找到一些类似的贡献，例如旨在通过应用归纳技术学习 OWL 公理（参见Lehmann 等人本卷中的 [5] 和 Lisi [6]）。本体学习问题比预期的要困难得多。在我看来，主要原因是本体总是反映概念化世界或给定领域的方式，而从一组数据中学习的本体学习算法的结果本质上反映了所讨论数据集的特性。本体学习的问题比预想的要困难得多。因此，将本体算法的结果转化为实际反映领域概念化的本体，可能比从头开始构建本体的成本更高。在我看来，主要原因是本体总是反映概念化世界或给定领域的方式，而从一组数据中学习的本体学习算法的结果本质上反映了所讨论数据集的特性。因此，将本体的结果
使用Ontogpt –J.-P。重新创建和评估食物切割本体。 t - 贝贝格
[1] J.-P。 t t t t t teoberg，M。Koumpel，V。Hassouna，M。Beetz和P. Cimiano，“ [正在审查]对日常任务中灵活的机器人操纵的知识工程方法学”，扩展语义网络会议2024（ESWC24），克里特，希腊，希腊，2024年。[2] https://food-ninja.github.io/foodcutting/ [3] https://github.com/github.com/monarch-initiative/ontogpt/ [4] J. H. Caufield et al。 10.48550/arxiv.2304.02711。
石油和天然气生产工厂中异常检测的本体学增强深度学习框架
技术进步为提高工业过程工厂的生产率和安全性铺平了道路。由行业4.0带来的智能工厂的特征是它们杰出的剪裁技术使用，其自动化，监视和人工智能在运营效率中发挥了重要作用[1]。这些技术进步不仅适用于传统制造业，还适用于包括石油和天然气部门在内的各种工业过程，这是该提案的重点。这些进步产生的重要改进是安装传感器设备以进行恒定信息监视。尽管有好处，但这些传感器产生的大量数据可能会挑战分析，从而需要对自动化过程进行自动化的需求，以验证持续的信息流以寻找异常[2]，这些信息流[2]可以表明设备故障，安全隐患或生产效率低下。对这些失败的检测对该部门至关重要。失败引起的工厂关闭可能会给公司带来重大的经济问题。此外，由于该行业的危险性质，该行业的安全危害可能会造成灾难性后果，从而对工人安全和环境完整性构成了严重的风险。虽然传统的异常检测模型可以在特定领域带来良好的结果，但他们仍然无法理解石油和天然气生产厂的语义特征，从而产生了错误的结果，这可能使操作员更难解决潜在的问题。之后，将提出以下步骤。这项工作旨在创建一个框架，该框架使用机器学习异常检测方法，并具有一层本体论，以对石油和天然气行业异常进行语义分析。本文以以下方式构成：首先，将对当前的最新研究进行分析，重点关注有关异常检测和本体论方面的工作，然后将指定研究建议，显示研究的改进和潜在的挑战。
协同本体和表面工程实现快速耐用的可逆质子陶瓷电化学电池空气电极
可逆质子陶瓷电化学电池（R-PCEC）具有在中温下高效发电和绿色制氢的潜力。然而，传统空气电极在低温下工作的氧还原反应（ORR）和氧析出反应（OER）动力学缓慢，阻碍了 R-PCEC 的商业化应用。为了应对这一挑战，这项工作介绍了一种新方法，该方法基于同时优化体相金属-氧键和原位形成金属氧化物纳米催化剂表面改性。该策略旨在加速表现出三重（O 2 − 、H + 、e − ）电导率的空气电极的 ORR/OER 电催化活性。具体来说，这种工程空气电极纳米复合材料-Ba(Co 0.4 Fe 0.4 Zr 0.1 Y 0.1 ) 0.95 Ni 0.05 F 0.1 O 2.9- 𝜹 在 R-PCEC 中表现出显著的 ORR/OER 催化活性和出色的耐久性。峰值功率密度从 626 提高到 996 mW cm − 2 ，并且在 100 小时循环期内具有高度稳定的可逆性，证明了这一点。这项研究提供了一种合理的设计策略，以实现具有出色运行活性和稳定性的高性能 R-PCEC 空气电极，从而实现高效和可持续的能源转换和存储。
基于本体的建模，整合和分析，用于精密医学的异质临床，病理和分子肾脏数据
抽象的许多资源现在正在生成，加工，存储或提供与肾脏相关的分子，病理和临床数据。参考本体提供了一个支持知识，数据组织和集成的机会。肾脏精密医学项目（KPMP）团队在人类表型本体论（HPO）中贡献了329个肾脏表型术语（HPO），并确定了许多急性肾脏损伤（AKI）或慢性肾脏病（CKD）的许多子类别。肾脏组织本体论（KTAO）进口并整合了现有本体论（例如HPO，CL和Uberon）的肾脏相关术语，并代表了259个与肾脏相关的生物标志物。我们还开发了一种精确的医学元数据本体论（PMMO），以整合来自KPMP和Cellxgene资源的50个变量，并应用PMMO进行综合分析。在健康对照或AKI/CKD疾病状态下特别分析了肾脏基因生物标志物的基因表达谱。这项工作演示了基于本体的方法如何支持多域数据以及知识组织和集成以提高精度医学。引言肾脏精密医学项目（kpmp）（https://www.kpmp.org/）是一个NIH/NIDDK-FUND的财团，旨在精确地表征慢性肾脏病（CKD）的复杂性（CKD）和急性肾脏受伤（AKI）在患者水平上以提高我们的能力治疗（以提高我们的能力），以提高我们的能力（1）。虽然AKI是肾功能的突然且通常是暂时的暂时丧失，但CKD在很长一段时间内会降低肾脏功能，并可能导致末期肾脏疾病。但是，也可以观察到从AKI到CKD的过渡。AKI和CKD与涉及遗传，病理，分子，社会和环境因素的复杂发病机理有关。尽管做出了巨大的努力，但尚未完全理解肾脏疾病发展和发展的基础机制，部分原因是整合来自多个知识领域的数据的挑战。因此，整合与肾脏疾病有关的不同类型的数据应该成为进一步深入研究的主题。最近已努力生成与肾脏相关的数据，并使研究人员公开使用。人类生物分子图集计划（Hubmap）旨在开发一个开放且全球的平台来绘制人体健康细胞（2）。人类细胞地图集项目（HCA）是一个全球财团，旨在绘制人体中的每种细胞类型并开发人类细胞的3维地图集，以改变我们对生物学和疾病的理解（3）。与HCA密切相关的Cellxgene资源是一套计算工具，可帮助科学家存入，下载，查询和视觉探索策划和标准化的单细胞生物学数据集（4）。