XiaoMi-AI文件搜索系统
World File Search System模分
多中心病例系列的大规模分析
S. Georgin-Lavialle、B. Terrier、AF Guedon、M. Heiblig、T. Comont 等人。VEXAS 综合征临床和实验室特征的进一步表征：对 116 名法国患者的多中心病例系列进行大规模分析。英国皮肤病学杂志，2022 年，186 (3)，第 564-574 页。�10.1111/bjd.20805�。�hal-03707355�
对脑结构不对称进行大规模分析...
最初发表于：Kurth，F；圆盘，D；范登赫维尔，OA； Hoogman，M；范罗伊，D；斯坦，DJ； Buitelaar，JK；博尔特，S；奥齐亚斯，G；库什基，A；文卡塔苏布拉马尼安，G；鲁比亚，K；博尔曼，S；伊萨克森，J； Jaspers‐Fayer，F；马什，R；巴蒂斯托佐，MC；阿诺德，PD；布雷桑，RA；斯图尔特（SE）；格鲁纳，P；索伦森，L；潘，PM；丝绸，TJ；古尔，RC；库比略，AI；哈维克，J； O’Gorman Toura，RL；加利福尼亚州哈特曼；卡尔沃，R；等人（2024）。神经发育过程中大脑结构不对称的大规模分析：与 4265 名儿童和青少年的年龄和性别的关系。人脑映射，45（11）：e26754。 DOI: https://doi.org/10.1002/hbm.26754
评估学校停课对 74 个国家新冠肺炎疫情动态的影响：建模分析
我们使用数学模型模拟了 74 个国家的 COVID-19 疫情，其中纳入了 2020 年至 2022 年的观测数据和历史学校关闭时间表。然后，我们模拟了一个反事实情景，假设学校在整个研究期间保持开放。我们比较了模拟疫情在严重急性呼吸道综合征冠状病毒 2 (SARS-CoV-2) 感染、死亡和医院入住压力方面的情况。我们估计，在 2020 年至 2022 年期间，大多数情况下的学校关闭都实现了中度至显著的负担减轻。它们降低了几乎所有国家的峰值医院入住压力，74 个国家中有 72 个国家（97%）的估计中值为正，估计中值范围从巴西的峰值医院入住压力降低 89% 到印度尼西亚的峰值医院入住压力增加 19%。学校停课对新冠肺炎死亡人数的影响估计中位数从泰国的 73% 下降到英国的 7% 上升不等。我们估计，学校停课可能增加了 9 个国家（12%）的新冠肺炎总体死亡率（基于中位数估计），其中包括几个欧洲国家和印度尼西亚。这归因于人口免疫动态的变化，导致疫情在德尔塔变异期间集中，同时感染者的年龄分布向上移动。虽然我们的估计值存在很大的不确定性，但我们通过探索社会混合假设影响的敏感性分析表明，我们针对特定国家的结论是稳健的。
Jasmine Rimani、Charles Lesire、Stéphanie Lizy-Destrez、Nicole Viola。MBSE 在 HDDL 中建模分层 AI 规划问题的应用。ICAPS 2021，2021 年 8 月，虚拟活动，中国。第 0 页。�hal-03434905�
分层 AI 规划的最新改进为不同专业领域的新应用开辟了道路。一个存在大胆而复杂的规划和调度问题的领域是空间探索系统操作的定义。对于这种特定的应用，分层定义域语言 (HDDL) 可能是最合适的 AI 规划语言。然而，为 HDDL 设计和编写问题和域文件是一项复杂的任务。它们需要熟练的设计师来编写和检查语法的一致性。此外，共享和修改 HDDL 文件可能是一项复杂的任务，并且可能缺乏修改的可追溯性，从而使整个过程容易出错。另一方面，大多数空间系统工程师（空间系统操作概念的架构师）几乎从未在大学课程中学习过 HDDL 和 PDDL 等规划语言。本文提出的工作有助于填补太空操作工程师与 AI 规划潜力之间的空白，以解决应用于太空探索系统的规划和调度问题。HDDL 的典型问题和域文件是从 SysML 的形式化构建的，SysML 是一种用于系统工程的通用架构建模语言。SysML 被有效地用作基于模型的系统工程 (MBSE) 中的建模语言，以研究和设计太空任务的任务架构。所提出的方法应用于模拟空间机器人任务，其中协作无人机和探测车需要探索未知环境。该方法的最终目的是将“人类知识”转移到规划问题中，并展示 MBSE 应用于 AI 规划问题的知识工程 (KE) 的能力。
Manchin-Barrasso排放建模分析
总结2024年的《曼彻因·巴拉索（Manchin-Barrasso）能源允许改革法案》（EPRA）包括几项旨在促进电力传输，液化天然气（LNG）出口以及石油和天然气租赁的规定。预计将增加化石燃料和清洁能源基础设施的部署，从而产生对温室气体（GHG）排放，健康，环境正义和生态系统的有益和有害影响的结合。这引发了关于气候危机的复杂而巨大的问题：这种权衡会带我们朝着正确的方向发展吗？已经对EPRA应用了几项能源建模和分析工作，以探索其气候影响，包括通过第三种方式进行分析，未来资源（RFF），RMI，普林斯顿零实验室以及最近的能源部（DOE）。这些分析工作在围绕立法的对话中非常有影响力，并引起了人们的重视。1虽然能源系统分析是一个重要的工具，但当前功能不适合评估EPRA等立法。迄今为止尚无分析对该法案的影响进行了全面的建模，并且许多规定仍然没有改建。但是，鉴于现有的数据和不确定性级别，我们发现EPRA对气候的净影响将从中等有益地带到中等危害到中等危害。对环境健康的影响也是混合的，并且在很大程度上没有被建模。基于我们对迄今为止所做的建模工作的评估以及超出建模可以评估的影响，我们提供以下结论：
算法组织的未来：分散自治组织（DAOS）的大规模分析
分散的自主组织（DAOS）类似于早期的在线社区，尤其是围绕开源项目的社区，并通过在区块链上“智能合约”中编码治理规则来为复杂的社会计算系统提供潜在的经验框架。DAO的关键功能是集体决策，通常是通过一系列建议进行的，其中成员使用治理令牌对组织事件进行投票，表示DAO内的相对影响。在短短几年内，Daos的部署飙升，总库库为245亿美元，而1110万个治理令牌持有人则截至2024年，持有人会共同管理13,000多名DAO的决策。在这项研究中，我们检查了100个Daos的操作动力学，例如Pleasrdao，Lexdao，Lootdao，乐观集体，UNISWAP等。通过对多样化的DAO类别和智能合约的大规模经验分析，并通过利用链（例如投票权）和离链数据来利用链子，我们研究了诸如投票能力，参与和DAO特征之类的因素，这些因素决定了结构化的水平，从而决定了管理结构的效率。因此，我们的研究强调了基层参与与DAO中较高的分散化的相互作用，而DAO内的投票能力的差异较低，与Gini Metrics始终如一地衡量，DAO中的投票能力与更高水平的分散水平相关。这些见解与政治学的关键主题紧密相符，例如决策中的权力分配和各种治理模型的影响。我们通过讨论对研究人员和从业人员的影响来结束，强调这些因素如何为新兴的民主治理体系的设计提供信息
神经发育过程中结构性大脑不对称的大规模分析：4265名儿童和青少年的年龄和性别的关联
图1半球不对称。 具有明显不对称性的皮质区域以绿色表示。 使用CAT12工具箱（Gaser等，2022）将Desikan - Killiany Atlas（Desikan等，2006）定义的区域投射到FSAGERAGE模板的中央表面上。 向右不对称，在右半球，左半球向左不对称。 使用0.05的阈值对所有有意义的不对称性进行了FDR校正（Benjamini＆Yekutieli，2001； Hochberg＆Benjamini，1990）。图1半球不对称。具有明显不对称性的皮质区域以绿色表示。使用CAT12工具箱（Gaser等，2022）将Desikan - Killiany Atlas（Desikan等，2006）定义的区域投射到FSAGERAGE模板的中央表面上。向右不对称，在右半球，左半球向左不对称。使用0.05的阈值对所有有意义的不对称性进行了FDR校正（Benjamini＆Yekutieli，2001； Hochberg＆Benjamini，1990）。
通过以太网进行 RDMA，实现超大规模分布式 AI 训练
近年来，人工智能模型的计算密度和规模都快速增长，这推动了高效可靠的专用网络基础设施的建设。本文介绍了 Meta 用于分布式人工智能训练的融合以太网远程直接内存访问 (RoCE) 网络的设计、实现和运行。我们的设计原则涉及对工作负载的深入了解，并将这些见解转化为各种网络组件的设计：网络拓扑 - 为了支持一代又一代人工智能硬件平台的快速发展，我们将基于 GPU 的训练分离到其自己的“后端”网络中。路由 - 训练工作负载本质上会导致负载不平衡和突发性，因此我们部署了几次路由方案迭代以实现近乎最佳的流量分配。传输 - 我们概述了我们最初尝试使用 DCQCN 进行拥塞管理，但后来放弃 DCQCN 转而利用集体库本身来管理拥塞。运营 - 我们分享运营大型人工智能网络的经验，包括我们开发的工具和故障排除示例。
神经发育过程中结构性大脑不对称的大规模分析：4265名儿童和青少年的年龄和性别的关联
高度信心，气候变化对陆地，淡水，沿海和开放海洋生态系统造成了不可逆转的损害。在过去的40年中，全球发生了大约0.85 C的变暖，没有足够的缓解策略，全球表面温度将继续升高。人类影响很可能导致全球温度的升高以及极端极端诸如温暖温度的极端事件的升高（IPCC，2022年）。南亚是世界上最脆弱的地区之一，具有气候变化的影响（Sivakumar＆Stefanski，2010年），具有变暖趋势的迹象，并且极端温度极端变暖（IPCC，2022年）。气候变化已被证明会影响粮食生产，使该地区到2030年有粮食短缺，并在将来引起粮食安全问题（Acharya等，2014； Bandara＆Cai，2014）。极端温度，大雨，洪水和干旱会产生负面影响，甚至可能破坏收获（Gornall等，2010）。印度的人口非常容易受到极端温度的影响，并且热浪严重程度的增加与印度与热有关的死亡率的增加有关（Mazdiyasni等人，2017年）。热浪在过去100年中导致了许多印度死亡（De等，2005）。与印度热浪有关的死亡率在1970年至2019年之间有所增加。与其他极端天气事件相比，热浪的影响每个州有所不同。例如，安得拉邦是受热浪引起的死亡率增加60％的死亡率，随后odi-sha的影响最大，增加了20％（Ray等，2021）。印度的大部分热浪通常发生在季风前季节（4月，5月和6月），可以覆盖该国的大量范围（Pai等，2013）。但是，在夏季（6月，7月和8月，JJA）季节，高温仍然可以持续存在，因此，估计这种情况至关重要，因为在未来情况下可能会发生气候变化。例如，在印度JJA期间积极发生的季风降水也表现出发作日期的时间变化