XiaoMi-AI文件搜索系统
World File Search System模式检测
人类在人工智能教育中的角色 - unipub
人工智能的最新进展使其在教育领域的应用更加可能。事实上，现有的学习系统已经利用它来支持学生的学习或教师的判断。在这篇观点文章中，我们想详细阐述人类在教育人工智能设计和实施过程中的决策作用。因此，我们提出，人工智能支持的教育系统可以看作是一个闭环系统，其中包括（i）数据记录、（ii）模式检测和（iii）自适应性等步骤。除了设计过程之外，我们还考虑了用户在教育环境中的决策方面的关键作用：虽然人工智能的一些实现可能会自行做出决定，但我们特别强调了争取混合解决方案的巨大潜力，在这种解决方案中，不同的用户（即学习者或教师）可以透明地获得来自人工智能的信息，以供他们自己做出决定。鉴于人工智能系统和用户的决策准确性并不完美，我们主张平衡人类和人工智能驱动的决策过程，并相互监督这些决策。因此，通过兼顾双方，可以改善决策过程。此外，我们强调了将决策置于情境中的重要性。机器或人类可能做出的错误决策可能会产生截然不同的后果。总之，人类在设计和使用人工智能进行教育的过程中的许多阶段都发挥着至关重要的作用。
锂离子电池电解质组成分析的乘法方法
锂离子电池（LIB）中的电解质在充电和放电生命周期中起着重要作用。锂盐，有机溶剂和添加剂是Lib电解质的典型成分。在本应用注释中，使用互补仪器进行了三种未知电解质溶液的组成分析。敏捷的气相色谱/三倍四极质量质谱法（GC/TQ），液相色谱/Quadrupole飞行时间质谱（LC/Q-TOF/MS）以及电感性等离子体质谱法（ICP-MS）仪器用于培养的电解质分解器。使用GC/MS的拆分模式注射在电解质样品中显示高度丰富的挥发性成分，而无分流模式检测到其他27个痕量级别的挥发性组件。LC/Q-TOF数据通过提供三个电解质样品中各种有机成分的信息来补充研究。Agilent ICP-MS不仅为目标元素提供了定量结果，而且还通过使用QuickScan函数在未知样本中对“全元素”的半定量报告提供了宝贵的见解。各种平台的结果证实了进行多学科分析的好处，该分析允许用户以整体方法进行电解质分析。
CRISPR/CAS9介导的SERS/LOLLIMETIRIC DUAL MODE横向流平台与智能手机相结合，可快速，敏感的金黄色葡萄球菌
致病性细菌感染对全球公共卫生构成了重大威胁，这使得快速可靠的检测方法的发展紧急。在这里，我们开发了一种表面增强的拉曼散射（SERS）和比色双模式平台，称为智能手机集成的CRISPR/CAS9介导的侧向流动条（SCC-LFS），并将其应用于葡萄球菌（S. aureus）的超敏感检测。从策略上讲，制备了功能化的银色金纳米纳斯塔尔（Auns@ag），并用作LFS分析的标签材料。在有金黄色葡萄球菌的存在下，可以通过用户定义的CRISPR/CAS9系统准确地识别和解开靶基因诱导的扩增子，从而形成了将许多Aun@Ag绑定到脱带的测试线（T-Line）的中间桥。因此，使用智能手机集成的便携式拉曼光谱仪（Tline）进行了颜色，并获得了可识别的SERS信号。此设计不仅保持视觉读数的简单性，而且还集成了SERS的定量功能，从而使用户能够根据需要灵活地选择测定模式。使用这种方法，可以通过比色模式和SERS模式检测到金黄色葡萄球菌至1 CFU/ML，这比大多数现有方法更好。通过合并快速提取程序，可以在45分钟内完成整个测定法。通过各种真实样品进一步证明了该方法的鲁棒性和实用性，这表明其具有可靠筛选金黄色葡萄球菌的巨大潜力。
使用量子计算机折叠的RNA折叠
神经元是信息传输和信息处理中的专门细胞。之后，许多神经系统疾病与细胞活力/稳态问题直接相关，而是与电活动动力学的特定异常相关。认识到这一事实，基于神经元电活动的直接调节的治疗策略已取得了显着的结果，从耳蜗植入物到深脑刺激的成功实例。在这些植入设备上开发的开发受到了重要挑战的阻碍：功率要求，尺寸因子，信号转导和适应性/计算能力。回忆录，纳米级电子组件能够模仿自然突触，提供了独特的特性来解决这些约束及其在神经假体设备中的使用。在这里，我们首次证明了在临床相关的环境中使用回忆设备，在这种环境中，两个神经元种群之间的通信源于来源人群中的特定活动模式。在我们的方法中，Memristor设备执行了简单的模式检测计算，并充当能够可逆的短期可塑性的突触器。使用体外海马神经元培养物，我们使用监视器 - 计算活性范式显示出具有高度可重复性的实时自适应控制。我们设想了非常相似的系统用于自动检测和抑制癫痫患者的癫痫发作。
格里森评分综合 AI 模型开发
已经开发出基于人工智能的自动格里森分级解决方案，以协助病理学家进行快速定量评估，但跨各种扫描仪的推广以及使用来自最终用户的新注释数据不断更新人工智能模型仍然是该领域的一个关键瓶颈。我们提出了一种全面的人工智能辅助格里森分级数字病理学工作流程，结合了图像质量检查软件 A!magQC、基于云的注释平台 A!HistoNotes 和病理学家-人工智能交互 (PAI) 策略。为了演示和验证该流程，我们将其用于从 5 台扫描仪获得的前列腺样本进行格里森分级。在对 Akoya Biosciences 扫描仪扫描的 132 例前列腺切除标本进行训练后，对 55 例前列腺切除标本和 156 例活检标本进行验证，结果显示前列腺切除标本的 Gleason 分级灵敏度为 85%，特异性为 96%，F1 得分为 78%，活检标本的肿瘤检测灵敏度为 96%。对于其他 4 台扫描仪扫描的图像，采用我们的泛化解决方案后，Gleason 模式检测的平均 F1 得分从 67% 提高到 75%。在与来自新加坡和中国的 5 名病理学家进行的临床试验中，我们的流程将 Gleason 评分速度提高了 43%。此外，它通过半自动注释将注释时间缩短了 60%，从而通过增量学习提高了模型性能。
定制积极情绪的计算方法 -
摘要以下项目涉及基于多感应刺激的积极情绪支持应用的建议。该项目的第一个目标是研究情绪与情绪之间的差异，关系和互动，试图了解情绪识别方法和引起刺激如何在情绪领域进行调整。这是构建旨在检测用户心情并随时间进行监控的系统的基本步骤，同时试图通过提出适当的多感官刺激来支持积极的情绪。因此，另外两个中间步骤至关重要：i）使用可穿戴设备和简短问卷结合使用的可穿戴设备来构建多式模式检测框架； ii）定义多种感官刺激应表现出哪些视听特征，以增强其积极的情绪支持效果，从而利用不同的学习模型。将在用户第一次访问系统时提交分析调查表。然后，进行了多模式情绪检测，并对当前的情绪和智能手机和可穿戴设备（例如环境，行为和生理数据）的数据进行了生态瞬时评估（EMA）。由于定义了用户的当前情绪，因此系统会自动选择适当的视听刺激，以提示如果需要的话，可以改善情绪。情绪支持会话后，将需要用户的反馈来提高系统的有效性，并确保为特定用户提供更好的刺激。案例研究将被视为了解该系统在实际应用中的功效。特别是，将开发一种汽车场景，在驾驶模拟过程中利用虚拟现实刺激。
使用深度学习模型对 MRI 扫描进行脑肿瘤检测和分类
简介：人工智能 (AI) 的主要目标是开发具有类似人类行为和功能的计算机。采用人工智能的计算机活动不仅包括模式检测、规划和问题解决，还包含各种额外功能。方法：机器使用一组统称为“深度学习”的技术。磁共振成像 (MRI) 与深度学习方法结合使用，以开发能够有效识别和分类脑癌的模型。该技术有助于快速直接地检测脑癌。脑部问题主要源于脑细胞的异常增殖，导致脑结构发生有害改变，最终导致脑癌发展为恶性。早期发现脑肿瘤并采取有效干预措施可以降低死亡率。本文提出了卷积神经网络 (CNN) 架构，以使用磁共振 (MR) 图像有效检测脑癌。结果：本研究进一步研究了 ResNet-50、VGG16 和 Inception V3 等几种模型，并将所提出的架构与这些模型进行了比较。为了评估模型的有效性，我们评估了许多指标，包括准确率、召回率、损失和曲线下面积 (AUC)。在分析了几种模型并使用指定的指标将它们与建议的模型进行比较后，确定所提出的模型与其他模型相比表现出了更优异的性能。基于对 3265 张 MRI 图像数据进行的分析。结论：可以看出，CNN 模型的分类精度为 93.3%。此外，受试者工作特征曲线下面积 (AUC) 确定为 98.43%，而召回率为 91.19%。此外，该模型的损失函数得出的值为 0.25。基于与其他模型的比较分析，可以推断，所提出的模型在早期检测各种类型的脑癌方面具有很高的可靠性。
自由空间光学脉冲神经网络
神经形态工程已成为开发大脑启发式计算系统的一种有前途的途径。然而，传统的基于电子人工智能的处理器经常遇到与处理速度和散热相关的挑战。作为一种替代方案，已经提出了此类处理器的光学实现，利用光的固有信息处理能力。在光学神经形态工程领域探索的各种光学神经网络 (ONN) 中，脉冲神经网络 (SNN) 在模拟人脑的计算原理方面表现出显著的成功。光学 SNN 基于事件的脉冲特性提供了低功耗操作、速度、时间处理、模拟计算和硬件效率方面的功能，这些功能很难或不可能与其他 ONN 类型相匹配。在这项工作中，我们介绍了开创性的自由空间光学深度脉冲卷积神经网络 (OSCNN)，这是一种受人眼计算模型启发的新方法。我们的 OSCNN 利用自由空间光学来提高功率效率和处理速度，同时保持模式检测的高精度。具体而言，我们的模型在初始层采用 Gabor 滤波器进行有效特征提取，并利用使用现成光学元件设计的强度到延迟转换和同步器等光学元件。OSCNN 在基准数据集（包括 MNIST、ETH80 和 Caltech）上进行了严格测试，显示出具有竞争力的分类准确性。我们的比较分析表明，OSCNN 仅消耗 1.6 W 的功率，处理速度为 2.44 毫秒，明显优于 GPU 上的传统电子 CNN，后者通常消耗 150-300 W，处理速度为 1-5 毫秒，并且与其他自由空间 ONN 相媲美。我们的贡献包括解决光学神经网络实现中的几个关键挑战。为了确保组件对准的纳米级精度，我们提出了先进的微定位系统和主动反馈控制机制。为了提高信号完整性，我们采用了高质量的光学元件、纠错算法、自适应光学和抗噪声编码方案。通过设计高速光电转换器、定制集成电路和先进的封装技术，优化了光学和电子元件的集成。此外，我们还利用高效、紧凑的半导体激光二极管，并开发了新颖的冷却策略，以最大限度地减少功耗和占地面积。
检测、稳健性、归因和缓解
在演讲中，我将介绍我的实验室在人工智能、应用机器学习和数据挖掘方面的最新进展，以打击网络和社交媒体平台上的恶意行为者（傀儡、逃避禁令者等）和危险内容（错误信息、仇恨等）。我的愿景是为每个人创建一个值得信赖的在线生态系统，并创建下一代促进健康、公平和安全的社会意识方法。总的来说，在我的研究中，我创建了新颖的图形、内容（NLP、多模态）和对抗性机器学习方法，利用 TB 级数据来检测、预测和缓解在线威胁。我的跨学科研究创新了社会技术解决方案，这些解决方案是我通过将计算机科学与社会科学理论相结合而实现的。我也热衷于将我的研究付诸实践——我实验室的模型已经部署在 Flipkart 上，影响了 Twitter 的 Birdwatch，现在正在部署在维基百科上。我的研究开启了范式转变，从当前缓慢而被动的应对网络危害的方法转向敏捷、主动和全社会的解决方案。我的演讲将概述我研究的四个重点：（1）跨平台、语言和模式检测有害内容和恶意行为者：我的研究超越了研究“推特上的英文文本”的标准实践，旨在解决解决跨平台（Micallef 等人，2022 年）、语言（Verma 等人，2022b 年）和模式（Verma 等人，2022b、c）（图像、视频、文本）根深蒂固的基本问题的巨大挑战。 (2) 通过预测未来的恶意活动，增强检测模型对敌对行为者的鲁棒性：我的工作是通过开发第一种对抗性学习技术来突破界限，以主动预测对手行为来欺骗检测模型。接下来，我们提高模型对操纵的鲁棒性。我的实验室调查了部署在一些最大平台上的模型的漏洞：Facebook 的 TIES 坏人检测器（He、Ahamad 和 Kumar 2021）、Twitter 的 Birdwatch 错误信息检测器（Mujumdar 和 Kumar 2021）和维基百科的禁令逃避（Niverthi、Verma 和 Kumar 2022）。(3) 归因于有害内容的影响和推荐系统的作用：我的实验室创建了数据驱动的技术来确定网络危害对