XiaoMi-AI文件搜索系统
World File Search System洛文顿
学术论文（同行评审）
Orita，A。Mukai，H。Tomita，S。Tomita，K。Bamagishi，H。Ebi，Y。Tamada，K。Kamada，H。Woo，F。Ishida，E。Takada，H。 /div;Orita，A。Mukai，H。Tomita，S。Tomita，K。Bamagishi，H。Ebi，Y。Tamada，K。Kamada，H。Woo，F。Ishida，E。Takada，H。 /div;
论文内容的摘要
[纸质评论摘要] 1。文章内容本文通过使用TOL2 transposon将导向RNA（GRNA）敲入基因组来建立了一种方便地创建条件敲除小鼠的方法。 2.纸质评论1）为研究目的而开创性和独创性，使用特定周期和组织特异性的条件敲除小鼠至关重要，以分析单个水平的基因功能。但是，传统的CRE/LOXP方法需要多种小鼠菌株的交配，这需要时间和精力。在此背景下，申请人结合了三个现有系统：转座系统，CRE/LOXP系统和CRISPR/CAS9系统，以建立一个系统，允许在短时间内更加方便地创建有条件的淘汰小鼠。这种观点值得认可。 2）社会意义从这项研究中获得的主要结果如下。 1。cag-creer小鼠和rosa-lsl-cas9敲入小鼠被体外受精，质粒和TOL2转座子mRNA，其在TOL2识别序列中夹在小鼠酪氨酸酶的GRNA之间的序列，将Tyr GRNA插入了Born Born Rece的6.3％-13.6％中。 2。当他对出生的小鼠施用他莫昔芬时，在某些情况下观察到头发颜色的变化有限。 3。在三只小鼠（TG1、2、3）中观察到缺失和插入3.1％，6.8％和7.5％的酪氨酸酶基因。 4。当F0雄性小鼠交配时，11.1％的F1小鼠显示GRNA盒传播。如上所述，申请人已经建立了一个系统，该系统允许在短时间内更方便，更简单地创建有条件的敲除小鼠。可以说这是一项有用的研究发现，可以加速个人水平的基因的功能分析。 3）在这项研究中，使用T7分析和深层测序分析了GRNA的基因组裂解，并使用PCR或Southern印迹分析了下一代小鼠中GRNA盒的传播。这种方法是在足够的分子生物学实验技术的支持下进行的，这表明申请人的知识和技术技能在研究方法上足够高，同时可以看出，这项研究是在非常谨慎的准备中进行的。
HO Wen Wei (何文维) Emergence of Quantum State ...
何文伟博士现为斯坦福大学理论物理研究所博士后学者，研究非平衡量子多体现象和新兴量子技术的应用。此前，他是哈佛大学的摩尔博士后研究员，与 Mikhail Lukin 教授和 Eugene Demler 教授一起工作。从 2022 年 8 月开始，他将担任新加坡国立大学校长青年（助理）教授。何文伟于 2017 年在日内瓦大学师从 Dmitry Abanin 教授获得博士学位，2015 年在滑铁卢大学/圆周研究所师从 Guifre Vidal 教授获得理学硕士学位，2013 年在普林斯顿大学获得学士学位，与 Duncan Haldane 教授一起工作。摘要：普遍性是指复杂系统普遍属性的出现，这些属性不依赖于精确的微观细节。量子热化是强相互作用量子多体系统非平衡动力学的一个例子，其中局部区域随着时间的推移变得由吉布斯集合很好地描述，而该集合仅受少数几个系统参数（例如温度和化学势）控制。局部区域与其补体（“浴”）之间产生的大量纠缠是这种普遍性出现的关键。在这次演讲中，我将介绍一种新的普遍行为，它源于某些类型的量子混沌多体动力学，超越了传统的热化。我将描述单个多体波函数如何编码由小子系统支持的纯态集合，每个纯态都与局部浴的（投影）测量结果相关。然后，我将展示这些量子态的分布如何接近均匀随机量子态的分布，即集合形成量子信息理论中所谓的“量子态设计”。我们的工作为研究量子混沌提供了一个新视角，并在量子多体物理、量子信息和随机矩阵理论之间建立了桥梁。此外，它还提供了一种实用且硬件高效的伪随机态生成方法，为设计量子态层析成像应用和近期量子设备的基准测试开辟了新途径。
文章/书籍信息 - T2R2
我们提出了一种方案，通过量子计算机上的统计抽样来构建相互作用电子系统的单粒子格林函数 (GF)。尽管电子自旋轨道的产生和湮灭算符的非幺正性使我们无法有选择地准备特定状态，但已证明量子比特可以进行概率状态准备。我们提供配备最多两个辅助量子比特的量子电路，以获得 GF 的所有组件。我们基于幺正耦合簇 (UCC) 方法对 LiH 和 H 2 O 分子的 GF 构建进行了模拟，通过比较 UCC 方法中的准粒子和卫星光谱以及全配置相互作用计算的光谱来证明我们方案的有效性。我们还通过利用 Galitskii-Migdal 公式来检查采样方法的准确性，该公式仅从 GF 中给出总能量。
纽约州利文斯顿县 White Creek 太阳能项目
提交申请意向通知 AES（“AES”）的全资子公司 White Creek Solar LLC（“White Creek Solar”或“申请人”）提议在纽约州利文斯顿县莱斯特镇和约克镇建造一个高达 135 兆瓦（“MW”）的大型太阳能发电设施（“设施”）。本通知宣布，White Creek Solar 将根据纽约州行政法第 94-c 条（“94-c 流程”），于 2023 年 11 月 17 日左右向可再生能源选址办公室（“ORES”或“办公室”）提交申请，寻求办公室颁发选址许可证，授权建造和运营该设施。94-c 流程是一种全州范围的许可途径，对所有公用事业规模的可再生能源项目都有统一的标准和条件。统一的标准和条件可在 19 NYCRR § 900.6 和 https://ores.ny.gov/regulations/ 中找到。该设施拟建包括安装光伏电池板阵列，这些阵列高约 12 英尺，以离散子阵列形式排列在整个设施场地内，以及相关的电力收集线路、逆变器、潜在的能量存储系统、互连变电站、围栏、通道和运营和维护大楼。该设施产生的电力将在设施变电站升压至互连电压 (115 kV)。该设施将通过位于罗彻斯特天然气和电力公司 115 kV 输电线路上的新互连点与纽约电网互连。该项目变电站将是一个新的设施，位于设施区域内。关于拟建设施的更多信息，可以在项目的专用网站 ( https://www.aes.com/white-creek-solar ) 上找到。该设施是一个零排放太阳能设施，将帮助该州实现《气候领导与保护法》和《州能源计划》的目标，其中包括到 2030 年从可再生能源中获取 70% 的能源，并大幅减少温室气体排放。该设施的其他积极影响包括能源供应多样化、新的就业机会（包括临时建筑就业和全职工作），以及增加莱斯特镇和约克镇、纽约州利文斯顿县、学区的收入、向参与的土地所有者支付款项、当地酒店业以及购买当地用品和商品。此外，White Creek Solar 已尝试将与项目相关的影响降至最低，例如，尽可能限制对林地和湿地的干扰。White Creek Solar 将提交一份申请，其中包括评估与该设施相关的潜在影响的广泛研究，并确定了已同意实施的避免、最小化和减轻潜在影响的方法。最迟在提交申请前三天，将发布一份附加通知，宣布预计提交申请。此通知根据 19 NYCRR 900-1.3(d) 提供，并在提交申请前至少 60 天发布。根据 19 NYCRR 900-5，White Creek Solar 将随申请提交每兆瓦容量 1,000 美元，用于当地机构和潜在社区干预者，对于该项目，总计 135,000 美元。任何当地机构或潜在社区干预者都可以在提交申请之日起三十 (30) 天内向办公室提交资金申请。根据规定，75% 的当地机构账户资金应为当地机构保留。干预者请求将提交给可再生能源选址办公室，收件人：当地机构账户资金申请，99 Washington Avenue, Albany, NY 12231-0001。有关该项目的更多详细信息和申请更新将在 https://www.aes.com/white-creek-solar 上提供，纸质副本将在当地文档存储库中提供。要了解更多信息，请访问项目网站或联系我们：White Creek Solar LLC 292 Madison Avenue, 15 th Floor New York, NY 10017 免费电话：(866) 757-7697 项目代表：Olivia Panno whitecreeksolar@aes.com
论文发表（2011 财年）- 国防部
使用弯曲压电盘的 Tonpilz 压电换能器的频率特性估计 Applied Acoustics Elsevier 第 72 卷，第 12 期，2011 年 12 月 Tomonao Okuyama Kenji Saijo
文章/书籍信息 - T2R2
人们已经尝试过多次语音脑机接口 (BCI)，在听觉语音感知、显性语音或想象（隐性）语音期间使用侵入性测量（例如皮层电图 (ECoG)）来解码音素、子词、单词或句子。从隐性语音中解码句子是一项具有挑战性的任务。这项研究招募了 16 名颅内植入电极的癫痫患者，在 8 个日语句子的显性语音和隐性语音期间记录了 ECoG，每句句子由 3 个标记组成。具体来说，我们应用 Transformer 神经网络模型来从隐性语音中解码文本句子，该模型使用在显性语音期间获得的 ECoG 进行训练。我们首先使用相同的任务进行训练和测试来检查所提出的 Transformer 模型，然后评估该模型在使用显性任务训练以解码隐性语音时的性能。在隐性语音上训练的 Transformer 模型在解码隐性语音时实现了 46.6% 的平均标记错误率 (TER)，而在显性语音上训练的模型实现了 46.3% 的 TER (p > 0.05 ; d = 0.07)。因此，收集隐性语音训练数据的挑战可以通过使用显性语音来解决。通过使用几种显性语音可以提高隐性语音的性能。