XiaoMi-AI文件搜索系统
World File Search System物理科
物理科学中的交流，2024，12（1）：026-037
从甘蔗生物量中回收资源，用于合成硅纳米颗粒Irene Edem Johncross，Fanifosi Seyi Josiah和Abidemi obatoyinbo Ajayi收到的：2024年5月19日/接受：2024年11月9日/2024年11月9日/第一次出版：14年11月2024年：14 11月2024年，DOI：DOI：DOI：DOI：： https://dx.doi.org/10.4314/cps.v12i1.4摘要：他的研究提出了一种使用车前草皮的氧化氧化物纳米颗粒（SIONPS）的绿色合成方法，该方法使用车前草皮使用了其结构和表面特性，潜在的应用以及环境益处。紫外可见的吸收光谱显示在341 nm处具有峰吸收，对应于3.87 eV的带隙，证实了合成的sionps的半导体性质。X射线衍射（XRD）分析在69.24°时显示出明显的峰，表明高结晶度和最小无定形含量，根据Scherrer方程，计算出的结晶石大小为0.23 nm。Brunauer-Emmett-Teller（BET）表面积分析显示，表面积为198.98平方米/g，超过文献值，并提出增强的吸附性能。使用Barrett-Joyner-Halenda（BJH），Dubinin-Radushkevich（DR）和密度功能理论（DFT）模型的其他分析表明，平均孔直径为5.5545 nm，孔径为5.5545 nm，孔径为0.0371 cc/g，适用于申请区域，需要高表面积。与通过传统方法合成的sionps的报道值进行了比较，从车前草皮获得的sionps表现出有希望的结构完整性和中膜性。关键字：资源恢复，甘蔗废物，硅纳米颗粒，合成，表征。这项研究强调了将农业废物用于纳米颗粒合成的可行性，为环境修复和催化过程提供了可持续的替代方案。
物理科学在医学中的应用-Formosa Publisher
物理科学的文献综述在现代医学技术的发展中起着核心作用。在医学中，物理学的应用有助于了解生物学现象，开发诊断设备并提高治疗的有效性。物理学的基本原理，例如力学，光学，电磁和核物理学已成为我们今天使用的各种医疗技术的基础。作为时代，对更精确和最小侵入性的医疗技术的需求正在增加。物理学通过为X射线，超声检查和MRI等工具提供理论基础提供解决方案。此外，掌握物理学还可以深入了解与人体组织的能量相互作用，这对于诸如放射疗法等治疗技术的开发很重要。本研究旨在解释如何在医学的各个方面应用物理学，从诊断到治疗。本研究还将显示物理学在提高质量
工程与物理科学研究委员会博士景观奖
项目详情：帕金森病 (PD) 是第二大常见神经系统疾病，是一种异质性疾病，其临床表现和发展轨迹各不相同。平均而言，患有 PD 的家庭每年因与该疾病相关的额外费用而损失超过 20,123 英镑，给个人家庭和 NHS 带来沉重负担。目前，英国约有 145,000 名 PD 患者，其医疗费用每年超过 7.28 亿英镑，总经济影响达到 36 亿英镑。如果目前的预测正确，到 2040 年，患有 PD 的人数将翻一番，这一数字将上升到 72 亿英镑以上。诊断 PD 一直具有挑战性，因为临床医生传统上依靠临床观察症状和患者病史，这可能很困难，尤其是在疾病的早期阶段，症状可能较轻、不一致或类似于其他疾病，如特发性震颤。这导致许多患者患有所谓的临床不确定的帕金森综合征 (CUPS)。最近一项社区全科医学研究表明，只有 53% 服用抗帕金森病药物的患者可以确诊为 CUPS。此类诊断错误可能导致不适当的管理策略，包括不必要的检查和不正确的治疗，进一步加剧患者及其家属的经济和情感负担。为了在临床症状不明确时协助诊断，建议使用多巴胺转运体 (DaT) 单光子发射计算机断层扫描 (SPECT) 成像来精确诊断和临床管理 PD。作为 DaT SPECT 成像的先驱和领导者，GE Healthcare（作为我们该项目的行业合作伙伴）在其 DaTscan（Ioflupane I 123 注射液）产品方面拥有超过 11 年的经验，该产品是一种用于脑 SPECT 成像的放射性药物，用于可视化纹状体多巴胺转运体，并有助于评估患有 CUPS 的患者。它已获得美国 FDA 的批准，到目前为止，全球已使用了 140 多万剂 DaTscan，平均每 3.5 分钟扫描一名患者。然而，DaT-SPECT 的 PD 诊断通常基于视觉评估，这种评估具有主观性，并且可能受到读者内部和读者之间的差异的影响。人工智能 (AI) 最近显示出良好的前景，因为它有可能在自动 PD 诊断方面取得重大进展。尽管取得了这些进展，但开发用于 PD 诊断的 AI 模型通常很耗时，并且需要专门的 AI 专业知识。此外，当前的 AI 模型通常以“黑匣子”的形式运行，提供没有明确理由的预测，这使得临床医生难以理解和信任 AI 的决策。该项目旨在开发一个可解释的端到端自动机器学习 (AutoML) 框架，以协助解释和分类 CUPS。它有两个目标。O1：开发一个用于对多巴胺转运体 (DAT)-SPECT 图像进行分类的 AutoML 框架，该框架可自动搜索最佳模型架构和超参数。O2：开发可解释的 AI (XAI) 组件，用于解释 O1 (O2.1) 中的 AI 模型和对话系统 (O2.2)，
工程与物理科学研究委员会博士景观奖
项目详情：癫痫发作是指大脑有节奏、同步的异常活动，会对健康产生不利影响。多次无诱因癫痫发作是指癫痫，全球约有 5000 万人患有癫痫。癫痫发作是一种复杂的神经过程，需要具有完整中枢神经系统结构的体内模型来进一步了解其机制。我们开发了一种基于成像的方法，使用带有荧光报告基因 (GCaMP) 的转基因斑马鱼幼体，我们能够以无与伦比的时空分辨率可视化整个大脑对药物治疗的功能反应 (Winter, Goodfellow et al., (2021) Br J Pharmacol. 178, 2671-2689)。此外，我们的方法具有巨大的潜力，可以提供有关导致或抑制癫痫发作性大脑活动的分子机制的详细信息。尽管这种方法已经显示出广泛的实用性，但我们相信，通过应用基于人工智能/机器学习 (AI/ML) 的图像分析技术，这种方法的效果可以大大增强。我们相信，应用这些技术将使我们能够在使用促癫痫或抗癫痫药物后更好地识别致癫痫活动，更好地确定起作用的作用机制，并提供有关从神经元局部兴奋到全脑致癫痫网络发展之间的事件序列的全新基础数据。
物理科学学院
摘要：在演讲中，我将介绍近年来我们发表的三个不同的主题。首先，我将介绍有关栅极控制超导性的微观理论的工作[1]。最近，在许多实验中，已经报道了栅极介导的超导纳米旋转的超电流抑制。然而，到目前为止，对这些观察结果的微观理解仍在研究中。在我们的工作中，我们表明，桥表面的少量磁杂质可以显着有助于抑制超导性，因此在应用栅场时系统内部的超电流。这是因为栅场可以通过表面和超导体的磁杂质之间的交换相互作用来增强depairing。接下来，我将介绍基于基于超导体磁铁的杂种结构的Terahertz辐射检测的工作[2]：已知这些杂种结构在整个隧道交界处都表现出巨大的热电效应。基于这种巨大的热电效应，我们表明，对于在100至200 mk的温度下运行的现实检测器，能量分辨率可以低至1 MEV。这允许在1THz或以下的光子频率下进行宽带单光子分辨率。终于，我将介绍我们在带电子系统的浴室控制轨道磁性方面的工作[3]。系统浴缸的纠缠有望破坏相干的电子运动和淬火轨道磁性。物理。修订版b，108，184508/1-184508/8。[2] Subrata Chakraborty和Tero。J. Appl。在我们的工作中，我们表明，适当量身定制的浴室可以提高多播电子系统的轨道磁磁敏感性，甚至可以将轨道顺向磁反应转换为磁管磁性，因为系统浴耦合的增加。我们还展示了如何利用状态的van Hove奇异性来产生轨道磁化易感性的巨大增强。我们的工作为通过浴室工程参考控制带电子系统的轨道磁反应的可能性打开了大门：[1] Subrata Chakraborty，Danilo Nikoli´c，Juan Carlos Cuevas，Juan Carlos Cuevas，Francesco Giazotto，Angelo di Bernardo，Elio Mario Morsos cococo and Marios Cuoco）通过栅极控制的表面下降抑制超电流。T.Heikkilâa（2018）。 基于超导体 - 铁磁性连接的热电辐射检测器：量热度。 Phys。，124，123902/1–123902/7。 [3] Subrata Chakraborty和So Takei（2024）。 通过浴工程控制带电子系统的轨道磁性。 物理。 修订版 b，110，L140405/1 – L140405/5。 信，编辑的建议T.Heikkilâa（2018）。基于超导体 - 铁磁性连接的热电辐射检测器：量热度。Phys。，124，123902/1–123902/7。[3] Subrata Chakraborty和So Takei（2024）。通过浴工程控制带电子系统的轨道磁性。物理。修订版b，110，L140405/1 – L140405/5。信，编辑的建议
CAIRS：用于数字心理健康的因果人工智能推荐系统 Mathew Varidel，博士 a；Victor An a，Ian B. Hickie a，医学博士，Sally Cripps b，c，博士，Roman Marchant b，c，博士，Jan Scott d，博士，Jacob J. Crouse a，博士，Adam Poulsen a，博士，Bridianne O'Dea e，博士，Frank Iorfino a，博士 a 悉尼大学大脑与思维中心，澳大利亚新南威尔士州。 b 悉尼科技大学人类技术研究所，澳大利亚新南威尔士州。 c 悉尼科技大学数学与物理科学学院，澳大利亚新南威尔士州悉尼。 d 纽卡斯尔大学神经科学研究所学术精神病学，英国纽卡斯尔。 e 弗林德斯大学心理健康与福祉研究所，弗林德斯大学，南澳大利亚阿德莱德，澳大利亚。 * 通讯作者：Mathew Varidel，5 楼，1 King Street，Newtown，新南威尔士州 2042，mathew.varidel@sydney.edu.au 摘要 数字心理健康工具有望增强和扩大有需要的人获得医疗服务的机会。一些工具向个人提供干预建议，通常使用简单的静态规则系统（例如，if-else 语句）或结合预测性人工智能。然而，干预建议需要基于对不同干预措施下未来结果的比较来做出决定，这需要考虑因果关系。在这里，我们开发了 CAIRS，这是一个因果人工智能推荐系统，它使用个人的当前表现和领域之间学习到的动态来提供个性化的干预建议，以识别和排名对未来结果影响最大的干预目标。我们的方法应用于从数字心理健康工具收集的两个时间点（从基线开始 1 周 - 6 个月）的多个心理健康和相关领域的纵向数据。在我们的例子中，心理困扰被发现是影响多个领域（例如个人功能、社会联系）的关键影响领域，因此在多个领域不健康的复杂情况下，心理困扰通常是首选目标。我们的方法广泛适用于因果关系很重要的推荐环境，并且该框架可以纳入实时应用程序中以增强数字心理健康工具。关键词：因果关系；人工智能；决策理论；幸福感；心理困扰；功能；睡眠；社会支持
CAIRS：用于数字心理健康的因果人工智能推荐系统 Mathew Varidel，博士 a；Victor An a，Ian B. Hickie a，医学博士，Sally Cripps b，c，博士，Roman Marchant b，c，博士，Jan Scott d，博士，Jacob J. Crouse a，博士，Adam Poulsen a，博士，Bridianne O'Dea e，博士，Frank Iorfino a，博士 a 悉尼大学大脑与思维中心，澳大利亚新南威尔士州。 b 悉尼科技大学人类技术研究所，澳大利亚新南威尔士州。 c 悉尼科技大学数学与物理科学学院，澳大利亚新南威尔士州悉尼。 d 纽卡斯尔大学神经科学研究所学术精神病学，英国纽卡斯尔。 e 弗林德斯大学心理健康与福祉研究所，弗林德斯大学，南澳大利亚阿德莱德，澳大利亚。 * 通讯作者：Mathew Varidel，5 楼，1 King Street，Newtown，新南威尔士州 2042，mathew.varidel@sydney.edu.au 摘要 数字心理健康工具有望增强和扩大有需要的人获得医疗服务的机会。一些工具向个人提供干预建议，通常使用简单的静态规则系统（例如，if-else 语句）或结合预测性人工智能。然而，干预建议需要基于对不同干预措施下未来结果的比较来做出决定，这需要考虑因果关系。在这里，我们开发了 CAIRS，这是一个因果人工智能推荐系统，它使用个人的当前表现和领域之间学习到的动态来提供个性化的干预建议，以识别和排名对未来结果影响最大的干预目标。我们的方法应用于从数字心理健康工具收集的两个时间点（从基线开始 1 周 - 6 个月）的多个心理健康和相关领域的纵向数据。在我们的例子中，心理困扰被发现是影响多个领域（例如个人功能、社会联系）的关键影响领域，因此在多个领域不健康的复杂情况下，心理困扰通常是首选目标。我们的方法广泛适用于因果关系很重要的推荐环境，并且该框架可以纳入实时应用程序中以增强数字心理健康工具。关键词：因果关系；人工智能；决策理论；幸福感；心理困扰；功能；睡眠；社会支持
物理科学能量转换单元 06 ...
一年的能源供应需要多少（使用表 7.1 中的数据）？这并不像听起来那么牵强——有成千上万的核弹，它们的能量可以被困在地下爆炸中并转化为电能，就像天然地热能一样。（世界年能源使用量 = 4 × 10 20 J；大型聚变炸弹（9 兆吨）= 3.8 × 10 16 J）（OpenStax 7.28）𝟏× 𝟏𝟎 𝟒 炸弹 9. 利用氢聚变供应能源是一个可能在下个世纪实现的梦想。聚变将是一个相对
物理科学中符号机器学习的观点
过去十年见证了机器学习（ML）方法的越来越多，包括物理科学在内[1]。The rise of deep learning (DL) [ 2 ] in early 2010 and the remarkable potential of deep neural networks (DNNs) in learning highly predictive models, mainly powered by convolutional [ 3 ] and recurrent [ 4 ] neural networks, emphasized with the ImageNet challenge [ 5 ] and developments in areas such as reinforcement learning [ 6 ], have boosted the application of artificial intelligence (AI) in nearly all domains and thus reshaped the AI的未来。DL革命之后是成功的变压器体系结构[7]，其中“注意”的概念被添加到标准NN的体系结构中，以捕获数据特征之间的长期相关性。变形金刚是大语言模型（LLM）的基础，可以通过在大型数据集上预处理，从而在没有特定领域的知识的情况下学习上下文，从而解开了另一个AI的新时代。尽管AI的发展急剧发展，但大多数基于ML的物理科学应用程序[1]着重于学习非线性数值模型以完成特定任务（例如，数据分析，模拟等）实现新发现。这里出现了物理学家对应用ML的期望以及如何推进物理学的期望。只是一组革命性的数学工具，其性能克服了经典方法，从而取代了它们（例如，DL表现出色的促进决策树，用于针对事件选择任务，该任务针对粒子物理学的标准模型以外的理论[8]），或者是数据驱动的科学发现的能力[8]）？