XiaoMi-AI文件搜索系统
World File Search System瓶颈
用于吞吐量瓶颈分析的人工智能
识别并最终消除吞吐量瓶颈是提高生产系统吞吐量和生产率的关键手段。然而，在现实世界中，消除吞吐量瓶颈是一项挑战。这是由于工厂动态环境复杂，数百台机器同时运行。学术研究人员试图开发工具来帮助识别和消除吞吐量瓶颈。从历史上看，研究工作一直集中在开发分析和离散事件模拟建模方法来识别生产系统中的吞吐量瓶颈。然而，随着工业数字化和人工智能 (AI) 的兴起，学术研究人员基于大量数字车间数据，探索了使用 AI 消除吞吐量瓶颈的不同方法。通过进行系统的文献综述，本文旨在介绍使用 AI 进行吞吐量瓶颈分析的最新研究成果。为了让学术界的 AI 解决方案更容易为实践者所接受，研究工作分为四类：（1）识别、（2）诊断、（3）预测和（4）开处方。这是受到现实世界吞吐量瓶颈管理实践的启发。识别和诊断类别侧重于分析历史吞吐量瓶颈，而预测和开处方侧重于分析未来的吞吐量瓶颈。本文还提供了未来的研究主题和实用建议，可能有助于进一步突破 AI 在吞吐量瓶颈分析中的理论和实际应用的界限。
自动化深瓶颈残留82层建筑...
尽管在过去的二十年中，全世界的孕产妇死亡率下降，但低收入国家和高收入国家之间存在很大的差距，其中94％的孕产妇死亡率集中在低收入和中等收入国家。超声是一种普遍的诊断工具，用于监测胎儿的生长和发育。尽管如此，即使对于熟练的超声师来说，以准确的解剖结构获得标准的胎儿超声平面也被证明具有挑战性和时间密集型。因此，为了确定超声图像的常见母胎胎儿，需要自动化的计算机辅助诊断（CAD）系统。已经提出了一种新的基于剩余的瓶颈机制的深度学习体系结构，其中包括82层深度。所提出的体系结构添加了三个残差块，每个块包括两个高速公路路径和一个跳过连接。此外，在每个残留块之前，已经添加了一个尺寸为3×3的卷积层。在训练过程中，使用贝叶斯优化（BO）而不是手动初始化初始化了几个超级参数。深度特征是从平均合并层中提取的，并执行了分类。在分类过程中，计算时间发生了增加；因此，我们提出了一种改进的基于搜索的飞蛾火焰优化算法，以进行最佳特征选择。然后根据所选功能使用神经网络分类器对数据进行分类。实验阶段涉及对超声图像的分析，专门针对胎儿脑和常见的母亲胎儿图像。所提出的方法可实现78.5％和79.4％的脑胎儿平面和常见母体胎儿平面的精度。与几个预训练的神经网和最先进的（SOTA）优化算法的比较显示出提高的精度。
新型基因操纵方法可以解锁Car-NK细胞疗法现有的瓶颈
当前，CAR-T细胞疗法被称为复发/难治性血液学恶性肿瘤患者的有效治疗。尽管如此，这种方法仍面临多个瓶颈，包括实体瘤的低效率，致命的不良反应，自体产物的高成本以及同种异体环境中GVHD的风险。作为潜在的替代方法，CAR-NK细胞疗法可以克服CAR-T细胞疗法的大部分局限性，并提供现成的，更安全，更负担得起的产品。尽管有希望通过CAR-NK细胞的临床前和临床研究发表的结果是有希望的，但必须解锁几个瓶颈，以最大程度地提高CAR-NK细胞疗法的有效性。这些瓶颈包括较低的体内持久性，较低的肿瘤部位的流动性，实体瘤中适度的效率以及对免疫抑制性肿瘤微环境的敏感性。近年来，基因操纵工具和策略的进步为克服了Car-NK细胞疗法的当前瓶颈奠定了基础。本评论将介绍现有的基因操纵工具，并讨论其优势和缺点。我们还将探讨这些工具如何增强CAR-NK Cell Therapy的安全性和效率。
电力系统中边际瓶颈识别...
为了量化对应于给定调度策略 p * 的电力系统能力，[2] 提出了可调度区域 (DPR) 的概念，该概念似乎既有效又鼓舞人心。另一方面，一个有趣的问题是哪个约束最有可能被违反。这个主题还没有得到广泛的研究，[3] 报告了开创性的工作，其提出通过将 p * 投影到 DPR 的每个边界来确定这个约束。到 p * 距离最近的边界将是最危险的瓶颈。然而，WPPE 的相关性是预测 WPG 的固有性质，却被忽略了。为了弥补这一空白，本文提出了一种在考虑 WPPE 相关性的情况下识别电力系统边际瓶颈的方法，从而对本研究课题进行有益的补充，并为电力系统运营商提供有用的信息。该方法基于用椭圆凸集表示风力发电区域 (WGR) 的公式化，该区域描述了实现的风力发电区域可能落入的空间。然后将识别过程公式化为三级最大-最大-最小问题。利用所提出的方法生成适当的初始点，可以通过基于迭代线性规划 (ITLP) 的算法来解决该问题。在两个测试系统上的仿真表明
打破Metabarcoding中的生物信息学瓶颈
fi g u r e 2多价协议的品种。仅通过组合在此处可视化的双向品种来可视化仅可视化双向算法协议，三向和四向算法协议测试也可以进行。（a）分配和聚类算法之间的协议。显示了三个群集，其中每个等级的组件ASV的比例分配给每个分类单元，而大型蓝色圆圈中的分类学分配代表了所有组件ASV收到的分类。例如，cluster1包含三个ASV，均分配给了节肢动物和玛拉科斯特拉卡类，但它们被分配给不同的顺序（decapoda和euphausiaceae）。因此，一种保守的方法是将群集分配给Malacostraca级，但在较低的排名中将其分配得不明。（b）聚类算法之间的一致性。显示了两个替代聚类输出（红色和蓝色椭圆形，包含由黑条表示的ASV）。例如，蓝色cluster1包含两个红色簇，每个簇包含三个和四个ASV。在这种情况下，聚类算法之间的一致性和分歧提供了其他信息，以询问特定感兴趣的特定簇之间的内部结构或潜在关系。（c）分配方法之间的协议。显示了两个ASV，每个ASV都从IDTAXA和BLAST接收分配。ASV1在较低的等级（家庭和属）中获得不同的作业，而ASV2在所有等级中都从两种算法中接收相同的作业。因此，一种保守的方法将把ASV1分配给Charchariniformes的订单，但在较低的等级中将其分配给了。
b'靶标发现对于药物开发至关重要，尤其是对于复杂的慢性疾病。高通量技术的最新进展和生物医学数据的爆炸式增长凸显了计算药物可药性预测方法的潜力。然而，大多数当前方法依赖于基于序列的特征和机器学习，这通常面临与手工制作的特征、可重复性和可访问性相关的挑战。此外，原始序列和蛋白质结构的潜力尚未得到充分研究。在这里，我们使用深度学习技术利用蛋白质序列和结构，揭示蛋白质序列，特别是预训练的嵌入，比蛋白质结构更具信息量。接下来，我们开发了 DrugTar，这是一种高性能深度学习算法，将来自 ESM-2 预训练蛋白质语言模型的序列嵌入与蛋白质本体相结合以预测药物可药性。DrugTar 实现了曲线下面积和精确召回曲线值高于 0.90，优于最先进的方法。总之，DrugTar 简化了靶标发现，这是开发新型疗法的瓶颈。'
b'靶标发现对于药物开发至关重要，尤其是对于复杂的慢性疾病。高通量技术的最新进展和生物医学数据的爆炸式增长凸显了计算药物可药性预测方法的潜力。然而，大多数当前方法依赖于基于序列的特征和机器学习，这通常面临与手工制作的特征、可重复性和可访问性相关的挑战。此外，原始序列和蛋白质结构的潜力尚未得到充分研究。在这里，我们使用深度学习技术利用蛋白质序列和结构，揭示蛋白质序列，特别是预训练的嵌入，比蛋白质结构更具信息量。接下来，我们开发了 DrugTar，这是一种高性能深度学习算法，将来自 ESM-2 预训练蛋白质语言模型的序列嵌入与蛋白质本体相结合以预测药物可药性。DrugTar 实现了曲线下面积和精确召回曲线值高于 0.90，优于最先进的方法。总之，DrugTar 简化了靶标发现，这是开发新型疗法的瓶颈。'
胎儿大脑中的白质束交叉和瓶颈区域
人们越来越有兴趣使用扩散 MRI 研究胎儿大脑的白质束和结构连接。数据采集和处理方面的最新进展表明，这种成像方式在阐明子宫内神经发育的正常和异常模式方面具有独特的作用。然而，还没有努力量化交叉束和瓶颈区域的普遍性，这是成人大脑中已广泛研究的重要问题。在这项工作中，我们确定了妊娠 23 至 36 周之间具有交叉束和瓶颈的大脑区域。我们对 59 个胎儿脑部扫描进行了概率纤维束成像，并提取了一组 51 个不同的白质束，我们将其分为 10 个主要的束束组。我们分析了结果以确定束交叉和瓶颈的模式。我们的结果表明，20-25% 的白质体素包含两个或三个交叉束。瓶颈现象更为普遍。75-80% 的体素被描述为瓶颈现象，超过 40% 的体素涉及四个或更多束。这项研究的结果强调了胎儿脑纤维束成像和结构连通性评估的挑战，并呼吁创新的图像采集和分析方法来缓解这些问题。
价值学习真的是离线RL中的主要瓶颈吗？
摘要虽然模仿学习需要访问高质量的数据，但原则上应以类似或更好的方式在数据质量下进行类似或更好的表现。但是，当前的结果表明，离线RL的性能通常比模仿学习差，而且通常不清楚是什么避免了离线RL的表现。在这项工作中，我们旨在了解当前离线RL算法中的瓶颈。虽然离线RL的表现较差通常是在不完美的价值函数上表现出来，但我们还是问：在学习价值函数，策略或其他内容时，离线RL的主要瓶颈确实是真正的瓶颈吗？为了回答这个问题，我们对（1）价值学习，（2）策略提取和（3）脱机RL问题的策略概括从每个组件的“数据尺度”属性中分析，分析了这些组件如何影响性能。我们进行了两个令人惊讶的观察。首先，选择性提取算法的选择会影响离线rl Sigig的性能和可伸缩性，通常比其基本价值学习目标更重要。例如，广泛使用的价值加权回归目标（例如AWR）无法完全利用学习的价值函数，并且切换到行为调节的策略梯度目标（例如DDPG+BC）通常会导致性能和缩放行为的实质性改善。其次，离线RL的次优性能通常是由于对培训数据的支持，而不是分布状态的策略准确性。虽然大多数当前的离线RL算法并未明确解决此问题，但我们表明，使用次优的但高覆盖范围的数据或即时的策略提取技术可以有效解决实践中的策略概括问题。