XiaoMi-AI文件搜索系统
World File Search System用于训练
胎儿心率信号数据集用于训练形态分析方法并根据专家共识进行评估
摘要 - 胎儿心率（FHR）是预防分娩过程中胎儿缺氧的筛查信号。专家分析此信号时，他们必须定位基线并确定减速和加速度。这些步骤可能是自动化的，并通过数据处理分析更加客观，但是需要培训和评估数据集。在这里，我们描述了155个FHR记录的数据集，其中参考基线，加速度和减速已由专家共识注释。66 FHR记录和共享的专家分析已包含在培训数据集中，并且评估数据集中还包括了90个其他具有非共享专家分析的FHR记录。希望评估其自动分析方法的研究人员应提交其结果，以与专家共识进行比较。数据集还包含文献中11种重新编码的自动分析方法产生的结果。所有数据均可在http：//utsb.univ-catholille.fr/fhr-review中获得。
大象诱导多能干细胞的推导 大象诱导多能干细胞的推导 与深色小胶质细胞相关的综合应力反应促进了小胶质细胞脂肪形成，并有助于神经变性 RNA3DB：用于训练和基准的RNA结构预测的深度学习模型 sparta：... 的可解释功能分类
人为时代的生物多样性损失危机需要研究非模型生物的新工具。大象既是一种濒危物种，又是研究复杂表型（例如大小，社会行为和寿命）等复杂表型的出色模型，但它们仍然严重研究。在这里，我们报告了通过化学媒体诱导和菌落选择的两个步骤，然后对大象转录因子Oct4，Sox2，Sox2，sox2，klf4，myc±nanog and Lin28a和MADENATION进行过度表达，然后通过化学媒体诱导和菌落选择过度表达了大象诱导的多能干细胞（EMIPSC）的第一个推导。自Shinya Yamanaka进行重新编程以来，已经报道了来自许多物种在内的许多物种的IPSC，包括功能灭绝的北部白鼻菌，但EMIPSC仍然难以捉摸。对于多种物种，与小鼠和人类（如小鼠和人类）相比，采用了重编程方案，但我们的EMIPSC方案几乎没有变化，但我们的EMIPSC方案需要更长的时间表和抑制TP53扩张基因，这些基因被认为可以在大象中赋予独特的癌症。IPSC解锁了探索细胞命运，细胞和组织发育，细胞疗法，药物筛查，疾病建模，癌症发展，配子发生及其他方面的巨大潜力，以进一步了解我们对这一标志性的巨型巨型。这项研究为遗传拯救和保护的晚期非模型生物细胞模型打开了新的边界。
与深色小胶质细胞相关的综合应力反应促进了小胶质细胞脂肪形成，并有助于神经变性RNA3DB：用于训练和基准的RNA结构预测的深度学习模型sparta：...
肠道微生物群的组成是各种疾病中的已知因素，事实证明是疾病状态自动分类的强大基础。需要在功能规模上更好地理解这个社区，因为这将增强这些APARACHES的生物解释性。在本文中，我们开发了一种计算管道，用于将肠道菌群的功能注释与自动分类过程相结合，并促进对其结果的下流解释。该过程作为输入分类组成数据（例如操作分类单元表（OTU）或Amplicon序列变体（ASV）丰度），并通过询问Uniprot数据库来将每个组合链接到其功能注释。肠道微生物群的功能性是由此基础构建的。二个pro纤维，微生物和功能性，用于训练随机的森林分类器，以辨别不健康的控制样品。然后根据可变的重要性进行自动选择，并且可以迭代该方法，直到分类性能降低为止。此过程表明，与微生物pro纤维相比，微生物群体转化为功能性纤维可比性，尽管表现略有下相比。通过重复，它还输出了一个强大的判别变量子集。这些选择比通过最先进的方法获得的选择更可靠，并且通过手动书目研究验证了其内容。还分析了选定的OTU和功能注释之间的互连，并揭示了重要的注释来自非选择OTU的累积影响。
大象诱导多能干细胞的推导 与深色小胶质细胞相关的综合应力反应促进了小胶质细胞脂肪形成，并有助于神经变性 RNA3DB：用于训练和基准的RNA结构预测的深度学习模型 sparta：... 的可解释功能分类
1个神经科学计划，纽约市高级科学研究中心（CUNY）研究生中心，纽约，纽约，纽约，10031，美国。2生物学研究生课程，CUNY研究生中心，纽约，纽约，纽约10031，美国。 3，加拿大维多利亚州维多利亚大学医学科学系。 4约翰·霍普金斯大学医学院神经病学系，巴尔的摩，马里兰州21287，美国。 5眼科与视觉科学系，密歇根大学密歇根大学凯洛格眼中中心，密歇根州安阿伯，密歇根州安阿伯市，美国48105，美国。 6美国CUNY研究生中心生物化学研究生课程，美国纽约，纽约，10031年。 7哥伦比亚人类发展中心/哥伦比亚大学瓦格洛斯大学医学院医学系干细胞疗法中心，美国纽约州纽约州纽约市8约翰·霍普金斯大学医学院，巴尔的摩，马里兰州21287，约翰·霍普金斯大学医学院。 9密歇根大学密歇根大学，密歇根大学，密歇根州安阿伯市，48105，美国10分子医学系，加拿大魁北克魁北克省魁北克市分子医学系；加拿大魁北克蒙特利尔市麦吉尔大学神经学和神经外科系；不列颠哥伦比亚大学，加拿大不列颠哥伦比亚省的不列颠哥伦比亚大学生物化学与分子生物学系；加拿大不列颠哥伦比亚省维多利亚大学，维多利亚大学，高级材料与相关技术和衰老与终身健康研究所。 11 Fishberg神经科学系，弗里德曼脑研究所，罗纳德·M·勒布·勒布·阿尔茨海默氏病中心，美国纽约州西奈山的伊坎医学院，美国纽约州10029，美国。2生物学研究生课程，CUNY研究生中心，纽约，纽约，纽约10031，美国。3，加拿大维多利亚州维多利亚大学医学科学系。 4约翰·霍普金斯大学医学院神经病学系，巴尔的摩，马里兰州21287，美国。 5眼科与视觉科学系，密歇根大学密歇根大学凯洛格眼中中心，密歇根州安阿伯，密歇根州安阿伯市，美国48105，美国。 6美国CUNY研究生中心生物化学研究生课程，美国纽约，纽约，10031年。 7哥伦比亚人类发展中心/哥伦比亚大学瓦格洛斯大学医学院医学系干细胞疗法中心，美国纽约州纽约州纽约市8约翰·霍普金斯大学医学院，巴尔的摩，马里兰州21287，约翰·霍普金斯大学医学院。 9密歇根大学密歇根大学，密歇根大学，密歇根州安阿伯市，48105，美国10分子医学系，加拿大魁北克魁北克省魁北克市分子医学系；加拿大魁北克蒙特利尔市麦吉尔大学神经学和神经外科系；不列颠哥伦比亚大学，加拿大不列颠哥伦比亚省的不列颠哥伦比亚大学生物化学与分子生物学系；加拿大不列颠哥伦比亚省维多利亚大学，维多利亚大学，高级材料与相关技术和衰老与终身健康研究所。 11 Fishberg神经科学系，弗里德曼脑研究所，罗纳德·M·勒布·勒布·阿尔茨海默氏病中心，美国纽约州西奈山的伊坎医学院，美国纽约州10029，美国。3，加拿大维多利亚州维多利亚大学医学科学系。4约翰·霍普金斯大学医学院神经病学系，巴尔的摩，马里兰州21287，美国。5眼科与视觉科学系，密歇根大学密歇根大学凯洛格眼中中心，密歇根州安阿伯，密歇根州安阿伯市，美国48105，美国。6美国CUNY研究生中心生物化学研究生课程，美国纽约，纽约，10031年。 7哥伦比亚人类发展中心/哥伦比亚大学瓦格洛斯大学医学院医学系干细胞疗法中心，美国纽约州纽约州纽约市8约翰·霍普金斯大学医学院，巴尔的摩，马里兰州21287，约翰·霍普金斯大学医学院。 9密歇根大学密歇根大学，密歇根大学，密歇根州安阿伯市，48105，美国10分子医学系，加拿大魁北克魁北克省魁北克市分子医学系；加拿大魁北克蒙特利尔市麦吉尔大学神经学和神经外科系；不列颠哥伦比亚大学，加拿大不列颠哥伦比亚省的不列颠哥伦比亚大学生物化学与分子生物学系；加拿大不列颠哥伦比亚省维多利亚大学，维多利亚大学，高级材料与相关技术和衰老与终身健康研究所。 11 Fishberg神经科学系，弗里德曼脑研究所，罗纳德·M·勒布·勒布·阿尔茨海默氏病中心，美国纽约州西奈山的伊坎医学院，美国纽约州10029，美国。6美国CUNY研究生中心生物化学研究生课程，美国纽约，纽约，10031年。7哥伦比亚人类发展中心/哥伦比亚大学瓦格洛斯大学医学院医学系干细胞疗法中心，美国纽约州纽约州纽约市8约翰·霍普金斯大学医学院，巴尔的摩，马里兰州21287，约翰·霍普金斯大学医学院。9密歇根大学密歇根大学，密歇根大学，密歇根州安阿伯市，48105，美国10分子医学系，加拿大魁北克魁北克省魁北克市分子医学系；加拿大魁北克蒙特利尔市麦吉尔大学神经学和神经外科系；不列颠哥伦比亚大学，加拿大不列颠哥伦比亚省的不列颠哥伦比亚大学生物化学与分子生物学系；加拿大不列颠哥伦比亚省维多利亚大学，维多利亚大学，高级材料与相关技术和衰老与终身健康研究所。 11 Fishberg神经科学系，弗里德曼脑研究所，罗纳德·M·勒布·勒布·阿尔茨海默氏病中心，美国纽约州西奈山的伊坎医学院，美国纽约州10029，美国。9密歇根大学密歇根大学，密歇根大学，密歇根州安阿伯市，48105，美国10分子医学系，加拿大魁北克魁北克省魁北克市分子医学系；加拿大魁北克蒙特利尔市麦吉尔大学神经学和神经外科系；不列颠哥伦比亚大学，加拿大不列颠哥伦比亚省的不列颠哥伦比亚大学生物化学与分子生物学系；加拿大不列颠哥伦比亚省维多利亚大学，维多利亚大学，高级材料与相关技术和衰老与终身健康研究所。11 Fishberg神经科学系，弗里德曼脑研究所，罗纳德·M·勒布·勒布·阿尔茨海默氏病中心，美国纽约州西奈山的伊坎医学院，美国纽约州10029，美国。12这些作者同等贡献＃函数，向：
用于训练液体水的神经网络力场的量子机械数据集的大小和质量
摘要：分子动力学模拟已在不同的科学领域使用，以研究广泛的物理系统。但是，计算的准确性是基于描述原子相互作用的模型。特别是，从头算分子动力学（AIMD）具有密度功能理论（DFT）的准确性，因此仅限于小型系统和相对较短的模拟时间。在这种情况下，神经网络力场（NNFFS）具有重要作用，因为它们提供了一种规避这些警告的方法。在这项工作中，我们研究了在DFT级别设计的NNFFs，以描述液态水，重点介绍了所考虑的训练数据集的大小和质量。我们表明，与动态数据相比（例如扩散系数）相比，结构属性较少依赖于训练数据集的大小，并且良好的采样（选择训练过程的数据参考）可以以良好的精度导致一个小样本。■引言分子动力学模拟已在不同的科学领域中使用，以研究广泛的物理系统，例如液体的热力学特性以及接口和生物分子的物理化学方面。1-3它的成功依赖于许多因素，例如，分配的功能形式用于描述原子间相互作用和原子体内相互作用，参数化程序（获得潜在的参数）以及所采用的实验性或从头算的数据质量。11，因此，可转移性和准确性是这一研究领域的常见问题。5、7、124、5、7-10大多数经典电位都是物理和/或化学动机的，其中通常认为简单的分析功能形式，例如Lennard-Jones的电位。
Redalyc.用于训练的滑翔机飞行和操纵质量研究
本文的目的是研究用于训练目的的滑翔机的飞行和操纵质量。为了进行开发，提出了小扰动下的动态模型，以计算亚音速飞行条件下的纵向平衡状态。利用纵向平衡数据，显示线性化运动方程，以查找沿纵向和横向轴的稳定性和空气动力控制导数的有量纲和无量纲数值。接下来，找到最佳滑翔比速度下的扰动和加速度的特征传递函数，以计算飞机在气动控制中的响应。最后是es的回答-
用于训练贝叶斯网络进行制造系统故障诊断的数字孪生
摘要：人们提倡智能制造系统利用技术进步，通过快速诊断提高故障抵御能力，从而保证性能。在本文中，我们提出了一种用于设计数字孪生（DT）的协同仿真方法，该方法用于训练贝叶斯网络（BN），以便在设备和工厂层面进行故障诊断。具体而言，协同仿真模型是使用由联网传感器、每台设备的高保真仿真模型和工厂的详细离散事件仿真（DES）模型组成的信息物理系统（CPS）设计的。所提出的 DT 方法能够在虚拟系统中注入故障，从而减轻了昂贵的工厂车间实验的需要。应该强调的是，这种注入故障的方法消除了获取包括故障和正常工厂操作的平衡数据的需要。我们在本文中提出了一种结构干预算法 (SIA)，首先检测所有可能的有向边，然后区分 BN 的父节点和祖先节点。我们在实验室中设计了一个 DT 研究测试台，由配置成装配单元的四个工业机器人组成，每个机器人都有一个可以监测双轴振动的工业物联网传感器。这些机器人的详细设备级模拟器与机器人装配单元的详细 DES 模型集成在一起。生成的 DT 用于进行干预，以学习用于故障诊断的 BN 模型结构。实验室实验通过准确学习 BN 结构验证了所提方法的有效性，并且在实验中，发现所提方法获得的准确性（使用结构汉明距离测量）明显优于传统方法。此外，发现的BN结构对参数的变化是可靠的，例如平均失败时间（MTTF）
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。