XiaoMi-AI文件搜索系统
World File Search System盒盒
每个人都是玩家 一切都是目标冲突沙盒
在过去十年中，SpaceX等公司通过快速增加太空发射次数，彻底改变了太空可达性。这导致向太空发射有效载荷的成本降低，商业卫星发射次数激增，增加了平民获取卫星图像的权限和对卫星进行任务的能力，使任何人都拥有了前所未有的影响冲突的能力。在通信方面，人们可以轻松地检测、定位、干扰和拦截军用无线电传输。乌克兰人采用数字伪装来应对这种情况，将他们的传输与民用通信融合在一起。他们利用敏捷的软件定义无线电系统利用俄罗斯的漏洞进行电子战。海军陆战队正在测试一种方法，该方法涉及将传输从易于检测到的无线电频率转移到几乎无法检测到的激光束，从而增加数字带宽以进一步实现技术进步。
布鲁塞尔首都地区移动数据和人工智能监管沙盒
CitCom.ai 为智能可持续城市和社区 (SSCC) 提供欧洲人工智能测试和实验设施 (AI TEF)。CitCom.ai 联盟围绕 POWER、MOVE 和 CONNECT 三个主题汇集了世界领先的 TEF 能力，作为北欧、中部和南部的三个“超级节点”，卫星和子节点位于欧盟 11 个国家。在 Living-in.EU 努力和最低互操作性机制等既定举措以及 OrganiCity（智能城市和社区测试和实验设施）和 SynchroniCity（智能城市和社区 AI 和 IoT 大规模试点）等项目的基础上，CitCom.ai 利用欧洲和世界范围内最好的经验和专业知识。该项目获得了来自公共和私人来源的广泛而稳定的共同资助，并与欧盟和成员国的举措紧密联系。项目五年期结束后，将从战略和技术角度制定明确的商业计划，以满足欧洲城市和社区的需求。
一种基于瞬态建模的灰色盒方法用于在线...
摘要 - 本文提出了一种用于在线监视直流链接电容器的合适的灰色盒方法。发现AC/DC和DC/DC转换器中DC-Link电压的瞬时行为类似于并行RLC电路的零状态响应。此外，可以选择转换器的大信号瞬态轨迹的阻尼因子α（与电容有关）可以选择作为电容器的新健康指标。基于此，提出了一个非感官的瞬态等效电路模型（TECM）的灰色盒方法，该方法可以实现对DC-Link电容器的条件监视（CM），并且对详细拓扑和控制信息的依赖性最小。此外，它具有相对较高的适用性和极低的采样频率要求。采用AC/DC系统和DC/DC系统作为案例研究，模拟结果表明该建议的方法适用于具有不同负载类型的转换器。此外，选择商业电源作为实验案例。实验结果表明，阻尼因子α和DC-Link电容的估计误差小于1％。此外，给出了两个典型的白盒系统应用程序案例和一个灰色盒系统，以进一步说明该方法的实现。
人类ATP结合盒转运蛋白的作用P ...
摘要ATP结合盒（ABC）转运蛋白P-糖蛋白（P-GP）和ABCG2是多药转运蛋白，可在细胞培养中赋予对众多抗癌疗法的耐药性。这些发现最初在医学肿瘤学界引起了极大的兴奋，因为这些转运蛋白的抑制剂有望克服癌症患者的临床多药耐药性。然而，与癌症化学治疗剂结合使用的P-gp和ABCG2抑制剂的临床试验并未成功，部分原因是由于对癌症检查的多剂量耐药性（MDR）的多因素基础的分子理解而导致的临床试验有缺陷。在基于理性结构的抑制剂药物设计中缺乏高分辨率的结构信息，因此该领域也受到了阻碍。结构生物学的最新进展导致了ABCG2和P-gp的多种结构，这些结构更清楚地阐明了运输机理以及其底物和抑制剂结合位点的多性性特异性。这些数据应该证明对开发两个转运蛋白的更有效和特定的抑制剂有用。因此，尽管需要评估可能的药代动力学相互作用，但是这些抑制剂可能会在克服癌症群体中的化学疗法中克服ABC依赖性多药耐药性方面具有更大的有效性。可能对这些抑制剂的另一种更具说服力的使用可能是可逆地抑制
使用 DART 引导定向灰盒模糊测试器
软件开发是一个持续、渐进的过程。开发人员不断以小批量而非一次性大批量的方式改进软件。小批量的高频率使得使用有效的测试方法在有限的测试时间内检测出错误变得至关重要。为此，研究人员提出了定向灰盒模糊测试 (DGF)，旨在生成针对某些目标站点进行压力测试的测试用例。与旨在最大化整个程序的代码覆盖率的基于覆盖范围的灰盒模糊测试 (CGF) 不同，DGF 的目标是覆盖潜在的错误代码区域（例如，最近修改的程序区域）。虽然先前的研究改进了 DGF 的几个方面（例如电源调度、输入优先级和目标选择），但很少有人关注改进种子选择过程。现有的 DGF 工具使用主要为 CGF 定制的种子语料库（即一组覆盖程序不同区域的种子）。我们观察到，使用基于 CGF 的语料库限制了定向灰盒模糊测试器的错误查找能力。为了弥补这一缺陷，我们提出了 TargetFuzz，这是一种为 DGF 工具提供面向目标的种子语料库的机制。我们将此语料库称为 DART 语料库，它仅包含与目标“接近”的种子。这样，DART 语料库就可以引导 DGF 找到目标，从而即使在有限的模糊测试时间内也能暴露漏洞。对 34 个真实漏洞的评估表明，与基于 CGF 的通用语料库相比，配备 DART 语料库的 AFLGo（一种最先进的定向灰盒模糊测试器）可以发现 10 个额外的漏洞，并且平均在暴露时间上实现了 4.03 倍的加速。
使用 DART 引导定向灰盒模糊测试器
软件开发是一个持续、渐进的过程。开发人员会以小批量而非一次性大批量的方式不断改进软件。小批量的高频率使得使用有效的测试方法在有限的测试时间内检测出错误变得至关重要。为此，研究人员提出了定向灰盒模糊测试 (DGF)，旨在生成针对特定目标位置进行压力测试的测试用例。与旨在最大化整个程序的代码覆盖率的基于覆盖范围的灰盒模糊测试 (CGF) 不同，DGF 的目标是覆盖潜在的错误代码区域（例如，最近修改的程序区域）。虽然先前的研究改进了 DGF 的几个方面（例如电源调度、输入优先级和目标选择），但很少有人关注改进种子选择过程。现有的 DGF 工具使用主要针对 CGF 定制的种子语料库（即一组覆盖程序不同区域的种子）。我们观察到，使用基于 CGF 的语料库会限制定向灰盒模糊测试器的发现错误的能力。为了弥补这一缺陷，我们提出了 TargetFuzz，这是一种为 DGF 工具提供面向目标的种子语料库的机制。我们将此语料库称为 DART 语料库，它仅包含与目标“接近”的种子。这样，DART 语料库就可以引导 DGF 找到目标，从而即使在有限的模糊测试时间内也能暴露漏洞。对 34 个真实漏洞的评估表明，与基于 CGF 的通用语料库相比，配备 DART 语料库的 AFLGo（一种最先进的定向灰盒模糊测试器）可以发现 10 个额外的漏洞，并且平均暴露时间加快了 4.03 倍。
越冬的东部盒海龟（Terrapene carolina carolina）的热环境
摘要：在美国马里兰州的三个冬季，使用21个东部盒海龟（Terrapene carolina carolina（L.，1758））的混合效应模型，我们证明了越冬的温度主要与空气温度有关。在控制空气温度后，年之间的变化占7％，折段之间的变化占3％，并且由于年龄级别的变化占越冬地点温度总变化的1％。海龟表现出越冬的忠诚度，越冬地点的位置不取决于性别或年龄。根据开发功能，假设其他环境因素没有变化，则必须在越冬期间提高空气温度3 8 C，以将越冬地点的温度提高约1 8 C。根据一般气候循环模型，直到2070 - 2090年才能阐明这种变暖水平。
C-V测量和双盒陷阱富含SOI底物的建模
高抗性（HR）硅在胰上石（SOI）底物，具有富含陷阱的（TR）层（图。1（a））广泛用于RF芯片。富含陷阱的层是一种捕获自由载体并因此消除盒子基底界面处的寄生通道的多层膜，使底物能够保留其高标称电阻率，从而导致较低的损失并改善线性性[1，2]。然而，捕集层中的部分结晶和杂质污染会影响局部电阻率，因此，RF性能[3]。为了解决这些问题，Uclouvain和Soitec提出了一种名为Double-Buried-Oxide（D-Box）TR底物的新结构，如图1（b）[4]。该结构在TR层下方结合了第二个薄氧化物（Box2），以防止TR层和硅基板之间的直接接触。在本文中，我们通过电容 - 电压（C-V）测量来表征D框结构。Box2的存在消除了整体耗竭层对C-V性能的影响，从而简化了分析。D-box结构还可以在晶圆级别表征TR层。
通过统计模型检查和过程挖掘对定量产品线的白盒验证
我们提出了一种新的方法，通过将统计模型检查（SMC）与过程挖掘（PM）集成，以验证软件产品线（PL）模型。我们考虑了来自工程领域的面向功能的语言QFLAN。QFLAN允许对配备丰富的跨树和定量约束以及动态PL（例如分阶段配置）的方面进行建模。这种丰富性使我们能够轻松获得具有无限状态空间的模型，呼吁基于仿真的分析技术，例如SMC。例如，我们使用一个带有无限状态空间的运行示例。SMC是基于系统动力学样本的产生的分析技术家族。SMC的目的是估算一个系统的属性（例如，安装功能）或其中数量的期望值（例如，研究家族的产品的平均价格）。相反，PM是一个数据驱动的技术家族，它使用在执行信息系统执行中收集的日志来识别和推理其基础执行过程。这通常涉及识别和推理过程模式，瓶颈和改进的可能性。在本文中，据我们所知，我们首次提出了在副产品
欧盟人工智能法案草案下的监管沙盒：中小企业的机遇？*
欧盟委员会提交《人工智能法案》（AI Act）提案一年多后，欧盟机构仍在努力通过这项开创性的法规。《人工智能法案草案》包含一套统一的横向规则，用于开发、营销和使用符合欧盟价值观的人工智能系统，采用基于风险的比例方法。其目的是避免监管摩擦和碎片化，并为人工智能系统和技术创造一个运作良好的内部市场。然而，政策和监管选择不应阻碍人工智能系统和技术对社会和经济的创新潜力和变革性影响。因此，《人工智能法案草案》引入了人工智能监管沙盒，作为决定监管什么和如何监管的试验场。这是一种新颖的监管方法，在将人工智能系统投放市场之前，在严格的监管监督下促进人工智能系统的创新、开发和测试。《人工智能法案草案》提出的解决方案在法律理论和行业中引起了兴奋和批评。本文将探讨人工智能监管沙盒的好处和挑战。草案将根据金融科技行业的经验进行严格评估，尤其是考虑对中小企业的影响。欧盟的目标是为人工智能建立一个强大、抗干扰、灵活、创新友好且面向未来的监管框架，而人工智能监管沙盒对监管者和创新者的直观吸引力值得深入研究。