摘要 机器学习越来越被认为是生物、生物医学和行为科学领域一项很有前途的技术。毫无疑问,这项技术在图像识别方面取得了巨大的成功,并可直接应用于电生理学、放射学或病理学等诊断领域,在这些领域我们可以获得大量带注释的数据。然而,机器学习在预后方面往往表现不佳,尤其是在处理稀疏数据时。在这个领域,基于经典物理的模拟似乎仍然无法替代。在这篇综述中,我们确定了机器学习和多尺度建模在生物医学科学中可以相互受益的领域:机器学习可以以控制方程、边界条件或约束的形式整合基于物理的知识,以管理不准确问题并稳健地处理稀疏和噪声数据;多尺度建模可以整合机器学习来创建代理模型,识别系统动态和参数,分析敏感性,并量化不确定性以弥合尺度并理解功能的出现。着眼于生命科学领域的应用,我们讨论了机器学习与多尺度建模相结合的最新技术,确定了应用和机会,提出了未解决的问题,并解决了潜在的挑战和局限性。我们预计它将激发计算力学界的讨论,并触及数学、统计学、计算机科学、人工智能、生物医学、系统生物学和精准医学等其他学科,共同努力为生物系统创建强大而高效的模型。
简介 采用可再生能源并将其与楼宇管理系统 (BMS) 相结合是解决与建筑环境中的能源使用相关的日益增长的问题的关键策略。随着城市化进程加快和能源需求增加,建筑物已成为关键的消耗节点,约占全球能源使用量的 40%。可持续发展的当务之急是从传统的能源实践转向优先考虑可再生能源(如太阳能、风能和地热能)的系统。这些技术与 BMS 协同作用时,有可能彻底改变建筑物,从被动的能源消费者转变为主动、高效的能源管理者。从可持续发展的角度来看,这种整合不仅是环境当务之急,也是社会经济机遇,有望降低运营成本,提高能源弹性并与全球碳减排目标保持一致 [1-3]。
版权所有 © 2022 Palantir Technologies Inc. 和/或其附属公司(“Palantir”)。保留所有权利。本文件中的信息是专有的,仅供参考,不构成任何形式的保证。本文包含的任何数据均为名义数据。10
摘要 — 通过神经网络实现的深度学习通过提供用于复杂任务(例如对象检测/分类和预测)的方法,彻底改变了机器学习。然而,基于深度神经网络的架构已经开始产生收益递减,这主要是由于它们的统计性质以及无法捕捉训练数据中的因果结构。深度学习的另一个问题是其高能耗,从可持续性的角度来看,这并不是那么理想。因此,人们正在考虑采用替代方法来解决这些问题,这两种方法都受到人脑功能的启发。一种方法是因果学习,它考虑到神经网络训练数据集中项目之间的因果关系。预计这将有助于最大限度地减少深度神经网络学习表示中普遍存在的虚假相关性。另一种方法是神经混沌学习,这是一项最新发展,其灵感来自生物神经网络(大脑/中枢神经系统)中神经元固有的非线性混沌放电。这两种方法都显示出比单纯使用深度学习更好的效果。为此,在本文中,我们研究了如何将因果学习方法和神经混沌学习方法整合在一起以产生更好的结果,尤其是在包含链接数据的领域。我们提出了一种这种整合的方法来增强分类、预测和强化学习。我们还提出了一组需要研究的研究问题,以使这种整合成为现实。索引术语——深度学习、因果学习、神经混沌学习、图神经网络、随机共振
热能储存 (TES) 与核能相结合可以成为解决随着太阳能和风能使用范围扩大而出现的能源生产和需求不匹配问题的变革性贡献。TES 可以为核电站创造新的收入,并有助于降低电网的碳排放。作者之前的工作确定了两种将 TES 与核能接口的技术方法。第一种方法称为主循环 TES,在主朗肯动力循环内对 TES 充电和放电。第二种方法称为次级循环 TES 或 SCTES,将 TES 放电至次级动力循环。本研究分析了 TES 在 1050 MW 核电站套利市场中的潜在经济效益。该研究首次对由于使用 TES 而导致的容量系数变化对收入和内部收益率 (IRR) 的影响进行了现实的量化。该分析针对德克萨斯州电力可靠性委员会 (ERCOT) 代表的一家示范性非管制公用事业公司,针对其三年的峰值功率从传统核电站的 120% 到 150% 进行分析。SCTES 始终提供最高的收入和 IRR。随着 TES 的使用增加和电价的变化,收益也会增加。结果提供了对 TES 与核电整合对经济的影响的技术合理理解,并为追求 SCTES 的设计和实施提供了强有力的经济支持。[DOI:10.1115/1.4053419]
利用免疫系统治疗癌症一直是肿瘤学研究的目标,现在癌症免疫疗法已在临床实践中得以实现 [1]。最近的临床成功已经改变了恶性和难治性癌症(如黑色素瘤和淋巴瘤)的治疗方法 [2]。最值得注意的是,检查点抑制剂能够显著提高转移性癌症患者的生存率,而常规疗法无法治愈此类患者 [3]。随着人们对耐受性、免疫力和免疫抑制如何调节抗肿瘤免疫反应的理解不断深入,以及靶向疗法的出现,这些成功表明,主动免疫疗法是癌症患者获得强大而持久免疫反应的一条途径 [4]。
《自然灾害地球系统科学》讨论,https://doi.org/10.5194/nhess-2017-198 稿件正在接受《自然灾害地球系统科学》期刊的审查。讨论开始日期:2017 年 6 月 6 日 c ⃝ 作者 2017。CC BY 3.0 许可。
摘要 — 想象语音是一种心理任务,个人在内部模拟提示的发音而无需实际发声。最近,由于其作为脑机接口 (BCI) 范例的简单性和直观性,它引起了广泛关注。因此,从脑信号中解码想象语音成为一项关键挑战,需要使用文献中记录的各种信号处理和机器学习技术来解决。最常用的神经成像方法是脑电图 (EEG),因为它具有非侵入性、低成本和高时间分辨率。最近从 EEG 信号中解读想象语音的尝试部署了卷积神经网络 (CNN) 架构,例如浅层卷积网络、深度卷积网络和 EEGNet,而其他尝试使用交叉协方差 (CCV) 矩阵作为信号表示的替代形式。我们的新架构将 EEGNet 与 CCV 矩阵相结合,使用 SPDNet 架构中提出的双线性变换从后者中提取判别特征。我们的方法在两个公开可用的数据集上得到了验证,并且表现出与最先进的性能相当的性能,同时大大超越了两个数据集上的 EEGNet 性能。
《自然灾害地球系统科学》讨论,https://doi.org/10.5194/nhess-2017-198 稿件正在接受《自然灾害地球系统科学》期刊的审查。讨论开始日期:2017 年 6 月 6 日 c ⃝ 作者 2017。CC BY 3.0 许可。