XiaoMi-AI文件搜索系统
World File Search System研究现状
人工智能在药物化学领域的研究现状
与许多科学技术领域一样，人工智能 (AI) 目前在药物发现和药物化学领域备受期待。在这里，AI 主要指机器学习 (ML)，它只是方法论 AI 频谱的一部分。对 AI 的高度兴趣主要源于使用多层神经网络 (NN) 架构的深度学习。进入药物化学的其他 AI 方法包括专家系统和（实验室）机器人技术。然而，深度学习显然占主导地位。值得注意的是，ML 在化学信息学和药物化学领域已有悠久的历史。二十多年来，ML 方法已广泛应用于化合物性质预测。在药物化学中，计算研究感兴趣的特性首先包括小分子的生物活性，也包括物理化学特性（例如溶解度）或体内特性（例如代谢稳定性或毒性）。预测此类特性旨在支持药物化学实践中的关键任务：决定下一步合成哪种化合物。多年来，NN（早期用于特性预测的流行方法）大部分已被其他 ML 方法（例如支持向量机、随机森林或贝叶斯建模）所取代。这主要是由于 NN 倾向于将模型过度拟合到训练数据，以及其预测的黑箱特性（黑箱也适用于其他（但不是全部）ML 方法）。在药物化学中，化学直觉继续发挥着重要作用，无法用化学术语解释的黑箱预测不利于 ML 在实际应用中的接受。最近，随着深度神经网络 (DNN) 的出现和对深度 ML 的高度期望，NN 在药物化学中经历了复兴。这些期望主要源自其他领域，例如计算机视觉（图像分析）、自然语言处理或网络科学（包括社交网络）。
缩比飞行试验研究现状回顾及主要实际挑战分析
摘要：非系留子尺度模型测试，通常称为子尺度飞行测试，传统上在航空研究和开发中用途较小，但意义重大。随着电子、快速成型和无人机技术的最新进展扩大了其功能并降低了成本，这种实验方法在学术界和业界越来越受到关注。然而，子尺度模型不能满足模拟全尺寸飞行所需的所有相似性条件。这导致了各种缩放方法和其他替代应用。通过文献综述和对不同缩放策略的分析，本研究全面介绍了近年来子尺度飞行测试的使用情况，并综合了其主要问题和实际局限性。结果表明，虽然在某些飞行条件下估计全尺寸特性仍然是一个有趣的应用，但子尺度模型正逐渐发挥更广泛的作用，成为具有宽松相似性约束的低成本技术测试平台。通过飞行实验，讨论和评估了作者和其他组织实施的解决已发现的实际挑战的不同方法。
基于皮层脑电图的大脑研究现状...
或功能受限的患者，使用脑信号控制辅助医疗设备的能力将极大地改善生活质量。例如，患有肌萎缩侧索硬化症 (ALS) 或四肢瘫痪的患者在交流和运动控制方面有严重的障碍。对于 ALS 患者，眼动追踪可以为这些人提供控制设备的选择，但这项技术依赖于光照条件和完全眼球活动，而这在 ALS 晚期可能会受到限制。1 最近两项基于皮层脑电图 (ECoG) 的脑机接口 (BCI)（记录、放大和转换成外部设备计算机命令的系统）的研究为这些患者通过恢复交流或运动控制能力来改善对身体限制的自我管理带来了希望。2,3 在这篇综述中，我们主要关注两种功能障碍和发病率高的疾病——ALS 和四肢瘫痪，BCI 技术在这两种疾病中得到了最广泛的应用。
脑机接口与虚拟现实在空间认知评估与训练中的研究现状
空间认知评估与训练（SCET）是认知研究中一个快速发展的研究领域（Chunyin等，2011）。SCET 在轻度认知障碍（MCI）的诊断和康复中也具有重要意义，主要是因为MCI患者在早期就表现出空间认知障碍的症状（Allison等，2016；Laczó等，2016）。对于SCET来说，实时、精准的量化是评估的最终目标（Lin等，2015）；训练中期望受试者有强烈的参与感，训练内容与他们的日常生活密切相关（Bormans等，2016）。虚拟现实（VR）（Tu等，2017）和脑机接口（BCI）（Xu等，2013）是SCET中的热门技术。利用VR进行训练满足了受试者的体验和社交需求，可以作为空间认知训练（SCT）的主要方式（Serino等，2015；Bormans等，2016；Davis和Ohman，2016；Migo等，2016；Tu等，2017；Zygouris等，2017）。然而在这些研究中，受试者和训练者很难实时了解训练效果，尽管他们非常渴望及时观察训练效果，以便调整训练状态或计划。基于脑电信号（EEG）的BCI（Xu et al.，2018）常用于实时SCET，可在高时间分辨率的前提下应用于实时监测大脑活动（Lin et al.，2015；Han et al.，2017；Chen et al.，2018；Guevara et al.，2018；Pergher et al.，2018）。因此，将BCI与VR（Lechner等，2014；Koo等，2015；De Tommaso等，2016；Donati等，2016；Vourvopoulos和I Badia，2016）结合起来是进行SCET的一个不错的选择，并且有初步应用研究（Bischof和Boulanger，2003；Jaiswal等，2010；Kober和Neuper，2011；Tarnanas等，2015）表明BCI-VR是一种值得推荐的SCET方法。然而，这种结合还处于起步阶段，在得出结论之前还需要做更多的工作。本研究将回顾与VR，BCI和BCI-VR相结合的SCET相关的文献；讨论BCI-VR在SCET中的潜在优势以及未来需要解决的问题；并提出自己的观点。希望本研究的分析能为 SCET 的信息技术领域提供有价值的建议。本研究使用 Web of Science-科学引文索引/社会科学引文索引 (WOS-SCI/SSCI) 数据库，重点研究了 BCI、VR 和 BCI-VR 在 SCET 中的研究。使用的搜索关键词为：“空间认知评估 (SCE)”或“空间认知训练 (SCT)”与“脑机接口 (BCI)”或“虚拟现实 (VR)”的组合。最近一次搜索是在 2019 年 3 月 21 日进行的。
容错系统研究现状展望
容错可应用于三个层面——硬件、软件和系统（用户界面）。这三个层面都容易受到设计、实施或维护错误的影响——人为错误以硬件、代码或用户界面故障的形式存在，并体现在系统行为中。硬件在这三个层面中是独一无二的，因为它容易“磨损”和损坏。传统的容错可以补偿计算资源（硬件）的故障。通过管理额外的硬件资源，计算机子系统提高了其持续运行的能力。确保硬件容错的措施包括冗余通信、复制处理器、额外内存和冗余电源 / 能源供应。这种冗余的管理通常涉及使用软件。硬件容错在计算发展的早期尤为重要，因为当时机器故障之间的时间以分钟为单位。
容错系统研究现状观点
有三个级别可以应用容错功能 - 硬件、软件和系统（用户界面）。所有三个级别都容易受到设计、实施或维护错误的影响 - 人为错误以硬件、代码或用户界面中的故障形式存在，并体现在系统行为中。硬件在这三个级别中是独一无二的，因为它容易“磨损”和损坏。传统的容错可以补偿计算资源（硬件）中的故障。通过管理额外的硬件资源，计算机子系统可以提高其持续运行的能力。确保硬件容错的措施包括冗余通信、复制处理器、额外内存和冗余电源/能源供应。这种冗余的管理通常涉及软件的使用。硬件容错在计算机发展的早期尤为重要，当时机器故障间隔时间以分钟为单位。