XiaoMi-AI文件搜索系统
World File Search System维基百科
符号与亚符号 AI 方法：朋友还是敌人？
符号和亚符号代表人工智能 (AI) 的两个主要分支。人工智能领域在 20 世纪 50 年代取得了巨大进步并确立了地位，在此之前，McCulloch 和 Pittes 做出了一些最著名和开创性的工作，他们在 1943 年建立了神经网络 (NN) 的基础，而 Turing 的工作则在 20 世纪 50 年代引入了机器智能测试，即图灵测试。自发明以来，该领域的发展经历了起起伏伏，俗称人工智能季节，其特点是“夏季”和“冬季”。这些起伏的具体时期尚不清楚，但是，我们根据维基百科和 Henry Kautz 在 AAAI 2020 上的演讲 1“第三个 AI 夏天”采用了中间惯例。我们在图 1 中展示了这些发展的时间表。第一个 AI 夏天，也称为黄金时代，始于 AI 诞生几年后，它基于对解决问题和推理的乐观态度。直到 20 世纪 80 年代，主导范式都是符号 AI。这时，亚符号 AI 开始占据主导地位并受到关注，直到最近几年。两种不同方法之间存在长期而未解决的争论。然而，不同人工智能领域之间的这场较量即将结束，因为我们目前正在经历第三次人工智能之夏，其中主导浪潮是
符号与亚符号人工智能方法：朋友还是敌人？
符号和亚符号代表人工智能 (AI) 的两个主要分支。人工智能领域在 20 世纪 50 年代取得了巨大进步并确立了地位，在此之前，McCulloch 和 Pittes 做出了一些最著名和开创性的工作，他们在 1943 年建立了神经网络 (NN) 的基础，而 Turing 的工作则在 20 世纪 50 年代引入了机器智能测试，即图灵测试。自发明以来，该领域的发展经历了起起伏伏，俗称人工智能季节，其特点是“夏季”和“冬季”。这些起伏的具体时期尚不清楚，但是，我们根据维基百科和 Henry Kautz 在 AAAI 2020 上的演讲 1“第三个 AI 夏天”采用了中间惯例。我们在图 1 中展示了这些发展的时间表。第一个 AI 夏天，也称为黄金时代，始于 AI 诞生几年后，它基于对解决问题和推理的乐观态度。直到 20 世纪 80 年代，主导范式都是符号 AI。这时，亚符号 AI 开始占据主导地位并受到关注，直到最近几年。两种不同方法之间存在长期而未解决的争论。然而，不同人工智能领域之间的这场较量即将结束，因为我们目前正在经历第三次人工智能之夏，其中主导浪潮是
创新：简单机器简介
简单机械让我们能够推动或拉动更远的距离，从而使我们的工作更轻松。“简单机械是一种无动力机械装置，可以改变力的方向或大小。一般来说，它们可以定义为利用机械优势（也称为杠杆作用）来增加力的最简单的机制。简单机械使用单一施加力来对抗单一负载力。忽略摩擦损失，对负载所做的功等于施加力所做的功。机器可以增加输出力的大小，但代价是负载移动的距离成比例减少。输出与施加力之比称为机械效益。”* *维基百科 — “简单机器” — 2014 年 7 月 7 日访问 词汇 • 滑轮 — 改变力的方向 • 杠杆 — 增加或减少施加的力 • 轮轴 — 减少移动物体的摩擦力 • 螺丝 — 将物体固定在一起或移动物体 • 斜面 — 减少移动物体的力 • 楔子 — 用于将两个物体推开或将物体切成碎片。它还可以将物体固定到位。 • 齿轮（有时被认为是一种简单机器，有时是一种复杂机器） — 增加力、改变速度或动力源的方向 — 由带有杠杆的轮轴组成 • 工作 — 为生产或完成某事而付出的努力或努力；劳动；辛劳。 预期学生的先入之见/误解
试图以旋转机的示例将启发式研究方法应用于机械工程
摘要。在任何网站或百科全书中，例如大不列颠或维基百科，在“启发式”条目下，人们可以从生活的各个领域找到许多定义，参考和示例。但是，本文的作者无法找到与技术相关的示例，尤其是在机械工程中。这个事实激发了我们解决这个主题，尤其是因为实践和日常生活中的许多具体示例似乎非常适合证明启发式方法论在技术科学中的相关性。根据作者，在这种情况下，涡轮机械似乎特别感兴趣。这是关键的机械，即，失败威胁人类生命的机械。因此，开发高级工具来分析它们的重要性，尤其是在整个操作范围内（稳定和不稳定）。使用这些工具，可以有效地在决策过程中使用其智力，直觉和常识。因此形成了经典的启发式共生。本文展示了一个名为Meswir的高级计算机系统，该系统是在Gdańsk（IMP PAN）的波兰科学院流体流量机械研究所开发的，该机械产生了一系列有趣的诊断信息，包括多个旋转和与不平衡载体有关的多个旋转和随机错误。该研究是使用高速，低功率涡轮机作为例子进行的。尽管没有正式的理论证明其正确性，但获得的结果有助于得出正确的结论并做出明智的决策，这是决策启发式方法的本质。
天然产物对口腔癌的化学预防
简介：口腔癌是全球第六大常见癌症。它导致大量发病率和死亡率，尤其是在社会经济地位较低的群体中。然而，癌症化学预防包括使用特定化合物来抑制肿瘤生长或抑制致癌作用。天然产物已被确定为抗癌剂的最重要来源之一。同时，几种合成药物表现出潜在的细胞毒性，可诱发多种退行性疾病。综述目的：本综述旨在确定具有针对口腔癌细胞的天然化疗剂的各种植物、蔬菜和水果。材料和方法：对从计算机数据库搜索、手动搜索和权威文本中检索到的文章中报告的发现进行全面回顾。纳入数据库包括 PubMed、Medline、Web of Science、Scopus 和 Scientific。排除计算机数据库：维基百科或未知来源。结果：天然产物副作用少、选择性高、毒性低，可消除癌细胞。因此，天然产物作为口服和其他癌症替代疗法的应用最近取得了显著进展。结论：天然产物已广泛应用于口服抗癌药物的开发。这些天然产物中的大多数都具有生物活性化学剂和新的作用机制，例如抑制肿瘤细胞生长、诱导细胞凋亡、DNA损伤和抑制拓扑异构酶I和II。未来，天然产物在口腔癌化学预防领域的成功整合取决于分子靶向、个性化方法的进步以及新型药物输送系统的探索。此外，将临床前研究结果整合到临床试验中对于将研究转化为有影响力的干预措施非常重要。
研究论文：识别事故原因以提高航空运输安全：提出一种深度学习方法
航空是一种复杂的运输系统，安全至关重要，因为飞机故障往往会造成人员伤亡。预防显然是航空运输安全的最佳策略。从过去的事故数据中学习以防止潜在事故的发生已被证明是一种成功的方法。为了防止潜在的安全隐患并制定有效的预防计划，航空安全专家从事故报告中确定主要因素和促成因素。然而，如今安全专家的审查过程已经变得非常昂贵。由于信息技术的加速发展以及商业和私人航空运输业的增长，事故报告的数量正在迅速增加。因此，应应用先进的文本挖掘算法来帮助航空安全专家促进事故数据提取过程。本文重点介绍如何构建基于深度学习的模型来识别事故报告中的因果因素。首先，我们使用来自航空安全报告系统 (ASRS) 的约 200,000 份合格事故报告准备用于训练、验证和测试的数据集。第十，我们采用开源自然语言模型作为基线，该模型经过大量维基百科文本训练，并根据事件报告中的文本对其进行微调，使其更适合我们的特定研究任务。最后，我们建立并训练基于注意力的长短期记忆 (LSTM) 模型，以识别每份事件报告中的主要因素和促成因素。我们提出的解决方案具有多标签功能，并且是自动化和可定制的，并且比现有研究中的传统机器学习方法更准确、适应性更强。深度学习算法在事件报告系统中的这种新应用可以有效提高航空安全。
批判性模因阅读器 ii - 网络文化研究所
INC 读者 #15：Chloë Arkenbout、Jack Wilson 和 Daniel de Zeeuw（编辑），《批判性模因读者：病毒图像的全球突变》，2021 年。INC 读者 #14：Geert Lovink 和 Andreas Treske（编辑），《视频漩涡读者 III：Youtube 十年内幕》，2020 年。INC 读者 #13：Miriam Rasch（编辑），《让我们变得有形》，INC 长篇样本 2015-2020，2020 年。INC 读者 #12：Loes Bogers 和 Letizia Chiappini（编辑），《批判性制造者读者：（不）学习技术》，2019 年。INC 读者 #11：Inte Gloerich、Geert Lovink 和 Patricia de Vries（编辑），《MoneyLab 读者 2：克服炒作》， 2018。INC 读者 #10：Geert Lovink、Nathaniel Tkacz 和 Patricia de Vries（编），MoneyLab 读者：数字经济中的干预，2015。INC 读者 #9：René König 和 Miriam Rasch（编），查询社会：对网络搜索的思考，2014。INC 读者 #8：Geert Lovink 和 Miriam Rasch（编），与我们不一样：社交媒体垄断及其替代品，2013。INC 读者 #7：Geert Lovink 和 Nathaniel Tkacz（编），批判观点：维基百科读者，2011。INC 读者 #6：Geert Lovink 和 Rachel Somers Miles（编），视频漩涡读者 II：超越 YouTube 的移动图像，2011。INC 读者 #5：Scott McQuire、Meredith Martin 和Sabine Niederer (eds)，《城市屏幕读本》，2009 年。INC 读本 #4：Geert Lovink 和 Sabine Niederer (eds)，《视频漩涡读本：对 YouTube 的回应》，2008 年。INC 读本 #3：Geert Lovink 和 Ned Rossiter (eds)，《我的创造力读本：对创意产业的批判》，2007 年。INC R
量子纠缠：自旋 1/2
量子纠缠：自旋 1/2 Masatsugu Sei Suzuki 和 Itsuko S. Suzuki 纽约州立大学宾汉姆顿分校物理系 (日期：2022 年 2 月 7 日) 在这里我们讨论量子纠缠的物理学。起初，本科生如果只想知道量子纠缠的基本点，可能会在理解技术术语的定义时遇到一些困难，例如超距幽灵作用、非局域性、局域性、隐变量理论、可分离性、量子比特等等。这些词的定义在附录中给出（来源：维基百科）。贝尔不等式的推导在数学上并不那么复杂。人们必须从实验的角度验证贝尔不等式不满足量子纠缠现象，并使用纠缠的自旋或光子。到目前为止，已经出版了许多关于量子纠缠、量子信息和量子计算机的书籍。即便我读了这些书，包括量子力学的教科书，我还是没有充分理解超距幽灵行为到底是怎么回事。为了给本科生讲授量子纠缠，我觉得有必要更详细地了解量子纠缠的这种怪异性。当我努力理解爱因斯坦命名的超距幽灵行为时，我有幸读了一本名为《爱因斯坦：他的一生和宇宙》（W. 艾萨克森著）的书。我意识到这本书可以很好地描述量子纠缠行为的怪异性。当然，那些想从数学上了解这种怪异行为本质的物理学家，可能不会满足于艾萨克森给出的简单明了的解释。这里将这本书的内容总结如下。（a）量子力学断言，粒子除了被观察时外，没有确定的状态，两个粒子可以处于纠缠态，因此对一个粒子的观察可以立即决定另一个粒子的性质。一旦进行任何观察，系统就会进入固定状态。（b）这对于微观量子领域来说可能是可以想象的，但当人们想象量子领域与可观察的日常世界之间的交集时，就会感到困惑。（c）EPR 论文未能成功证明量子力学是错误的。但最终确实清楚，量子力学与我们对局域性的常识理解不相容——我们对远距离幽灵般的作用的厌恶。奇怪的是，爱因斯坦显然比他希望的要正确得多。
GEO 2016 工作计划参考文件...
简介 了解地球近地表环境中化学元素的丰度和空间分布对于人类的许多努力都至关重要，从定位我们未来的矿产资源到监测自然过程或人类活动引起的地球化学变化。全世界都担心环境中的化学物质对人类、动物、农业和生态系统健康的潜在破坏性影响。经济和人口增长迅速，加剧了土地退化和不受控制的城市化、工业化、集约化农业实践和含水层过度开发造成的污染等问题。这些问题和其他问题正在影响地球表面的地球化学及其从当地到全球的生命支持系统的可持续性。另一方面，全世界也关注如何确保矿产和能源资源满足不断增长的人口的需求。了解地球表面的地球化学对于确定这些资源的位置并以对环境负责的方式开发它们至关重要。系统地球化学测绘是评估和监测地球表面化学元素水平变化的最佳方法。地球化学图历来在解决一系列环境问题以及在地方到国家范围内识别潜在矿产资源方面具有重要价值。本提案是根据 IGCP 259“国际地球化学测绘”（Darnley 等人，1995 年）的规范，为非洲开发一个陆基多元素地球化学基线数据库，用于矿产资源和环境管理。这项针对非洲的项目提案符合 GEO 的愿景“实现一个未来，其中的决策和行动以协调、全面和持续的地球观测和信息为依据，造福人类”。这也将成为 AfriGEOSS (2014) 和 IUGS 倡议“资源未来世代” (IUGS, 2014) 的重要贡献。目标和动机：为矿产资源和环境管理开发陆基多元素地球化学基线数据库。非洲是世界第二大洲，也是人口第二多的大陆。其面积（包括邻近岛屿）为 30,221,532 平方公里。要开发这样的数据库，必须启动一项能力建设计划，培训所有非洲国家的专业应用地球化学家。根据维基百科，非洲由 54 个主权国家和 10 个非主权领土组成（https://en.wikipedia.org/wiki/List_of_sovereign_states_and_dependent_territories_in_Africa# Sovereign_states）。为了使非洲能够开发其丰富的矿产资源并保护其环境，它迫切需要一个协调的地球化学基线数据库以供规划和决策。活动联合负责人姓名：David B. Smith、Xueqiu Wang、Alecos Demetriades、Anna Ladenberger、Aberra Mogessie、Beneah Odhiambo 和 Gabi Schneider 主要合作组织：EuroGeoSurveys、IUGS/IAGC 全球地球化学基线工作组、UNESCO 全球尺度国际研究中心
脑肿瘤信息流行病学：全球在线健康...
健康信息学的趋势是通过搜索词“大数据”来处理互联网使用情况，大数据越来越多地被用于近似疾病流行病学、医疗保健研究、公共知识和患者健康寻求行为的实时统计数据 (1、2)。医疗保健和医学领域的大数据分析是指处理来自数千份患者记录的信息以推断可能的相关性以及使用数据挖掘技术开发预测模型 (3)。从更大范围来看，“大数据”包含以互联网等开放获取格式发布的可用信息，这些信息加起来可能多达数百万个数据点。这导致了一门名为信息流行病学 (4) 的新兴研究学科的诞生。这个术语是信息和流行病学的组合，艾森巴赫将其定义为“研究电子媒体（特别是互联网）或人群中信息分布和决定因素的科学，最终目的是为公共卫生和公共政策提供信息”(5)。根据 2019 年的一篇评论文章，Google Trends 是使用从互联网中提取的数据解决健康问题和主题的最常用工具之一 ( 2 )。Google Trends 是 Google Inc. 的一项免费公共在线功能，可分析用户的搜索查询并生成用户特定术语搜索量的地理空间和时间模式 ( 1 , 2 )。Google Trends 存在某些高估和低估的缺陷，因此需要从 Wikipedia 等免费在线百科全书服务中补充大数据 ( 4 , 6 )。互联网在塑造公众意识和神经系统医疗保健服务方面的影响开始发生范式转变 ( 7 )。关于癫痫 (8-12)、中风 (13)、多发性硬化症 (14,15)、脊髓灰质炎 (16)、脑膜炎 (17)、阿尔茨海默病 (18)、运动障碍 (19)，甚至远程康复 (20) 和远程神经病学 (21) 的信息人口学研究表明，实际发病率与患病率之间并没有实质性的联系，但初步趋势反映了越来越多的人使用互联网在线寻找有关这些神经系统疾病的健康信息。根据 2019 年的最新数据，尽管脑和脊髓肿瘤的全球发病率相对其他神经系统疾病要低，但因地区和经济状况而异，东部和中低收入国家的发病率较低 (22)。然而，根据 2020 年全球互联网使用情况的统计数据，亚洲和非洲的份额最大，分别为 55.1% 和 17.2%，其中东亚的互联网用户数量最多，为 11 亿（23、24）。此外，“癌症”是与健康相关的三大互联网搜索之一，也是患者了解其疾病的最常见信息来源（25、26）。综合起来，大数据分析在评估脑肿瘤统计数据方面理论上很有用，部分由于脑肿瘤的流行病学程度相对较低而导致的数据收集空白可以通过评估在线数据来解决。因此，我们的研究使用 Google Trends 和维基百科文章浏览量评估和解释了与脑肿瘤相关的术语的互联网搜索查询。