XiaoMi-AI文件搜索系统
World File Search System被忽略了
四邻苯酚对分化小鼠胚胎干细胞的影响揭示了对免疫系统的意外影响
四抗苯酚A（TBBPA）是用于多种设备中使用的有效的木质阻滞剂，是家庭和生态系统中的主要污染物。在脊椎动物中，它被证明会影响神经发育，下丘脑 - 垂体 - 基达轴和甲状腺信号传导，但其毒性和作用方式仍然是争论的问题。暴露于TBBPA引起的分子表型仅描述了很差，尤其是在转录组重编程水平上，这进一步限制了我们对其分子毒性的理解。在这项工作中，我们将功能基因组学和系统生物学结合在一起，提供了对作用于MESC的TBBPA引起的转录组改变的系统描述，并提供了潜在的新毒性标记。我们发现TBBPA诱导的转录组重编程会影响生物途径网络中的大量基因集合，表明对生物过程的广泛干扰。我们还发现了两个作用热点：在神经元分化标记的水平上，令人惊讶的是，在免疫系统功能的水平上，到目前为止，它们在很大程度上被忽略了。这种效果特别强，因为髓样和淋巴样谱系的末端分化标记均大大降低：膜T细胞受体（CD79A，CD79B），白介素七受体（IL7R），巨噬细胞粒细胞因子受体（CSF1R），单细胞激素受体（CCR2）。此外，强烈诱导了高属性IgE受体（FCER1G），是过敏反应的关键介体。因此，TBBPA诱导的分子不平衡可能比最初实现的强。
对可充电毫克电池潜力的实用观点
当今更广泛的环境（LIBS）被认为是许多当前和有前途的应用，例如运输电气化或可再生能源存储的电池技术。尽管Libs的表现良好，但由于锂（LI）的天然丰富性相对较低，并且在全球范围内的地理上不平坦，因此他们有望面临资源供应链挑战。转向完全非LI可充电电池可能会打开克服此类挑战的有效方式。可充电镁电池（RMB）构成了这种有前途的，替代的非LI储能系统的范式例子，此前是全球研究团队的开创性效果和突破之后。在可充电电池中使用金属MG阳极的潜力在能量密度，成本，安全性，可持续性和降低材料供应风险方面具有重要优势，这是由于MG的自然丰富性而引起的。尽管RMB文献取得了重要进展，但所有报告的研究仍然仅限于实验室量表和硬币核算构型，在这些研究中，RMB的许多实际和工业方面都被忽略了。在这种情况下，小袋单元格配置是优化组件的更好平台，它代表了迈向应用程序电池电池设计的关键步骤。在本文中，我们介绍了最有前途的材料和细胞成分，用于开发具有竞争性能的高TRL RMB。突出显示了可能的晚期RMB化学的可行性和巨大的潜在潜力。概述了可以达到最高160 W H Kg 1的能量密度的成熟RMB的路线图。
通过靶向甲戊酸途径来克服PLK1抑制剂耐药性，以损害大肠癌中的AXL扭曲轴
当今更广泛的环境（LIBS）被认为是许多当前和有前途的应用，例如运输电气化或可再生能源存储的电池技术。尽管Libs的表现良好，但由于锂（LI）的天然丰富性相对较低，并且在全球范围内的地理上不平坦，因此他们有望面临资源供应链挑战。转向完全非LI可充电电池可能会打开克服此类挑战的有效方式。可充电镁电池（RMB）构成了这种有前途的，替代的非LI储能系统的范式例子，此前是全球研究团队的开创性效果和突破之后。在可充电电池中使用金属MG阳极的潜力在能量密度，成本，安全性，可持续性和降低材料供应风险方面具有重要优势，这是由于MG的自然丰富性而引起的。尽管RMB文献取得了重要进展，但所有报告的研究仍然仅限于实验室量表和硬币核算构型，在这些研究中，RMB的许多实际和工业方面都被忽略了。在这种情况下，小袋单元格配置是优化组件的更好平台，它代表了迈向应用程序电池电池设计的关键步骤。在本文中，我们介绍了最有前途的材料和细胞成分，用于开发具有竞争性能的高TRL RMB。突出显示了可能的晚期RMB化学的可行性和巨大的潜在潜力。概述了可以达到最高160 W H Kg 1的能量密度的成熟RMB的路线图。
材料设计的多体相互作用建模
准确描述多体相互作用仍然是理论和计算化学领域的挑战，但它是理解和优化与量子信息和能量转换等应用相关的材料性能的关键。在这里，我将描述我在两种不同材料中模拟多体相互作用的工作。首先，我将讨论量子点 (QD)，这是一种半导体纳米晶体，具有高度可调的光电特性，这些特性敏感地取决于电子激发和声子 (即晶格振动) 之间的相互作用。我们开发并验证了一种描述激子-声子耦合的方法，该方法具有原子细节，与实验相关的量子点中有数百个原子。我们模拟了能量耗散，发现它发生在超快的时间尺度上，这与实验结果一致，但与长期以来的理论预期相反。此外，我们确定了用于调整这些时间尺度的 QD 手柄，以减少热损失并提高量子产率。接下来，我将重点介绍笼状化学结构，笼状化学结构由于其强大的声子-声子相互作用（即非谐性）而有望用于热电应用。我们开发并应用基于量子嵌入的振动动态平均场理论 (VDMFT) 来模拟笼状物中的非谐性和热传输。我们表明 VDMFT 既高效又准确，描述了笼状物独特振动动力学的基础多声子散射过程，但在常见的微扰理论方法中却被忽略了。借助本次演讲中描述的工具所具备的预测能力，我们可以更好地解锁可转移的洞察力，以增强材料设计。
定性心理学
尽管同行评审是学术出版的核心支柱之一，但定性研究人员对此过程的经历在很大程度上被忽略了。现有研究和评论的重点是同行评审对定性文章的评论，这些评论通常被描述为对非稳定主义定性研究的定量思维方式或敌意。我们通过关注定性研究人员的方法论不一致的审阅者和编辑评论来扩展文献，这些评论与审查研究的概念基础不一致。定性研究人员（n = 163）来自包括心理学在内的一系列健康和社会科学学科，对简短的定性调查做出了回应。大多数贡献者报告说，同伴审稿人和编辑使后奠定主义研究和报告的假设和期望普遍存在。有些人还报告说，同行审稿人和编辑将特定的定性方法普遍存在。贡献者担心同行评审者在缺乏相关的方法论专业知识时通常会接受审查邀请，而编辑经常在没有这种专业知识的情况下选择同行评审者。响应方法论上不一致的评论，许多贡献者描述了一个最初“推迟”的过程，并解释了为什么这些评论与他们的研究不一致。当这种教育方法不成功时，有些人故意损害了他们的研究方法的完整性，并默许了审阅者和编辑的要求。早期的职业研究人员特别强调了他们在“出版或灭亡”学术氛围的背景下在同行评审过程中所感受到的无能为力。我们结束时概述了贡献者的建议，以提高定性研究的同行评审的方法论完整性。
最佳基于Cosserat的变形控制线性对象的机器人操纵
摘要 - 可构造的对象操纵是一个充满挑战的研究主题，它引起了对机器人领域的日益兴趣，因为已经出现了解决此问题的新方法。到目前为止，文献中的大多数提出的方法都集中在形状控制上。被忽略了应用于物体的应变，因此排除了操纵脆弱产品的大部分工业应用，例如橡胶和塑料物体的脱胚层或食物的处理。这些应用需要在准确性和仔细操纵之间进行权衡，以保留操纵对象。在本文中，我们提出了一种方法来最佳控制线性和平面变形对象的变形，同时还最大程度地减少对象的变形能。首先，我们修改了最初为线性软机器人控制开发的框架，以使其适应可变形的物体机器人操作。为此，我们将问题重新制定为一个优化问题，其中考虑对象的整体形状，而不是仅专注于对象的位置和方向的尖端。然后，我们在成本函数中包含一个能量项，以找到在达到所需形状的同时最小化操纵物体中潜在的弹性能量的解决方案。对于高非线性问题的解决方案众所周知，很难找到对局部最小值的敏感性。我们定义了连接对象的已知初始和最终配置并顺序解决问题的中间最佳步骤，从而增强了算法的鲁棒性并确保解决方案的最佳性。然后使用中间最佳配置来定义机器人的终端效果轨迹，以使对象从初始配置变形为所需的配置。索引术语 - 可通知的对象操纵，机器人技术，形状控制，优化，轨迹生成
人工智能系统的新兴光学互连 - 人员
大规模人工智能系统是现代在线服务的基础。随着世界从新冠肺炎疫情中恢复，人们对人工智能驱动的在线服务的依赖日益加深。然而，当今的网络难以满足新兴人工智能工作负载带来的高带宽、低端到端延迟和高可用性要求。例如，机器学习 (ML) 应用的爆炸式增长对分布式训练产生了巨大的需求。硬件加速器（如 GPU 和 TPU）大大提高了计算能力，但当今的深度神经网络 (DNN) 仍需要数天甚至数周的时间才能完成训练。许多因素都会影响大型 DNN 作业的训练时间，包括并行化策略、模型/数据大小、软件库和互连网络。因此，人们提出了大量框架来有效地在当今的数据中心中分发和训练 DNN 模型 [1–4]。然而，当今的系统往往只优化计算和通信维度。因此，共同优化网络拓扑以及计算和通信维度对加速 DNN 训练的影响在很大程度上被忽略了。本文主张将网络拓扑重新配置为额外的加速维度，以跨计算、通信和拓扑维度联合优化 DNN 训练作业。为数据中心流量重新配置网络拓扑是网络和光学社区的一个热门话题。多篇学术论文展示了基于光可重构电路交换机的互连对数据中心工作负载的好处 [5, 6]。然而，之前的工作仅考虑将光互连用于通用数据中心流量，例如网络搜索、存储和云。本文没有关注通用数据中心工作负载，而是将注意力转向分布式 ML 工作负载，并认为可重构光互连是构建下一代 ML 数据中心的一个有吸引力的解决方案。为此，有三个挑战需要解决。
便利性资本主义
在1990年代后期和整个2000年代研究了音乐文件共享（Skågeby，2008年）之后，有一件事是，自随后的普遍采用音乐流媒体以来，有一件事使我着迷：我们很快就批评了我们在选择的音乐流媒体服务的辩护。虽然是轶事，但在我看来，任何暗示“虚假的资本主义流程”立即被忽略了，相反，关于易于获得“全部音乐”音乐供应的争论。建议算法制度（Jarke等，2024）或“软件物流”（Eriksson，2019年）可能决定文化的流通不如被认为是“现在的方式”而被认为所接受的；现在，我们甚至已经从所谓的“自由和竞争性”的资本主义市场回归了数字封建制度（Arditi，2023年），那里有一些数据孤立的服务为我们提供的所有音乐访问提供了更多的挫败感，但最终也使人们感到沮丧，但最终也接受并进行了内部化的便利。算法和资本主义政权现在是如此紧密地编织在一起，无处不在，以至于其他任何东西（未来和过去）似乎不必要，烦人和过于费力。说过，采用旧格式和“容器技术”（例如，乙烯基唱片，盒式磁带，可能也是CD复兴）的一种激增，可以将其解释为具有音乐流的非物质性的疲劳（Mall，Mall，Mall，2021，Rahm-skågebeby，20221）。再次，也许这些模拟实践中的许多是有时对资本主义的抵制。但是，正如Palm（2019）所说，模拟格式通常仍通过数字平台传播，这意味着要集中精力的斗争可以说是在公司和独立文化之间（而不是新旧格式）。毕竟，新的乙烯基记录或录音带也是唱片公司的另一个收入来源。那么，资本主义算法模式的文化循环和便利性模式之间的这种联系可能是什么因素？
算法演讲和第一修正案的限制
摘要。机器学习算法越来越多地调解我们的公开话语，从搜索引擎到社交媒体平台到人工智能公司。作为他们对在线语音膨胀的影响，关于第一修正案是否以及如何适用于其产出的问题也是如此。越来越多的学者合唱表达了对机器学习算法的输出是否真正在《第一修正案》的含义中的言语，但没有人提出一种可行的方法来清洁语音和非语音之间的界限。本文提出了一种基于我们称为“语音确定性”的原则成功绘制该线路的方法，这是语音是语音的基本观念，只有说话者知道他说的话时说什么。这个想法植根于《第一修正案》的文本，历史和目的，并内置在现代的编辑酌处权和表达行为的语言学说中。如果这种基岩原则被忽略了，那是因为到目前为止，所有演讲都充满了语音确定性。从来没有必要表达其存在。但是机器学习改变了这一点。与传统代码不同，仔细研究机器学习算法的工作方式表明，创建它们的程序员永远无法确定其输出。因为该输出缺乏语音确定性，所以这不是程序员的言语。因此，本文认为机器学习算法的输出无权获得第一修正案保护。它揭示了算法如何起作用的问题在宪法上很重要。在穆迪诉NetChoice案中与最高法院要求进一步询问社交媒体平台所构成的表达性活动，这一问题不再被忽略。通过未能区分传统和机器学习算法，我们冒着与第一修正案法学的几个世纪的彻底偏离的风险。对机器学习算法的输出的保护将是宪法历史上的第一次
扩展思维和人为自传记忆
分布的自传记忆在社会心理学理论中受到了极大的关注（例如，Harris，Barnier，Sutton＆Keil，2014; Wegner，1986），在关于认知者与他们的人物环境之间的关系中，在很大程度上被忽略了。因此，本文的目的是通过讨论有关令人回味的对象和生命的经验工作，并概念化这些对象和技术如何整合到生物学记忆过程中，从而改变我们自传记忆的结构（Bell＆Gemmell，2009年），来引起人们对人为自传的纪念的关注。在与回忆性的对象进行相互作用时，我们通常将信息整合到大脑和世界上，以构建自传记忆，从而使我们能够以与在没有此类对象的情况下记住过去完全不同的方式记住我们的个人过去。本文中的一个特定重点是自传依赖性的维度，这是我们依靠对象能够记住个人体验的程度。我将讨论各种程度的自传依赖性，范围从低至中等到强度。这种依赖性越强，记住我们个人过去的车辆和过程都越大。本文具有以下结构。我首先要确定两个参数，以支持扩展思维，一个基于奇偶校验，另一个基于代理和外部资源之间的互补性，将后者优先考虑（第2节）。i分类法对不同的人类记忆系统进行了简要描述人类自传记忆的某些特性（第3节）。接下来，我区分用于实用认知任务的认知文物和用于记住我们个人过去的回忆物体，重点是后者（第4节）。i以概念化自传依赖性的维度结束了本文（第5节），并进行了一个案例研究，其中概念化了代理与救生技术之间的整合程度（第6节）。