XiaoMi-AI文件搜索系统
World File Search System计算模型
LCASPMDA：一种计算模型，用于预测基于可学习的图形卷积注意网络和自定进度的迭代采样集合
人体包含数万亿个微生物，包括细菌，古细菌，真菌，原生动物和病毒，它们构成人类微生物群，并与人类宿主紧密相互作用（人类微生物组项目联盟，2012; Sommer和Bäckhed，2013年）。这些微生物可以在皮肤，口腔，鼻腔，胃肠道，泌尿生殖道和人体其他部位发现，并在调节人类健康中起重要作用。例如，他们可以调节胃肠道的病理，并协调内部环境的体内平衡，以促进人体的代谢功能（Gill等，2006; Ventura等，2009）。微生物组和宿主粘膜位点以协同的方式相互作用，以防止病原体（Macpherson和Harris，2004）。微生物促进了糖代谢的合成，并促进了T细胞反应所需的维生素的合成（Kau等，2011）。，但微生物也对人体产生不利影响。例如，研究证明，微生物群落的营养不良可以诱导糖尿病（Wen等，2008），炎症性肠病（Durack和Lynch，2019年），甚至癌症（Schwabe和Jobin，2013）。此外，已证明细菌和病毒等病原体能够引起多达27种传染病，例如Covid-19（Xiang等，2020）。此外，近年来，由于药物的滥用和非理性使用，微生物对某些药物产生了抗药性，这给临床医学和药物开发带来了严重的挑战。Concetta等。此外，最近的研究还表明，药物的功效受到微生物代谢的显着影响（McCoubrey等，2022）。当药物在人体中起作用时，微生物在药物吸收和代谢中起着重要作用，从而调节药物疗效和毒性（Zimmermann等，2019）。报道肠道菌群可以与抗癌药物相互作用，从而影响药物的治疗效率和毒性副作用。他们将益生菌，益生元，合成药，生物制剂和抗生素作为微生物群的新兴策略，可以改善治疗结果或确保患者在抗癌治疗期间的生活质量更好（Panebianco等人，2018年）。因此，发现潜在的微生物 - 药水关联是在精密医学领域要解决的关键问题之一，并且需要开发有效的计算模型以发现潜在的微生物 - 药水关联变得越来越紧迫。
超级计算模型的角色 - 访问 - 复合物...
生物医学科学越来越多地认识到计算模型在揭示生物系统复杂性中的重要性。这些模型提供了一种模拟，分析和预测生物学过程的方法，而这些生物学过程本来很难单独通过实验方法研究。随着基因组学，蛋白质组学和系统生物学等领域的数据的持续增长，计算模型已成为观看复杂的生物学现象（从细胞机制到全体生物行为）的过度观察的必不可少的工具。本文探讨了计算模型在生物学研究中的重要性及其对医学进步的贡献。生物系统本质上是复杂的，涉及许多相互作用的成分，例如基因，蛋白质，细胞和组织。这些成分以动态和通常非线性的方式运行，这使得预测一个级别的变化（例如单个基因中的突变）如何影响整个系统的变化。生物网络（例如代谢或信号通路）是相互联系的，并且经常表现出新兴特性，而这些特性无法通过孤立研究单个组件来完全理解。计算模型提供了一种管理这种复杂性的方法。他们允许科学家随着时间的流逝模拟生物学过程，产生假设并预测不同干预措施的结果。这些模型通常结合了各种数学技术，包括微分方程，统计方法和机器学习，以表示生物系统不同组件之间的关系。一个例子是癌症研究。通过计算模拟，科学家可以研究在不同条件下复杂系统的行为，从而提供了难以通过传统实验室实验实现的见解。计算模型已被证明在疾病研究中特别有价值，因为它们使科学家能够在多个层面上研究病理学的潜在机制。
将逆增强学习整合到数据驱动的机械计算模型中：一种新的范式来解码癌细胞异质性
细胞异质性是生物学的无处不在，也是成功癌症治疗的主要障碍。已经出现了几种技术，可以沿轴上量化活细胞中的异质性，包括细胞迁移，形态，生长和信号传导。至关重要的是，这些研究表明，细胞异质性并不是细胞控制系统中随机性或失败的结果，而是多细胞系统的一个可预测方面。我们假设复杂组织中的单个细胞可以作为奖励最大化的药物的行为，而奖励感知的差异可以解释异质性。从这个角度来看，我们将逆增强学习作为一种分析细胞异质性的新方法。我们介绍了详细的实验方法，以测量随时间的时间测量细胞异质性，以及这些实验如何生成由细胞状态和作用组成的数据集。接下来，我们展示如何将逆增强学习应用于这些数据集，以推断单个单元格如何基于异质状态选择不同的动作。最后，我们将逆增强学习的潜在应用引入了三个细胞生物学问题。总体而言，我们期望逆增强学习能够揭示为什么细胞行为异质，并基于这种新理解来识别新型治疗方法。
Benjumea, José; Saiidi, M.“Saiid”; Itani, Ahmad 预制桥梁计算模型的抗震性能分析与评估 DYNA, 第 87 卷，第
摘要：在内华达大学雷诺分校的地震工程实验室，对一座由预制构件组装而成的大型双跨桥梁模型进行了一系列双轴地面运动模拟试验。在试验前，使用 OpenSees 软件开发的三维计算模型估算了桥梁的响应。试验后，将测量到的关键地震响应与计算模型预测的地震响应进行比较，以评估建模假设。观察到桥梁的位移、底部剪力和滞回响应存在较大的误差。本文讨论了地震荷载、材料、预制构件的连通性和计算模型中的边界条件对误差的影响。提出了未来的建模方向以减少这些误差。关键词：预制桥，计算模型，OpenSees，振动台试验。简历：Un puente de gran escala, de dos vanos, construido con varios elementos prefabricados fue ensayado bajo sismos biaxises en una mesa sísmica del Laboratorio de Ingeniería Sísmica de la Universidad de Nevada, Reno.通过使用 OpenSees 软件中的数字模型三维解集来估计预期的预测结果。在对数字模型的预测结果进行比较期间，重要的是要考虑模型的设计有效性。 La comparación reveló diferencias relativamente grandes en desplazamientos, cortante basal, y respuesta histerética.对西斯米卡的兴奋、材料、预制元件的连接、以及在文章中讨论的错误的前沿条件和错误的影响。不同的模型指导可以减少错误。参数：预制构件、计算模型、OpenSees、台面结构。
使用量子启发的神经网络
旨在模拟大脑皮质和海马模块的许多当前计算模型取决于人为的神经网络。但是，这种经典的神经网络甚至是深层神经网络非常慢，有时需要进行数千个试验以获得最终反应，并有相当多的误差。需要进行大量学习和不准确的输出响应的需要，这是由于输入提示的复杂性和正在模拟的生物学过程所致。本文提出了一个使用量子启发的神经网络完整的和病变的皮质 - 海马系统的计算模型。这种皮质 - 海马计算量子启发（CHCQI）模型通过使用与量子电路纠结的自适应更新的神经网络模拟皮质和海马模块。所提出的模型用于模拟与生物过程有关的各种经典调节任务。与其他计算模型（包括最近发布的绿色模型）相比，模拟任务的输出迅速而有效地产生了所需的响应。
没有理性的情报 - 人| MIT CSAIL
计算机和思想是将人工智能定义为学科的两个类别。人们普遍认为，在过去的三十年中，人工智能的工作对Compoter Architectures的各个方面具有强烈的影响。在本文中，我们还提出了相反的主张；计算机架构的状态对我们的思想模型产生了强烈的影响。von Neumann计算模型在特定方向上具有人工智能。生物系统中的智能是完全不同的。最新的基于行为的人工智能中的工作已经提出了新的智力模型，这些模型与生物系统更加接近。他们使用的非von Neumann计算模型与生物学共享许多特征。
《生成式人工智能时代的认知建模》专题介绍
*1 在此专题中，该术语广泛指用于理解人类内部过程的计算模型。 这种用法与国际会议ICCM（https://iccm-conference.github.io/）的定义一致。
如何成为计算神经科学的现实主义者
本文即将由 Synthese 发表。最终版本可能包含微小更改，请引用已发布的版本。如何成为计算神经科学的现实主义者 Danielle J. Williams 华盛顿大学圣路易斯 danielle.williams@wustl.edu 摘要 最近，一种现实主义版本已被提出来解决计算神经科学中使用的简化策略（Chirimuuta，2023；2024）。根据这种观点，计算模型为我们提供了有关大脑的知识，但不应以任何意义从字面上理解，甚至拒绝大脑进行计算的想法（计算主义）。我承认需要考虑神经科学中的简化策略以及它们如何有助于我们对计算模型的解释；但是，我认为我们是否应该接受或拒绝关于大脑的计算主义是一个单独的问题，可以通过物理计算的哲学理论独立解决。这认真对待了大脑进行计算的想法，同时也对神经科学中的计算模型采取了类比立场。我将这种现实主义称为“类比计算现实主义”。类比计算现实主义是一种现实主义观点，它致力于计算主义，同时采用某些计算模型来挑选出真实的模式（Dennett，1991；Potochnik，2017），这些模式提供了一种可能性解释，同时不考虑模型实际上是在大脑中实现的。
离散粒子的纠缠和可分离性标准...
纠缠是一种重要的量子资源，可用于量子隐形传态、量子计算等，如何判断和度量纠缠或可分性成为量子信息论中的基本问题。该文通过分析广义环Z[i]2n的性质，提出了一种在Gatti和Lacalle提出的离散量子计算模型中判断任意量子态纠缠或可分性的新方法。与以前基于矩阵的判据不同，它在数学计算上操作相对简单，并且如果一个量子态可分，就能计算出可分的数学表达式。以n=2，3为例，给出了模型中所有可分离态的具体形式，为离散量子计算模型提供了一个新的研究视角。