XiaoMi-AI文件搜索系统
World File Search System过多
通过多目标瓶藻群算法在配电网中分配可再生能源资源，同时考虑风能和太阳能资源的不确定性
摘要：鉴于可再生能源在配电系统中的重要性，本文讨论了定位和确定这些能源（即风力涡轮机和太阳能电池板）容量的问题。为了解决这个优化问题，使用了一种基于salp行为的新算法。目标函数包括减少损耗、改善电压曲线和降低可再生能源成本。在该方法中，考虑了配电系统中不同负载模型和使用智能电表的不同负载水平的可再生资源分配。由于这些目标函数是多目标的，因此使用模糊决策方法从一组帕累托解中选择最优解。所考虑的目标函数可减少损耗、改善电压曲线和降低 RES 成本（A 在不受资源限制的情况下最佳地分配 RES 资源；B：在受资源限制的情况下最佳地分配 RES 资源）。此外，还考虑了每日风、太阳辐射和温度数据。所提出的方法应用于 IEEE 标准 33 总线系统。仿真结果表明，多目标群体算法（MSSA）在改善电压分布和降低配电系统损耗方面具有更好的性能。最后，将 MSSA 算法的优化结果与 PSO 和 GA 算法进行了比较。
PTPT：通过多物理设计工具参数调整...
摘要 — 在先进的集成电路设计中，与电子设计自动化 (EDA) 工具相关的物理设计流程起着至关重要的作用。大多数情况下，输入物理设计工具的参数主要是基于专家的领域知识手动挑选的。然而，由于技术节点的不断缩小以及参数组合所跨越的设计空间的复杂性，甚至再加上耗时的仿真过程，这种对物理设计工具参数配置的手动探索变得极其费力。在设计流程参数调整领域存在一些工作。然而，非常有限的现有技术探索了多个感兴趣的结果质量 (QoR) 指标（例如延迟、功率和面积）之间的复杂相关性并同时明确优化这些目标。为了克服这些弱点并寻求物理设计工具的有效参数设置，在本文中，我们提出了一个多目标贝叶斯优化 (BO) 框架，以多任务高斯模型作为替代模型。采用基于信息增益的获取函数依次选择工具模拟候选对象，以有效逼近帕累托最优参数配置。在 7 纳米技术节点下的三个工业基准上的实验结果证明了所提出的框架相对于前沿作品的优越性。
PTPT：通过多目标贝叶斯优化进行物理设计工具参数调整
摘要 — 在先进的集成电路设计中，与电子设计自动化 (EDA) 工具相关的物理设计流程起着至关重要的作用。大多数情况下，输入物理设计工具的参数主要是基于专家的领域知识手动挑选的。然而，由于技术节点的不断缩小以及参数组合所跨越的设计空间的复杂性，甚至再加上耗时的仿真过程，这种对物理设计工具参数配置的手动探索变得极其费力。在设计流程参数调整领域存在一些工作。然而，非常有限的现有技术探索了多个感兴趣的结果质量 (QoR) 指标（例如延迟、功率和面积）之间的复杂相关性并同时明确优化这些目标。为了克服这些弱点并寻求物理设计工具的有效参数设置，在本文中，我们提出了一个多目标贝叶斯优化 (BO) 框架，以多任务高斯模型作为替代模型。采用基于信息增益的获取函数依次选择工具模拟候选对象，以有效逼近帕累托最优参数配置。在 7 纳米技术节点下的三个工业基准上的实验结果证明了所提出的框架相对于前沿作品的优越性。
过多的电子媒体使用：对学龄前儿童的情感和社会关系的影响
摘要。随着技术的快速增长，近年来，人们对人的过度使用已被大大宣告。e-Media正在改变人们的生活方式以及与他人互动的方式。越来越多的孩子即使在年轻人中也可以使用电子设备。因此，这项研究的目的是总结过度使用电子媒体对0至6岁学龄前儿童的心理发展影响的最新进展，并特别关注他们的情感和社会关系的发展。在先前的研究中强调了电子媒体过度使用对幼儿的总体负面影响，并在本研究中总结了。然而，很少的研究研究了不合理的电子媒体使用对学龄前儿童的情感和社会关系以及进一步后果的特定影响。关于情绪发展，高电子媒体暴露的学龄前儿童可能会有较高的焦虑和抑郁症风险。此外，由于情绪控制和由电子产品引起的父母冲突，过度使用电子媒体可以成为家庭中张力的根源。此外，它也会影响与与同行的沟通和视频中的暴力内容有关的同伴关系。
通过多层光转换>调查耐湍流的自由空间光学通信
摘要。多层光转换（MPLC）提供了自适应光学器件的替代方法，用于将湍流腐败的自由空间光束耦合到单模光纤或波导中。最近发布的测试结果表明，这种转换设备比自适应光学系统具有可比性或更好的性能。为了更好地了解设备特性，进行了模拟，以量化不同湍流强度和Hermite数量的功率损失 - 转换过程中使用的高斯模式。特定的病例研究是由美国陆军研究实验室开发的原型自由空间激光通信系统。拟议的仿真和统计结果报告了。还讨论了MPLC后梁功率组合器的分析。©作者。由SPIE在创意共享归因4.0国际许可下出版。全部或部分分发或复制此工作需要完全归因于原始出版物，包括其DOI。[doi：10.1117/1.oe.61.11.116104]
针对 SARS-CoV-2 nsp13 解旋酶并评估药物可利用性口袋：通过多位点计算机模拟药物再利用方法鉴定两种有效抑制剂
1 卡坦扎罗“大希腊”大学健康科学系，S 校区。 Venuta”，Viale Europa，88100 Catanzaro，意大利 2 Net4Science 学术衍生公司，卡坦扎罗“大希腊”大学，校区“S. Venuta”，Viale Europa，88100 Catanzaro，意大利 3 卡坦扎罗“大希腊”大学实验和临床医学系，S 校区。 Venuta”，Viale Europa，88100 Catanzaro，意大利 4 卡利亚里大学生命与环境科学系，Cittadella Universitaria di Monserrato，09124 卡利亚里，意大利 5 罗马 Tor Vergata 大学实验医学系，Via Montpellier，1，00133 罗马，意大利 6 计算应用研究所“Mauro Picone”-CNR，00185 罗马，意大利 * 通讯地址：artese@unicz.it；电话：+39-0961-3694297
通过多任务预测药物-靶标相互作用...
在药物发现中，识别靶蛋白和分子之间的结合至关重要。当每个任务的信息量较小时，多任务学习方法已被引入以促进任务之间的知识共享。然而，多任务学习有时会降低整体性能或在各个任务的性能之间产生权衡。在本研究中，我们提出了一种通用的多任务学习方案，通过组选择和知识提炼，不仅可以提高平均性能，还可以最大限度地减少个体性能的下降。根据配体靶标组之间的化学相似性来选择组，并将同一组中的相似靶标一起训练。在训练过程中，我们应用教师退火的知识提炼。多任务学习模型由单任务学习模型的预测引导。这种方法的平均性能高于单任务学习和经典多任务学习。进一步的分析表明，多任务学习对于低性能任务特别有效，知识提炼有助于模型避免多任务学习中单个任务性能的下降。
通过多尺度物联网重新分配可再生能源，实现面向 6G 的绿色高速公路管理
摘要 — 虽然最近关于为高速公路供电的可再生能源的研究为可持续环境提供了有希望的解决方案，但它们往往受到整个区域能源分布不均的阻碍，这是由于太阳照射和道路强度的差异导致的，而这些因素会通过电磁和机械方式产生能量。通过利用物联网 (IoT) 收集海量可再生能源数据，本文提出了一种改进高速公路能源管理的框架，该框架基于无人机辅助的无线可再生能源能量再分配。物联网架构结合了海量低速率感知和 6G 设想的高速传输进行数据聚合，具有多尺度，包括：i) 用于能源映射、再分配规划和预测的全球数据交换和分析，以及 ii) 在单个高速公路灯柱上进行本地数据感知和处理，用于微能源管理。通过分析成本可靠性分析来分析网络化能源系统的可行性。成本分析通过最低的能源需求和能源成本来证明设置和维护的成本效益。可靠性分析揭示了系统在某些条件下的能源加成 (E+) 特性，在影响能源生产的恶劣天气下可靠性增强。通过多尺度数据连接来智能管理独立的可再生能源，这项工作提出了一个可行的 6G 用例想法，其中大规模联网的能源传感器旨在实现超级连接和智能化的高速公路。
经过多日的练习，完成双手控制任务的从头运动学习
经过多天的练习，完成双手控制任务的从头运动学习 Adrian M. Haith 1 、Christopher Yang 2 、Jina Pakpoor 1 和 Kahori Kita 1 约翰霍普金斯大学 1 神经病学系、2 神经科学系，美国马里兰州巴尔的摩 摘要 尽管关于运动学习的许多研究都集中在我们如何调整动作以在面对强加的扰动时保持表现，但在许多情况下，我们必须从头学习新技能，或者从头学习。与适应相比，人们对从头学习知之甚少。部分原因在于学习一项新技能可能涉及许多挑战，包括学习识别新的感觉输入模式和产生新的运动输出模式。但是，即使有了熟悉的感觉线索和练习过的动作，根据当前状态快速选择适当的动作仍然是一个挑战。在这里，我们设计了一个双手手到光标映射来隔离这个控制问题。我们发现，尽管参与者对映射有明确的了解，但他们最初还是难以在这种双手映射下控制光标。然而，经过多天的练习，表现稳步提高。参与者在恢复到真实光标时没有表现出任何后遗症，这证实了参与者是从头开始学习新任务的，而不是通过适应。对目标中途运动扰动的纠正反应最初很弱，但随着练习，参与者逐渐能够对这些扰动做出快速而有力的反应。经过四天的练习，参与者在双手映射下的行为几乎与使用真实映射光标时的表现相匹配。然而，在表现水平上仍然存在微小但持续的差异。我们的研究结果说明了学习新控制器的动态和局限性，并引入了一个有前途的范例，用于研究运动技能学习的这一方面。 通讯作者：Adrian Haith 209 Carnegie 550 North Wolfe Street Baltimore, MD, 21287, USA adrian.haith@jhu.edu 简介