XiaoMi-AI文件搜索系统
World File Search System集合
全球气候变化下太阳能潜力的未来：CMIP6 多模型集合分析
联合国可持续发展目标 (SDG) 强调了利用可再生能源在不损害全球排放目标的情况下增加清洁能源使用量的重要性。本研究探讨了气候变化对近期（2015 年至 2040 年）和远期（2041 年至 2100 年）全球太阳能潜力的影响。评估使用了参与耦合模型比较计划第 6 阶段 (CMIP6) 的五个大气环流模型 (GCM) 模拟的三个不同共享社会经济路径 (SSP) e SSP1-2.6、SSP2-4.5 和 SSP5-8.5 的能源变量。研究发现，北半球秋季印度次大陆和中国的光伏 (PV) 潜力下降了 6% 至 10%（相对于 1981 至 2014 年的气候数据），这可能与季风后云量增加有关。北美和澳大利亚出现了持续下降，而在欧洲，即使在最坏的排放情景 (SSP5-8.5) 下，光伏潜力的预计下降也仅限于北半球冬季，因此不会对未来的光伏电力规划构成真正的威胁。然而，南半球夏季非洲光伏潜力的轻微下降和全球聚光太阳能 (CSP) 的持续下降与早期的研究相矛盾。© 2022 Elsevier Ltd. 保留所有权利。
基于集合经验模态分解技术的广域风电-储能调度规划
摘要 — 本文致力于解决一项极具挑战性的任务，即开发一种针对广阔地理区域的风力发电的日前调度计划程序。使用完全集合经验模态分解技术，结果表明区域聚集风力发电的低频分量占风能利用的扰动能量的最大比例。通过利用低频分量的慢变特性，可以轻松获得这些分量的准确预测，并将其纳入开发的调度计划程序中。在拟议的电力流控制策略下运行的集中式电力调度储能系统提供的缓冲作用有助于实现广域风力发电的可调度性。使用抽水蓄能系统作为调度储能介质，说明了所开发程序的有效性。
使用CNN集合模型基于脑电图的重叠划分...
※这是根据创意共享归因非商业许可（http://creativecommons.org/licenses/by-nc/3.0/）发行的开放访问文章，允许在任何媒介中在任何媒介中进行无限制的非商业用途，分发和复制，前提是原始工作是正确的。
通过集合建模和转移学习朝着药物目标相互作用预测
摘要 - 拖延目标相互作用（DTI）预测在药物发现中起着至关重要的作用，而深度学习方法在这一领域中达到了最先进的表现。我们为DTI预测介绍了深度学习模型（ENSEMBLEDLM）的合奏。eNSEMBLEDLM仅使用化学化合物和蛋白质的序列信息，它汇总了来自多个深神经网络的预测。这种方法不仅在戴维斯和基巴数据集中实现了最先进的性能，而且在不同的生物活性类型和不同蛋白质类别的跨域应用中达到了尖端性能。我们还证明了EnseMbleDLM在新域中取得了良好的性能（Pearson相关系数和一致性指数> 0.8），而训练集的数据是传输学习的两倍数据。索引术语 - Trug-Target互动预测，集合建模，转移学习，卷积神经网络，深神经网络
基于单个电子自旋和量子点中核自旋集合存储器的量子中继器
受量子点核自旋控制和操纵方面的最新进展的启发，这些进展允许将电子自旋态转移到周围的核自旋集合中进行存储，我们提出了一种量子中继器方案，该方案结合了单个量子点电子自旋和核自旋集合，分别用作自旋光子接口和量子存储器。我们考虑使用嵌入高协同性光学微腔中的低应变量子点。量子点核自旋集合允许长期存储纠缠态，并且预示着纠缠交换是使用腔辅助门执行的。我们重点介绍了实现量子中继器方案所需的量子点技术的进步，该方案有望建立长距离高保真纠缠，其分布速率超过光子的直接传输。
使用能量景观可视化方法来检查淀粉样蛋白β单体变体的集合及其倾向以形成纤维
哺乳动物的视觉系统由平行的分层专业途径组成。不同的途径在使用更适合支持特定下游行为的表示形式方面是专门的。在特定的情况下，最清楚的例子是视觉皮层的腹侧（“ What what”）和背（“ Where”）途径的专业化。这两种途径分别支持与视觉识别和运动有关的行为。至今，深度神经网络主要用作腹侧识别途径的模型。但是，尚不清楚是否可以使用单个深ANN对两种途径进行建模。在这里，我们询问具有单个损失函数的单个模型是否可以捕获腹侧和背途径的特性。我们使用与其他哺乳动物一样的小鼠的数据探讨了这个问题，这些途径似乎支持识别和运动行为。我们表明，当我们使用自我监督的预测损失函数训练深层神经网络体系结构时，我们可以在拟合鼠标视觉皮层的其他模型中胜过其他模型。此外，我们可以对背侧和腹侧通路进行建模。这些结果表明，应用于平行途径体系结构的自我监督的预测学习方法可以解释哺乳动物视觉系统中看到的一些功能专业。
活细胞中GAGA转录因子的先驱功能的动力学原理 从神经1 的局部记录中解码皮质范围的脑活动 natora，一种相关性的方法，可最大程度地减少遗传和法学分析中数据集大小的损失 使用能量景观可视化方法来检查淀粉样蛋白β单体变体的集合及其倾向以形成纤维 视觉皮层的功能专业化是从训练平行途径中出现的 远程连接镜子和链接人脑中的微体系结构和认知层次结构 使用量子监督的机器学习分析SARS COV-2患者数据 组成限制的玻尔兹曼机器公开了神经组件的大脑范围组织 胎盘纳米粒子介导的IGF1基因治疗纠正豚鼠模型中的胎儿生长限制 使用多模式变压器网络的药物目标相互作用预测显示出高的蛋白质的普遍性
在体内对先锋因素与染色质的接口如何促进转录控制的可及性。在这里，我们通过活果蝇血细胞中的原型GAGA先驱因子（GAF）直接可视化染色质关联。单粒子跟踪表明，大多数GAF是染色质结合的，稳定的结合分数显示出在染色质上存放在染色质上的核小体样限量超过2分钟，比大多数转录因子的动态范围更长。这些动力学特性需要GAF的DNA结合，多聚化和本质上无序的结构域的完全补充，并且是招募的染色质重塑剂NURF和PBAP的自主性，其活动主要使GAF的邻居受益于HSF，例如HSF。对GAF动力学的评估及其内源性丰度表明，尽管有势动力学，但GAF组成且完全占据了染色质靶标，从而提供了一种时间机制，从而维持对体内稳态，环境和发育信号的转录染色质的开放式染色质。
![b'given x，y \ xe2 \ x88 \ x88 {0，1} n，设置不相交在于确定某些索引i \ xe2 \ x88 \ x88 \ x88 [n]是否x i = y i = 1。我们研究了在分布式计算方案中计算此函数的问题，在分布式计算方案中，在长度路径的两个末端，输入x和y被给予处理器。该路径的每个顶点都有一个量子处理器，可以通过每回合交换O（log n）量子位，可以与其每个邻居进行通信。我们对计算设置脱节所需的回合数量感兴趣，而恒定概率远离1/2。我们称此问题\ xe2 \ x80 \ x9cset上的一条线\ xe2 \ x80 \ x9d。 Le Gall和Magniez [LM18]引入了线路上的集合脱节，以证明计算Congest模型中任意网络直径的量子分布复杂性的下限。但是，当处理器在路径的中间顶点上使用的局部内存受到严重限制时，它们只能提供下限。更确切地说，仅当每个中间处理器的局部内存由O（log n）Qubits组成时，它们的边界才适用。在这项工作中，我们证明了e \ xe2 \ x84 \ xa6 3 \ xe2 \ x88 \ x9a'](/simg/a/a3a16029f985bb8947bb960ec03cd84e9bb71486.webp)
b'given x，y \ xe2 \ x88 \ x88 {0，1} n，设置不相交在于确定某些索引i \ xe2 \ x88 \ x88 \ x88 [n]是否x i = y i = 1。我们研究了在分布式计算方案中计算此函数的问题，在分布式计算方案中，在长度路径的两个末端，输入x和y被给予处理器。该路径的每个顶点都有一个量子处理器，可以通过每回合交换O（log n）量子位，可以与其每个邻居进行通信。我们对计算设置脱节所需的回合数量感兴趣，而恒定概率远离1/2。我们称此问题\ xe2 \ x80 \ x9cset上的一条线\ xe2 \ x80 \ x9d。 Le Gall和Magniez [LM18]引入了线路上的集合脱节，以证明计算Congest模型中任意网络直径的量子分布复杂性的下限。但是，当处理器在路径的中间顶点上使用的局部内存受到严重限制时，它们只能提供下限。更确切地说，仅当每个中间处理器的局部内存由O（log n）Qubits组成时，它们的边界才适用。在这项工作中，我们证明了e \ xe2 \ x84 \ xa6 3 \ xe2 \ x88 \ x9a'
b'given x，y \ xe2 \ x88 \ x88 {0，1} n，设置不相交在于确定某些索引i \ xe2 \ x88 \ x88 \ x88 [n]是否x i = y i = 1。我们研究了在分布式计算方案中计算此功能的问题，在该方案中，在长度路径的两个末端将输入X和Y提供给处理器。该路径的每个顶点都有一个量子处理器，可以通过每回合交换O（log n）Qubits来与其每个邻居进行通信。我们对计算设置不相交所需的回合数感兴趣，而恒定概率远离1/2。我们称此问题\ xe2 \ x80 \ x9cset脱节在行\ xe2 \ x80 \ x9d上。集合脱节，以证明在计算模型中计算任意网络的直径的量子分布式复杂性。但是，当处理器在路径的中间顶点上使用的局部内存受到严重限制时，它们只能提供下限。更确切地说，仅当每个中间处理器的本地内存由O（log n）量子位组成时，它们的边界才适用。在这项工作中，我们证明了E \ xe2 \ x84 \ xa6 3 \ xe2 \ x88 \ x9a'
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
基于集合学习的基于磁共振图像的本地斑块分类，以检测大脑中的铁沉积
摘要：已经观察到正常衰老的大脑中的铁沉积，并且与神经退行性疾病有关。据我们所知，尚未进行基于大脑基底神经节区域的铁沉积的大脑磁共振图像（MRI）的自动分类。使用简单的MRI技术来分析大脑中的铁区域非常困难。MRI序列（SWI）（SWI）有助于区分脑铁区域。我们工作的目的是研究大脑基底神经节区域的某些区域的铁地区并对MR图像进行分类。该研究包括60个MRI图像，由40名具有铁区域的受试者和20名健康对照受试者组成。我们进行了高斯平滑，然后根据铁和正常区域构建了每个MR图像的40个局部贴片。灰度合作矩阵（GLCM）特征是从斑块中提取的，并喂入随机森林（RF）分类器，用于基于贴片的铁区域。数据补丁特征的培训是由随机森林分类器进行的，并测量了分类器的性能。实验结果表明，使用随机森林分类器对脑铁图像进行分类的拟议局部贴片方法实现了96.25％的分类精度，可从脑MR序列中识别正常和铁区域。