XiaoMi-AI文件搜索系统
World File Search System鹏程
19 Quingo - UTS 的 OPUS
傅晓燕，国防科技大学计算机学院量子信息研究所、高性能计算国家重点实验室，中国 余金涛，数学工程与先进计算国家重点实验室，中国 苏星，国防科技大学计算机学院，中国 蒋涵如，鹏程实验室量子计算中心，中国 吴华，华东师范大学上海市可信计算重点实验室，中国 程福成、邓曦、张金荣，鹏程实验室量子计算中心，中国 金磊、杨逸航、徐乐、胡春超，郑州大学信息工程学院，中国 黄安琪、黄光耀、强小刚、邓明堂、徐萍、徐伟霞，国防科技大学计算机学院量子信息研究所、高性能计算国家重点实验室，中国 万伟刘先生，国防科技大学计算机学院计算机科学系，中国 张宇先生，中国科学技术大学计算机科学与技术学院，中国
![arXiv:2009.01686v2 [quant-ph] 2021 年 8 月 7 日](/simg/g:\will\search\icon\source\9\9ede1be631b53026d9f30d763f4d38e8cc5ca7db.webp)
arXiv:2009.01686v2 [quant-ph] 2021 年 8 月 7 日
QUINGO 开发团队： 傅学锋，国防科技大学计算机学院量子信息研究所、高性能计算国家重点实验室，中国 俞金涛，数学工程与先进计算国家重点实验室，中国 苏星，国防科技大学计算机学院，中国 蒋涵如，鹏程实验室量子计算中心，中国 吴华，华东师范大学上海市可信计算重点实验室，中国 程福成、邓曦、张金荣，鹏程实验室量子计算中心，中国 金磊、杨一航、徐乐、胡春超，郑州大学信息工程学院，中国 黄安琪、黄光耀、强小刚、邓明堂、徐萍、徐伟霞，国防科技大学计算机学院量子信息研究所、高性能计算国家重点实验室，中国国防科技大学计算机学院，中国 刘万伟，国防科技大学计算机学院，中国 张宇，中国科学技术大学计算机科学与技术学院，中国 邓宇欣，华东师范大学上海市可信计算重点实验室，中国 吴俊杰，国防科技大学计算机学院量子信息研究所、高性能计算国家重点实验室，中国 冯远，悉尼科技大学量子软件与信息中心，澳大利亚
人类大脑的职业神经可塑性
1 深圳大学医学部生物医学工程学院，深圳，中国，2 徐州医科大学附属连云港医院神经内科，连云港，中国，3 中国科学院心理研究所脑科学与学习困难研究中心，北京，中国，4 深圳大学脑疾病与认知科学中心，深圳，中国，5 上海海事大学数字图像与智能计算实验室，上海，6 香港大学电气电子工程系，香港，7 深圳大学医学部药学院，深圳，中国，8 鹏程实验室，深圳，中国，9 江苏海洋大学计算机工程学院人工智能与神经信息工程 (ARINE) 实验室，连云港，中国
![arXiv:2003.03414v3 [quant-ph] 2021 年 1 月 3 日 - NSF-PAR](/simg/g:\will\search\icon\source\e\e236ed567ec085f76af69306a9ff64371016618d.webp)
arXiv:2003.03414v3 [quant-ph] 2021 年 1 月 3 日 - NSF-PAR
1 路易斯安那州立大学赫恩理论物理研究所和物理与天文系，路易斯安那州巴吞鲁日 70803，美国。2 复旦大学物理系、场论与粒子物理中心和纳米电子器件与量子计算研究所，上海 200433，中国 3 复旦大学表面物理国家重点实验室，上海 200433，中国 4 鹏程实验室量子计算中心，深圳 518066，中国 5 佛罗里达大西洋大学物理系，777 Glades Road，博卡拉顿，FL 33431，美国 6 上海纽约大学-华东师范大学物理研究所，上海市中山北路 3663 号，200062，中国。 7 中国科学技术大学中国科学院-阿里巴巴量子计算实验室，中国科学院量子信息与量子物理卓越创新中心，上海 201315。8 日本国立信息通信技术研究所，东京 184-8795 小金井市贯井北町 4-2-1，日本 9 埃尔朗根-纽伦堡大学量子引力研究所，Staudtstr. 7/B2，91058 埃尔朗根，德国
用于显示的双通道量子元全息图
范玉斌 , a,b,c, † 梁红 , d,e, † 王昱涵, f, † 陈淑凡, a,b,c 赖方星, f 陈木库, a,b,c 肖淑敏, f,g, * 李仁森, d,e, * 和蔡鼎平 a,b,c, * a 香港城市大学，电机工程学系，香港，中国 b 香港城市大学，生物系统、神经科学及纳米技术中心，香港，中国 c 香港城市大学，太赫兹及毫米波国家重点实验室，香港，中国 d 香港科技大学，物理系，香港，中国 e 香港科技大学，高等研究院量子技术研究中心，香港，中国 f 哈尔滨工业大学（深圳），工业和信息化部微纳光电信息系统重点实验室，广东省半导体光电材料与智能光子学重点实验室系统，深圳，中国 g 鹏程实验室，深圳，中国
协调亚太经合组织与东盟地区电机能效法规合格评定工作
项目团队成员谨向前亚太经合组织 EGEE&C 主席李鹏程先生和中国标准化研究院刘韧先生表示最诚挚的谢意，感谢他们在自费研讨会的筹备和举办过程中提供的宝贵支持。项目成员还感谢现任 EGEE&C 主席、机电工程署 VY Ek-Chin 先生及其团队在中国香港首次活动期间提供的强大本地支持。特别感谢联合效率组织 (U4E) 共同赞助两次研讨会，并与项目参与者分享高质量的信息和工具。还要特别感谢美国电气制造商协会 (Dan Delaney 先生和 Kirk Anderson 先生代表，感谢他们分享有关合格评定国际最佳实践的经验和知识。组织者还高度评价东盟能源中心 (ACE) 参加在中国台北举办的研讨会，这显然是对区域合作的鼓励。还必须特别提到中国台北当地 UL 团队的大力支持，特别是 Ray Sung 先生和 Nick Lee 先生，他们为研讨会和中国台北现场访问期间的内容和后勤安排提供了便利。此外，项目组织者还希望向两次研讨会的所有参与者表示最诚挚的谢意，感谢他们的积极贡献。
使用多标签学习和社区检测方法 (DTI-MLCD) 预测药物-靶标相互作用
1 上海交通大学微生物代谢国家重点实验室、生命科学与技术学院，上海 200240；2 深圳市南山区西丽街道万科云城一期 8 号楼鹏程实验室，518055；3 卡尔加里大学 摘要 识别药物-靶标相互作用 (DTI) 是药物发现和药物重新定位的重要步骤。为了降低大量的实验成本，蓬勃发展的机器学习已被应用于该领域并开发了许多计算方法，尤其是二元分类方法。然而，当前方法的性能仍有很大改进空间。多标签学习可以减少二元分类学习所面临的困难并具有较高的预测性能，并且尚未得到广泛探索。它面临的关键挑战是指数级的输出空间，考虑标签相关性可以帮助它。因此，我们通过引入用于 DTI 预测的社区检测方法 (称为 DTI-MLCD) 来促进多标签分类。另一方面，我们更新了2008年提出并沿用至今的金标准数据集。我们在更新前后的金标准数据集上执行了所提出的DTI-MLCD，结果表明它比其他经典机器学习方法和其他基准提出的方法更具优越性，证实了它的有效性。本研究的数据和代码可以在https://github.com/a96123155/DTI-MLCD找到。 关键词：药物-靶标相互作用，数据集更新，多标签学习，标签相关性，社区检测 1.引言 对于药物开发来说，药物发现（即发现潜在的新药）和药物重新定位（即获得具有新功效的旧药）是两个重要且成本高昂的策略[2]，而实现它们的重要步骤就是预测DTI。近年来，许多研究将流行的机器学习技术应用于实现智能医疗，在一定程度上加速了药物开发的进程。对于DTIs预测，利用机器学习技术不仅可以缩小实验研究的实验范围，而且可以对实验研究起到指导作用。近年来有很多综述文章[3-7]总结了机器学习方法在DTIs预测领域的进展，二分类方法是其中一个重要分支。对于二分类方法