W artykule przedstawiono obserwację produkcji WWγ (dwa bozony W i foton) w zderzeniach proton-proton przy energii względem środka masy wynoszącej 13 TeV i całkowitej zebranej świetlności 138 fb-1 (odwrotnych femtobarnów). Zaobserwowana (oczekiwana) istotność wynosi 5,6 (5,1) odchylenia standardowego. Wydarzenia zostały wyselekcjonowane poprzez wymaganie obecności dokładnie dwóch leptonów (jednego elektronu i jednego mionu) o przeciwnych ładunkach, umiarkowanego brakującego pędu poprzecznego oraz fotonu. Zmierzony efektywny przekrój czynny dla produkcji WWγ wynosi 5,9±0,8(błąd statystyczny)±0,8(błąd systematyczny)±0,7(błąd modelu) fb, co jest zgodne z przewidywaniami poprawki kolejnego do wiodącego rzędu chromodynamiki kwantowej (NLO QCD). Analizę rozszerzono o poszukiwanie skojarzonej produkcji bozonu Higgsa i fotonu, generowanej poprzez sprzężenie bozonu Higgsa z lekkimi kwarkami. Wynik został wykorzystany do ograniczenia wartości sprzężeń bozonu Higgsa z lekkimi kwarkami.

W pracy zaprezentowano Asymptotycznie Optymalny A* (AOA*), heurystyczny, losowy algorytm planowania ruchu przy braku funkcji sterującej. AOA* jest próbą zaadaptowania algorytmu A* do działania w ciągłej przestrzeni poszukiwań przy jednoczesnym zachowaniu prostoty oryginalnego A* i przy użyciu heurystyki tak prostej jak odległość euklidesowa. Wykorzystując techniki takie jak adaptacyjne odrzucanie węzłów na podstawie kosztu ruchu, ponowna inicjalizacja listy otwartych węzłów oraz adaptacyjne dostrajanie stopnia rozgałęzienia drzewa przeszukiwań, AOA* przewyższa algorytmy takie jak SST*, AO-RRT czy DIRT zarówno pod względem czasu obliczeń do pierwszego rozwiązania jak i tempem zbiegania do rozwiązania optymalnego. 

Folie na bazie skrobi mogą być wykorzystywane w takich zastosowaniach, jak jednorazowe opakowania do żywności o krótkim okresie przydatności do spożycia. W związku z tym folie skrobiowe mogą stanowić ekologiczną alternatywę dla niektórych opakowań z tworzyw sztucznych. W tej pracy analizowano wpływ zawartości hydrofobowej krzemionki na właściwości mechaniczne, swobodną energię powierzchniową, chropowatość powierzchni oraz morfologię folii otrzymanych ze skrobi kukurydzianej. W tym celu wykorzystano komercyjnie dostępną amorficzną hydrofobową nanokrzemionkę Aerosil® R972.

Najniższą wartość energii swobodnej powierzchni zaobserwowano dla folii skrobiowych o najniższej zawartości gliceryny i krzemionki (57 ± 1 mJ/m² dla CG40S2.5), natomiast najwyższą dla folii z najwyższą zawartością gliceryny i krzemionki (73 ± 2 mJ/m² dla CG80S5.0). Zbadano również wpływ zawartości krzemionki na wytrzymałość na rozciąganie i wydłużenie przy zerwaniu. Wyniki pokazały, że wraz ze wzrostem zawartości krzemionki zwiększa się chropowatość powierzchni. Obserwacje przeprowadzone za pomocą SEM i EDS potwierdziły jednorodność opracowanych materiałów. Badania pokazują, że komercyjnie dostępna krzemionka typu Aerosil® może być z powodzeniem stosowana do modyfikacji właściwości folii skrobiowych.

Przełomowe badania nad ultradźwiękową atomizacją we współpracy z AMAZEMET – spin-offem Politechniki Warszawskiej

Ultradźwiękowa atomizacja to technologia, która może zrewolucjonizować produkcję proszków metalowych, kluczowych dla druku 3D. Precyzyjna kontrola rozmiaru i kształtu cząstek ma ogromne znaczenie dla jakości finalnych komponentów, a nasze badania otwierają nowe możliwości w tej dziedzinie.

W ramach eksperymentu połączyliśmy przetwornik ultradźwiękowy z płytką z kompozytu węglowego, badając atomizację kropel i cienkich warstw cieczy pod wpływem różnych parametrów ultradźwięków. 

Naukowy przełom: obserwacja w czasie rzeczywistym
Za pomocą szybkiej kamery optycznej i ultraszybkiego obrazowania synchrotronowego rentgenowskiego, udało się po raz pierwszy zarejestrować zjawisko kawitacji w trakcie atomizacji statycznych kropli oraz warstw cieczy. Zjawiska kawitacyjne wpływały na fale kapilarne, przebijając granicę międzyfazową i rozbijając ciecz na mgłę atomizowaną – a mechanizm ten okazał się kluczowy dla precyzji i efektywności atomizacji.

Kuliste cząstki – przyszłość druku 3D
Podczas atomizacji ciekłego aluminium osiągnęliśmy kuliste cząstki o sferycznej morfologii. Eksperymenty wykazały, że zmniejszenie amplitudy drgań pozwala na precyzyjną kontrolę rozmiaru cząstek, co otwiera drogę do produkcji proszków najwyższej jakości.

Badania, realizowane w międzynarodowym zespole i współpracy z AMAZEMET – spin-offem Politechniki Warszawskiej, podkreślają potencjał tej technologii jako przełomu w produkcji proszków metalowych. Odkrycie kluczowej roli kawitacji w procesie atomizacji toruje drogę do nowych strategii przetwarzania, które mogą zrewolucjonizować przemysł druku 3D i produkcję zaawansowanych materiałów.

Baterie magnezowe (Mg) mają duży potencjał jako rozwiązanie do magazynowania energii na dużą skalę, jednak ich rozwój został opóźniony przez brak wysokowydajnych katod. W niniejszej pracy rozwiązujemy ten problem, umożliwiając odwracalną konwersję czterech elektronów w pierwiastkowym tellurze (Te0/Te4+), co pozwala na demonstrację baterii dwujonowych Mg//Te. W szczególności klasyczny elektrolit kompleksu chlorku magnezu i glinu (MACC) został zmodyfikowany przez dodanie soli Mg(TFSI)2, który inicjuje konwersję Te0 w Te4+ w dwóch wyraźnych etapach. Katoda Te przechodzi konwersję Te/TeCl4, w której Cl− pełni rolę nośników ładunku, a faza podchlorku telluru występuje jako pośredni etap. Co ważne, katoda Te osiąga wysoką pojemność specyficzną wynoszącą 543 mAh gTe−1 oraz wyjątkową gęstość energii 850 Wh kgTe−1, przewyższając większość wcześniej opisanych katod. Analiza elektrolitu wskazuje, że dodatek Mg(TFSI)2 zmniejsza ogólną interakcję jon-cząsteczka oraz osłabia siłę agregacji jon-rozpuszczalnik w elektrolicie MACC, co sprzyja łatwiejszej dysocjacji Cl− z elektrolitu. Ponadto, Mg(TFSI)2 jest potwierdzony jako kluczowy bufor, który łagodzi korozję i pasywację anody Mg spowodowaną konsumpcją elektrolitu MgCl2 w ogniwach dwujonowych Mg//Te. Odkrycia te dostarczają istotnych informacji na temat rozwoju zaawansowanych baterii dwujonowych opartych na magnezie.

Artykuł przedstawia metodologię tworzenia systemów wspierających optymalne podejmowanie decyzji przy wyborze parametrów procesów produkcyjnych i narzędzi, z punktu widzenia minimalizacji skłonności do powstawania wad produktów. Opracowany system doradczy opiera się na dwóch kluczowych filarach: przeszukiwaniu bazy danych wyodrębnionej z bazy firmy oraz modelu uzyskanego z tych samych danych. Model ten służy do wyodrębnienia bazy roboczej z oryginalnej bazy przedsiębiorstwa i skonfigurowania algorytmu wyszukiwania. Artykuł najpierw omawia charakterystykę typowych danych rejestrowanych w procesie produkcyjnym i przedstawia dane wykorzystane w niniejszej pracy. Następnie przedstawiono różne ogólne koncepcje budowy systemu doradczego oraz uzasadnienie wyboru systemu łączącego podejście bazodanowe z modelowaniem opartym na uczeniu maszynowym. Zaprezentowano podstawy systemu dedykowanego procesowi wytłaczania aluminium, a następnie implementację systemu, w tym przykłady jego funkcjonowania. Opracowany system nie tylko umożliwia podejmowanie decyzji na podstawie zarejestrowanych przypadków i ukrytych zależności wykrytych przez modele w procesie produkcyjnym, ale także pomaga identyfikować przyczyny problemów. Może również pomóc zwrócić uwagę na krytyczne parametry produktu z punktu widzenia jego wytwarzania.

Wprowadzenie
Ostre uszkodzenie nerek (AKI) jest poważnym i powszechnym powikłaniem zakażenia SARS-CoV-2. Większość dotychczasowych narzędzi oceny ryzyka AKI została zaprojektowana z myślą o oddziałach intensywnej terapii lub populacjach osób starszych. Wraz z przechodzeniem pandemii COVID-19 w fazę endemiczną rośnie zapotrzebowanie na transparentne i precyzyjne modele predykcyjne, które będą wspierać decyzje kliniczne w różnych grupach pacjentów.

Znaczenie metod XAI w medycynie
W dziedzinach takich jak medycyna, gdzie decyzje mogą mieć krytyczne konsekwencje dla pacjentów, istotne jest, aby modele uczenia maszynowego były nie tylko skuteczne, ale również zrozumiałe dla użytkowników. Metody wyjaśnialnej sztucznej inteligencji (XAI, ang. Explainable AI) pozwalają na przejrzystą interpretację działania modeli, co buduje zaufanie i umożliwia ich zastosowanie w praktyce klinicznej. Dzięki temu lekarze mogą lepiej zrozumieć mechanizmy, które leżą u podstaw predykcji, oraz skuteczniej wspierać pacjentów w podejmowaniu decyzji dotyczących leczenia.

Cele
Celem pracy było opracowanie wiarygodnego i transparentnego modelu predykcyjnego ryzyka wystąpienia AKI u hospitalizowanych pacjentów z COVID-19, który mógłby być łatwo interpretowany przez personel medyczny.

Pacjenci, metody i wyniki
Analiza objęła dane medyczne 4630 pacjentów z COVID-19 hospitalizowanych  w dużym ośrodku referencyjnym w Małopolsce, w okresie od marca 2020 r. do stycznia 2022 r. . Wykorzystano model lasów losowych, dostrojony za pomocą wiedzy eksperckiej i walidacji krzyżowej. Średnia wydajność modelu, oceniona na podstawie pola pod krzywą (AUC), wyniosła 0,798. Zastosowanie metod XAI umożliwiło identyfikację kluczowych czynników ryzyka, takich jak potrzeba wsparcia oddechowego, przewlekła choroba nerek i stężenie prokalcytoniny, co dodatkowo zwiększyło zrozumienie wyników przez personel medyczny.

Wnioski
Model CRACoV‑AKI pozwala na skuteczną i transparentną ocenę ryzyka AKI, wspierając lekarzy w podejmowaniu świadomych decyzji. Dzięki zastosowaniu technik XAI narzędzie to może być z powodzeniem wykorzystane w praktyce klinicznej, zapewniając zrozumiałe i precyzyjne wsparcie decyzyjne.

Dotychczasowa problematyka badań naukowych nie porusza zagadnień związanych ze zmianą dokładności sond impulsowych podczas pomiarów wykonywanych na obrabiarkach CNC. W artykule po raz pierwszy zaproponowano i doświadczanie zweryfikowano procedurę badań niezawodnościowych sond impulsowych stosowanych na obrabiarkach CNC. Badania przeprowadzono na przykładowej popularnej sondzie elektrostykowej, dla której w warunkach laboratoryjnych wykonano procedurę badań niezawodnościowych obejmującą 30 mln przełączeń. Na podstawie uzyskanych wyników zaproponowano koncepcję procedury badań niezawodnościowych takiej sondy oraz podjęto próbę oceny wpływu procesu eksploatacji na jej na parametry metrologiczne. Istotnym zagadnieniem pracy jest opracowanie koncepcji analizy i interpretacji wyników procesu zużycia poprzez określenie, które parametry opisujące sondę dostarczają najwięcej informacji o procesie degradacji i jak przewidywać czas eksploatacji takiego urządzenia.

Klasyczne podejście do zmian strukturalnych zachodzących podczas przejścia ferroelektrycznego w układach o strukturze perowskitu, takich jak BaTiO3, zakłada, że polaryzacja jest wynikiem przesunięcia kationów w pozycjach B z ich centralnych położeń. W naszej pracy pokazujemy, że w przypadku związku 0,2(Ba0,4Sr0,6TiO3)–0,8(Bi0,5Na0,5TiO3) bazującym na bizmutowym tytanianie sodu (BNT), model ten nie oddaje dokładnie zmian strukturalnych związanych z przejściem ferroelektrycznym. Układy bazujące na BNT są szczególnie interesujące jako bezołowiowa alternatywa dla obecnie używanych materiałów w różnych zastosowaniach piezoelektrycznych i ferroelektrycznych.

Badania wykonane przy użyciu wysokorozdzielczej dyfraktometrii neutronowej, spektroskopii impedancyjnej oraz obliczeń ab initio wykazały, że wkład jonów Ti4+ do całkowitej polaryzacji stanowi mniej niż jedną trzecią jej wartości. Istotną rolę w polaryzacji odgrywają natomiast przesunięcia jonów O2– oraz kationów w pozycjach A, szczególnie Bi3+. Szczegółowe wyjaśnienie przejścia ferroelektrycznego w badanym układzie umożliwia zrozumienie mechanizmu takich przejść w innych ferroelektrycznych perowskitach, zwłaszcza tych zawierających pierwiastki z wolnymi parami elektronowymi.

Przedstawiamy Graph of Thoughts (GoT): ramy koncepcyjne, które rozszerzają możliwości stosowania podpowiedzi w dużych modelach językowych (LLM) poza te oferowane przez podejścia takie jak Chain-of-Thought czy Tree of Thoughts (ToT). Kluczowym pomysłem i główną zaletą GoT jest możliwość modelowania informacji generowanych przez LLM jako dowolnego grafu, w którym jednostki informacji („myśli LLM”) stanowią wierzchołki, a krawędzie odpowiadają zależnościom między tymi wierzchołkami. Takie podejście pozwala na łączenie dowolnych myśli LLM w synergiczne wyniki, wydobywanie istoty całych sieci myśli lub ulepszanie myśli za pomocą pętli sprzężenia zwrotnego.

Pokazujemy, że GoT oferuje przewagę nad najnowocześniejszymi metodami w różnych zadaniach, na przykład zwiększając jakość sortowania o 62% w porównaniu z ToT, jednocześnie obniżając koszty o ponad 31%. Zapewniamy, że GoT jest rozszerzalny o nowe transformacje myśli, dzięki czemu może być wykorzystywany do tworzenia nowych schematów podpowiedzi. Praca ta przybliża sposób rozumowania LLM do myślenia ludzkiego lub mechanizmów działania mózgu, takich jak rekurencja, które również tworzą złożone sieci.

W pracy rozważamy problem wyboru wszystkich istotnych zmiennych w zadaniu klasyfikacji wielo-etykietowej. Zadanie to jest bardziej ogólne niż problem wyboru minimalnego optymalnego zbioru zmiennych, gdzie zadaniem jest identyfikacja najmniejszego możliwego podzbioru zmiennych, który umożliwia predykcje etykiet. W rozpatrywanym przez nas podejściu, celem jest identyfikacja wszystkich atrybutów powiązanych ze zmiennymi celu. Jest to ważny problem w takich dziedzinach jak medycyna czy bioinformatyka. W artykule opisano formalnie problem wyboru wszystkich cech w kontekście klasyfikacji wieloetykietowej, stosując podejście teorio-informacyjne. Zaproponowano miarę istotności cech oraz efektywną metodę jej obliczania, opartą na dolnym oszacowaniu warunkowej informacji wzajemnej. Kolejnym praktycznym wyzwaniem było oddzielenie cech istotnych od nieistotnych. W tym celu zaproponowano procedurę testowania opartą na schemacie permutacyjnym. Ocena empiryczna metod identyfikacji wszystkich istotnych cech wymaga specyficznego podejścia. W badaniach uwzględniono szeroki zakres symulowanych zbiorów danych reprezentujących różne struktury zależności i zawierających różne typy interakcji. Wyniki eksperymentów na symulowanych zbiorach danych oraz dużej bazie klinicznej pokazują, że zaproponowana metoda skutecznie identyfikuje istotne cechy.

Sieć PCANet jest uproszczoną wersją splotowej sieci neuronowej (CNN). Wykorzystuje ona model głębokiego uczenia w podprzestrzeniach. Typowe filtry PCA używają kwadratowej normy Frobeniusa jako miary odległości stosowanej w procesie uczenia. W związku z tym wykazują one dużą czułość na odstające wartości danych. Typowa sieć PCANet napotyka trudności w wyodrębnianiu informacji strukturalnych wzdłuż wierszy i kolumn cyfrowej reprezentacji obrazów, bowiem filtry muszą być uprzednio zwektoryzowane. Aby rozwiązać te problemy zaproponowano bardziej odporną, dwukierunkową, dwuwymiarową wersję PCANet (RBDPCANet), w której filtry wykorzystują zmodyfikowaną odległość łagodzącą negatywny wpływ wartości odstających na wynik analiz porównawczych obrazów. Dodatkowo, w funkcji celu uwzględnia się jednocześnie związek między błędami rekonstrukcji a odległościami projekcji. Po krótkim opisie koncepcji PCANet oraz przedstawienia związanych z poruszoną tematyką prac, opisano metodologię generowania trzech jąder splotowych w postaci algorytmów RBDPCANet-1, RBDPCANet-2 i RBDPCANet-3. Te jądra buduje się iteracyjnie, są one odpowiednie do implementacji numerycznych. Każdy z trzech algorytmów używa innej funkcji celu w procesie optymalizacji. Pokazano, że w zadaniach rozpoznawania obrazów, opracowane metody charakteryzują się lepszą odpornością na szumy w porównaniu z klasycznym podejściem PCANet. Wykazano poprawność formalną opracowanych metod oraz wykazano odporność algorytmów na obroty obrazów. Skuteczność zaproponowanej metodologii została zweryfikowana z wykorzystaniem obrazów pochodzących z publicznie dostępnych zbiorów danych. Obszerne wyniki eksperymentalne wykazały, że zaproponowane algorytmy RBDPCANet nie tylko znacząco poprawiają efektywność klasyfikacji obrazów, ale również charakteryzują się silną odpornością na  przesłonięcia, zmiany oświetlenia, zmiany orientacji itp.