Owing to the discontinuous specificity and complexity of architecture design space, the issue of selecting and combining components comprising the engineered system, numerous constraints and associations need to be accounted for, adding up to a complex and substantial cognitive load on the system architects, which makes it challenging to tackle the current demand of adaptive improvements or innovative upgrading of the existing mature architectural solutions. To this end, this paper proposes an intelligent design exploration method for complex system architecture generation with reinforcement learning. The architectural design space (ADS) is identified by defining the dimensions of ADS, including model, quantity, and design chain, as well as the mathematical boundaries and representation to facilitate computable intelligent design exploration. On this basis, by adopting AI techniques primarily based on reinforcement learning, a massive and reliable architectural scheme is rapidly generated, and a more satisfying and robust architectural solution is selected by accessing the fuzzy Pareto frontier. Validation of the method is demonstrated through a case study of a launch vehicle's first and second-stage separation system. This research contributes valuable insights to overcoming the limitations of traditional techniques and enhancing the efficiency of the generative design and decision-making for complex engineered system architecture.

Abstract Arylalkylamine N ‐acetyltransferase (aaNAT) is a crucial enzyme that catalyses the transfer of acetyl groups from acetyl coenzyme A to arylalkylamines and arylamines. Evolutionary studies have identified a distinct class of aaNATs specific to mosquitoes, yet their functions remain elusive. This study focuses on Ae‐aaNAT7 , a mosquito‐unique gene in Aedes aegypti (Diptera:Culicidae), to explore its functionality. Temporal and spatial expression analysis of Ae‐aaNAT7 mRNA revealed high expression during embryonic development and in first‐instar larvae, with notable expression in the limbs of adult mosquitoes based on tissue expression profiling. By further employing CRISPR/Cas9 technology for loss‐of‐function studies, our investigation revealed a reduction in the area of white spotting in the limbs of Ae‐aaNAT7 mutant adult mosquitoes. Further investigation revealed a significant decrease in the fecundity and hatchability of the mutants. Dissection of the ovaries from Ae‐aaNAT7 heterozygous mutants showed a noticeable reduction in the oocyte area compared with wild type. Dissection of the exochorion of the eggs from Ae‐aaNAT7 homozygous mutants consistently revealed a striking absence of mature embryos. In addition, RNA interference experiments targeting Ae‐aaNAT7 in males resulted in a reduction in fecundity, but no effect on hatchability was observed. These collective insights underscore the substantial impact of Ae‐aaNAT7 on reproduction and its pivotal contribution to adult limb pigmentation in Ae. aegypti . These revelations offer insights pivotal for the strategic design of future insecticide targets.

Spatial genomic technologies include imaging- and sequencing-based methods (

Trust is critical in humans' interactions with artificial intelligence (AI). In this large-scale survey study (N = 2187), we examined the effects of 19 factors on people's trust in AI. Across the three dimensions of trust (i.e., the trustor, the trustee, and their interacting context), factors related to the trustee (i.e., AI) were found to affect trust in AI the most. Among factors in the trustee category, warmth and competence, two factors also critical to human trust relationships, emerged as the most pivotal ones, and they partially mediated the effects of other factors on trust in AI. We further show that trust in AI influenced participants' intentions to collaborate and use AI both directly and as the mediator between warmth, competence, and other factors and intentions. These findings indicate that trust in AI shares much common ground with trust in humans, and provide practical suggestions on how to promote people's trust in AI effectively.

PURPOSE Lung cancer screening (LCS) has the potential to reduce mortality and detect lung cancer at its early stages, but the high false-positive rate associated with low-dose computed tomography (LDCT) for LCS acts as a barrier to its widespread adoption. This study aims to develop computable phenotype (CP) algorithms on the basis of electronic health records (EHRs) to identify individual's eligibility for LCS, thereby enhancing LCS utilization in real-world settings. MATERIALS AND METHODS The study cohort included 5,778 individuals who underwent LDCT for LCS from 2012 to 2022, as recorded in the University of Florida Health Integrated Data Repository. CP rules derived from LCS guidelines were used to identify potential candidates, incorporating both structured EHR and clinical notes analyzed via natural language processing. We then conducted manual reviews of 453 randomly selected charts to refine and validate these rules, assessing CP performance using metrics, for example, F1 score, specificity, and sensitivity. RESULTS We developed an optimal CP rule that integrates both structured and unstructured data, adhering to the US Preventive Services Task Force 2013 and 2020 guidelines. This rule focuses on age (55-80 years for 2013 and 50-80 years for 2020), smoking status (current, former, and others), and pack-years (≥30 for 2013 and ≥20 for 2020), achieving F1 scores of 0.75 and 0.84 for the respective guidelines. Including unstructured data improved the F1 score performance by up to 9.2% for 2013 and 12.9% for 2020, compared with using structured data alone. CONCLUSION Our findings underscore the critical need for improved documentation of smoking information in EHRs, demonstrate the value of artificial intelligence techniques in enhancing CP performance, and confirm the effectiveness of EHR-based CP in identifying LCS-eligible individuals. This supports its potential to aid clinical decision making and optimize patient care.

Object detection in remote sensing imagery poses significant challenges due to the vast scale variations and longtail class distributions inherent in these scenarios. Traditional object detectors often struggle to balance the conflicting requirements of translation invariance for classification and translation equivariance for localization. In this paper, we propose a Decoupled Multi-class Object Detection (DMOD) framework designed to address these challenges. The DMOD framework introduces a novel decoupling strategy, which separates the optimization of the localization and classification tasks, thereby avoiding the suboptimal solutions that arise from their conflicting demands. Specifically, the Decoupled Localization Branch (DLB) independently optimizes class-agnostic localization using a dedicated regression head, while the Decoupled Classification Branch (DCB) focuses on category prediction using translationinvariant features. Additionally, a Training-Independent Module (TIM) is incorporated to mitigate the impact of long-tail distributions by leveraging information theory to prioritize informative samples during training. Extensive experiments conducted on the DIOR and NWPU VHR-10 datasets demonstrate that our DMOD framework significantly outperforms existing state-ofthe-art methods, achieving superior mean Average Precision (mAP) scores of 74.79% and 95.23%, respectively. These results validate the effectiveness of the proposed decoupling strategy in enhancing object detection performance in complex remote sensing scenarios.