Уникальные публикации PubMed, Europe PMC и Crossref, сохранённые в библиотеке. Одна статья учитывается один раз, даже если получена из нескольких источников. Личные исследования и документы команд не публикуются.
Идёт проверка счётчикаДоступно в поиске—
Публикации, уже подготовленные для быстрого поиска. Остальная библиотека подключается в фоне.
Переведено на русский—
Готовые переводы среди доступных в поиске публикаций. Автоматический медицинский перевод и проверка специалистом учитываются отдельно.
Полные тексты—
Найденные полные тексты среди доступных в поиске публикаций. Доступность определяется первоисточником и условиями использования.
Оригиналов на русском—
Русскоязычные оригиналы доступны без ожидания перевода. Ниже — языки остальных оригиналов; для них готовится медицинский перевод на русский.
Пополняем библиотеку по диагнозам—Проверяем состояние обновлений
Для каждого диагноза из справочника МКБ-10 ищем связанные публикации в научных базах и добавляем их в библиотеку. Числа ниже — диагнозы, а не статьи.
Если сбор прервался, тема требует повторной попытки. Уже сохранённые статьи остаются в библиотеке.
Нажмите на показатель для подробностей. Показатели поиска обновляются автоматически; размер всей библиотеки сверяется отдельно. Время последней проверки указано явно.
Результаты поиска
357247 публикаций
Поиск: 218 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 7315 с найденным полным текстом
Transition-metal oxides (TMOs) constitute a key material family in spintronics because of mutually coupled degrees of freedom and tunable magneto-ionic properties. In this Perspective, we consider oxide spintronics as a knot of physics and chemistry and mainly discuss two current hot topics: spin-charge interconversion and magneto-ionics. First, spin-charge interconversion is focused on oxide films and heterostructures including 4d/5d heavy metal oxides (e.g., SrIrO3) and two-dimensional electron gases. Based on spin-charge interconversion, charge currents can be transformed to spin currents a
СтатьяОбзорПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Many multicellular systems problems can only be understood by studying how cells move, grow, divide, interact, and die. Tissue-scale dynamics emerge from systems of many interacting cells as they respond to and influence their microenvironment. The ideal "virtual laboratory" for such multicellular systems simulates both the biochemical microenvironment (the "stage") and many mechanically and biochemically interacting cells (the "players" upon the stage). PhysiCell-physics-based multicellular simulator-is an open source agent-based simulator that provides both the stage and the players for stud
СтатьяПоддержка NIH: внешняя программаПоддержка исследования: вне правительства СШАПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
More than 60 years of biochemical and biophysical studies have accustomed us to think of proteins as highly purified entities that act in isolation, more or less freely diffusing until they find their cognate partner to bind to. While in vitro experiments that reproduce these conditions largely remain the only way to investigate the intrinsic properties of molecules, this approach ignores an important factor: in their natural milieu , proteins are surrounded by several other molecules of different chemical nature, and this crowded environment can considerably modify their behaviour. About 40%
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Bridging density functional theory (DFT) fidelity with reactive molecular dynamics scales remains a fundamental computational material science challenge. Although reactive force field (ReaxFF) potentials use numerical bond-order terms, their calibration is an ill-posed, high-dimensional inverse problem. This study introduces uncertainty-aware ReaxFF potentials via a physics-informed Bayesian optimization (PIBO) framework. This framework embeds physical bounds, positivity constraints, and stability priors directly into the optimization loop, employing an adaptive Gaussian process surrogate with
СтатьяПолный текст не найденПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Machine learning has introduced a transformative paradigm for the rapid prediction of crystal properties, circumventing the need for explicit knowledge of crystal packing structures. However, when applied to high-density organic systems such as energetic ionic salts, conventional general-purpose molecular descriptors often exhibit limited prediction accuracy, generalization capability, and extrapolation capability. To address this challenge, we propose a physics-inspired multi-body descriptor (PIMBD). By decoupling the modeling of cations and anions and employing the co-evolutionary optimizati
СтатьяПолный текст не найденПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Modeling concentric tube robots (CTRs) involves complex nonlinear continuum mechanics, and despite recent progress, physics-based models often lack an accurate representation of the experimental setups. To overcome these limitations, deep neural network-based models have been explored as alternatives with superior accuracy; however, they often overlook known mechanics, require large training datasets, and typically discard shape estimation of the robot. We present a physics-informed neural network (PINN) for kinematic modeling of a 6-DoF CTR with three pre-curved tubes that embed the Cosserat
СтатьяПолный текст не найденПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
The integration of artificial intelligence with physical modeling offers a transformative route for accelerating the design of active nanophotonic devices. Here, we present NanoPhotoNet-Lase, a physics-informed neural network (PINN) framework that embeds the electromagnetic and rate equations of lasing directly into its learning process to expedite the design of metasurface nanolasers. By coupling Maxwell's vector Helmholtz equation with the four-level population dynamics of dye gain media, the model achieves physics-guided prediction of optical responses, enabling rapid estimation of lasing t
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Many fundamental biological processes are governed by mechanical forces, with proteins acting as the key molecular mediators. Elucidating how protein unfolding responds to force is critical for understanding the mechano-pathologies, such as cardiomyopathy and muscular dystrophy. While the unfolding trajectories measured by Single-Molecule Force Spectroscopy (SMFS) map the instantaneous force response against molecular extension, its broader application is limited by time-consuming data collection and high operational costs. Here, we present the first scalable generative diffusion framework for
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Motion-corrupted inverse problems remain a central bottleneck in magnetic resonance imaging (MRI), especially for high-resolution 3D acquisitions where long readouts couple rigid-body displacement with non-Cartesian k-space sampling. We present a physics-informed implicit neural representation (INR) that recasts 3D motion correction as continuous neural field estimation. The method embeds a differentiable rigid-body motion operator into the INR forward model, enabling joint, zero-shot optimization of the motion trajectory and motion-free volume directly from raw k-space, without external navig
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Аннотация не предоставлена источником. Откройте карточку для перехода к публикации.
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Accurate forecasting of viral disease outbreaks is crucial for guiding public health responses and preventing widespread loss of life. Recently, Physics-Informed Neural Networks (PINNs) have emerged as a promising framework for capturing viral infection dynamics and predicting their future progression. Standard PINNs are effective in simulating disease dynamics through forward modeling approach; however, they often face challenges in estimating key biological parameters from sparse or noisy data in inverse problems. To overcome these limitations, a recent extension, known as Disease-Informed N
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
The circulation of cerebrospinal and interstitial fluid plays a vital role in clearing metabolic waste from the brain, and its disruption has been linked to neurological disorders. However, directly measuring brain-wide fluid transport, especially in the deep brain, has remained elusive. Here, we introduce magnetic resonance artificial intelligence velocimetry (MR-AIV), a framework featuring a specialized physics-informed architecture and optimization method that reconstructs three-dimensional fluid velocity fields from dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI). MR-AIV unv
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Introduced by Bejan in 1996, the constructal law asserts that a finite-size flow system must evolve into configurations that provide easier access to the currents that flow through it in order to persist in time. This paper synthesizes the application of this principle to biosystems across multiple levels of biological organization, unifying evidence from physiology, animal locomotion, plant biology, microbiology, cellular biology, neurobiology, and social biology within a common framework. Tree-shaped vascular and bronchial networks; Kleiber's 3/4 power law of metabolism; the 1/4 power laws o
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Tunable diode laser absorption spectroscopy (TDLAS) is widely used for quantitative trace gas analysis. However, direct concentration regression from raw transmitted-intensity spectra remains challenging because weak absorption signals are entangled with baselines, optical-intensity fluctuations, and photodetector noise. Conventional absorbance-based inversion methods rely on baseline extraction and may introduce distortions, while end-to-end models often treat spectra as ordinary one-dimensional sequences and insufficiently account for the multiplicative coupling between optical background an
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Well-designed and trained deep neural networks can solve inverse electromagnetic problems much faster than conventional solvers. However, they need a physics framework to ensure producing physically correct results. Since most physics-guided deep learning inverse solvers require substantial training with numerous epochs, each involving solving a forward problem, their accuracy and efficiency are largely defined by the utilized forward solver, which becomes a bottleneck for their practical training. Thus, a fast and accurate self-supervised deep learning forward solver is presented. The solver
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Deep learning has the potential to address the bottleneck of conventional medical microwave tomography, which is ill-posed and has a high computation cost. However, current physics-guided deep learning methods may fail to capture the imaged object's salient regions, resulting in misdiagnosis. A deep neural network inspired by the distorted Born iterative method (DBIM) is proposed to address this challenge. This method, which avoids using Green's function, provides a theoretical explanation of why current deep learning methods guided by iterative physics algorithms fail in detecting abnormal ti
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Underwater images suffer from wavelength dependent attenuation and multiple scattering, which often lead to severe color casts, veiling effects, and reduced contrast. These degradations weaken the stability of key vision modules such as feature detection, feature matching, edge extraction, and object recognition, and ultimately compromise applications including visual navigation, structural inspection, and environmental monitoring for underwater robots. To improve global color consistency while preserving local texture details, we propose a Physics-Guided Texture-Aware Fusion for Real-World Un
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Three-dimensional excitation-emission matrix (EEM) fluorescence spectroscopy is widely used to characterize dissolved organic matter (DOM). In practice, parallel factor analysis (PARAFAC) often requires stringent quality control and extensive preprocessing, and data-driven machine-learning approaches are constrained by the limited size and sparsity of available EEM datasets. A unified, physically consistent framework is described for EEM decomposition, centered on dual normalization that decouples spectral shape from intensity and supports a stable inverse mapping across the evaluated data set
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Reliable prediction of CO2 injectivity decline is essential for safe geological carbon storage, yet existing machine learning models often provide deterministic point predictions that lack uncertainty quantification. This paper presents a physics-informed Gaussian process regression (PC-GPR) framework for Relative Injectivity Change (RIC) prediction, embedding constraints derived from two independently grounded physical laws: the Derjaguin-Landau-Verwey-Overbeek (DLVO) colloidal monotonicity condition and the Civan-Kozeny-Carman permeability impairment model. Four GP variants are developed and
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Inverse problems in pharmacometrics and quantitative systems pharmacology (QSP) often involve sparse, noisy data, limited measurable states, and complex dynamical systems. Traditional parameter estimation methods can struggle with ill-posed problems, stiffness, discontinuities, and gray-box scenarios where only part of the system dynamics is known or observable. This tutorial provides an end-to-end, reproducible workflow for applying physics-informed neural networks (PINNs) to PK/PD/QSP inverse problems and gray-box discovery tasks. We present three worked case studies: (1) constant parameter
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.