این تحقیق مدل رشد نئوکلاسیک را با استفاده از روش داده های تابلویی، مورد آزمون قرار داده است. روش داده های تابلویی روشی است که بر پایه آن در یک آزمون اقتصادسنجی به طور همزمان دو سری زمانی و مقطعی کنار یکدیگر قرار گرفته و نقاط مورد مشاهده افزایش می یابد و در نتیجه کارایی تخمین زده می شود. آزمون تئوری رشد نئوکلاسیک با تاکید بر عوامل برون زا و درون زا، برای 52 کشور منتخب در سری زمانی 1960 تا 2000 انجام پذیرفته است. متغیرهای مستقل مدل، بر اساس نتایج تحقیقات آزمون شده قبلی انتخاب شده و در سه مدل مجزا که در مقاطع کشورهای توسعه یافته، در حال توسعه و کل کشورها می باشند، از نظر قدرت توضیح دهندگی مورد آزمون قرار گرفته اند. این عوامل عبارتند از: تولید ناخالص ملی با یک وقفه زمانی، نرخ رشد سنی نیروی کار، سطح تحصیلات، تغییرات انباشت سرمایه و حجم تجارت اقتصاد. نتیجه آزمون ها حاکی از آن است که مدل رشد نئوکلاسیک، با ورود متغیرهای درون زا می تواند بخش قابل توجهی از رشد اقتصادی کشورها را توضیح دهد. این مساله به خصوص در مورد کشورهای توسعه یافته صنعتی از قاطعیت بیشتری برخوردار است. در عین حال با بهره گیری از روش تابلویی اثرات ثابت، می توان تفاوت های ساختاری و بنیادی کشورهای مختلف را در فرایند رشد اقتصادی مشاهده کرد و نشان داد که شرایط مختلف اقتصادی، اجتماعی و... چگونه در کشورها و مناطق متمایز رشد را تحت تاثیر قرار می دهد. .

1مقدمه:  تحلیل داده های سلول-منفرد نقش بسزایی در فهم پیچیدگی های عملکرد سلول ها ایفا می کند. تحلیل این داده ها با چالش هایی مانند کاهش ابعاد ناکارآمد و خوشه بندی نامطلوب مواجه هستند. هدف این مقاله ارائه روشی است که ضمن افزایش کیفیت بازسازی و کاهش ابعاد داده­ها، خوشه­بندی داده­های سلول-منفرد را بهبود ­بخشد. روش کار: در این مطالعه یک روش جدید به نام (Single-cell Analysis using Multi-Scale autoencoder) SAMS  ارائه می­شود که از یک مدل خود رمزگذار چندمقیاسی برای بهبود چالش های موجود در تحلیل داده های سلول-منفرد بهره می برد. روش پیشنهادی SAMS شامل سه مرحله اصلی است: (1) پیش پردازش و نرمال سازی داده­ها، (2) استفاده از مدل شبکه عصبی عمیق برای بازسازی و کاهش ابعاد داده ها به کمک خودرمزگذار چندمقیاسی و (3) خوشه بندی داده های کاهش یافته با استفاده از الگوریتم K-means برای ارزیابی عملکرد روش پیشنهادی. یافته ها: روش پیشنهادی SAMS با استفاده از زبان پایتون پیاده­سازی شده و نتایج به دست آمده بر روی مجموعه داده­های سلول-منفرد  نشان می دهد که SAMS می­تواند سلول­ها را با کیفیت بالایی در یک فضای دو بُعدی با میانگین نرخ 89%  NNE= نمایش دهد که نشان­دهنده حفظ مناسب ساختار داده­ها است. همچنین، شاخص­های سیلوئت و دیویس-بولدین در ارزیابی دقت خوشه بندی، نشان می­دهد که روش پیشنهادی به ترتیب با میانگین 66/0 و 50/0 توانسته بهبود خوبی را در خوشه­بندی سلول­ها ایجاد کند. نتیجه گیری: روش پیشنهادی SAMS با ترکیب مدل خودرمزگذار چندمقیاسی و الگوریتم  K-meansتوانسته نتایج بهتری نسبت به روش های پیشین به دست آورد. به کارگیری SAMS در تحلیل داده های سلول-منفرد می تواند به پژوهشگران در درک بهتر عملکرد سلول ها و کشف الگوهای جدید کمک کند.

امروزه رادیوجراحی استریوتاکتیک مبتنی بر گامانایف، برای درمان ضایعات مغزی با ابعاد کوچک بسیار توسعه یافته است. جهت بررسی دزیمتری و ارزیابی سیستم طراحی درمان گامانایف نیاز به استفاده از شبیه سازی مونت کارلو با استفاده از کد اختصاصی beamnrc که دارای گزینه های non CT Data و CT Data است، می باشد. اما با توجه به مزایا و عدم مزایای این گزینه ها، انتخاب گزینه بهتر و صحیح تر کد هدف اصلی این مطالعه می باشد. در این مطالعه برای اندازه گیری توزیع دز از دستگاه گامانایف مدل 4C، فانتوم استاندارد کروی معادل آب و نیز فیلم های EBT3 بهره گیری شد. شبیه سازی فانتوم کروی با هر دو گزینه کد beamnrc، CT Data و non CT Data انجام گرفت و نتیجه توزیع دز حاصله مقایسه گردید. مقایسه نتایج توزیع دز شبیه سازی با اندازه گیری در هر سه راستا با دارا بودن شاخص گامای کوچکتر از یک نشاندهنده اعتبار شبیه سازی می باشد. همچنین مقایسه توزیع دز حاصل از شبیه سازی به هر دو روش نشان دهنده اختلاف معنی داری بین منحنی ها نمی باشد. براساس نتایج بدست آمده کد beamnrc با استفاده از هر دو گزینه CT Data و non CT Data می تواند دقت یکسانی جهت محاسبه توزیع دز فراهم نماید. لذا روش non CT Data با توجه به سهولت استفاده برای فانتوم های با شکل منظم ارجح می باشد.