XiaoMi-AI文件搜索系统
World File Search System以逆性
人工智能能有创造力吗？ - 庆应义塾SFC社团
随着人工智能（AI）社会应用的推进，人们正在探索将人工智能应用于艺术和设计等创意领域。尤其是，许多研究和作品示例已经表明，人工智能可以通过使用生成对抗网络（GAN）和其他生成模型来生成“逼真”的图像和音乐，就好像它们是人类创造的一样。另一方面，有人可能会认为生成模型所做的只是从训练数据中学习到的统计模式的再现，并质疑它们作为表达的新颖性和独创性。在本文中，我们研究了人工智能和创造力的现状，并提出了一种通过扩展 GAN 框架来创造新颖表达，尤其是音乐表达的方法。通过这些，我们考虑了人工智能将在未来为创造不仅仅是模仿人类创作的表达做出贡献。
Microsoft Word -（已提交）2020 年秋季可靠性研讨会手稿
[1] Sato, Y.、Henley, EJ、Inoue, K.：“机器人危险控制系统设计的动作链模型”，IEEE Trans. on Reliability，第 39 卷，第 2 期，（1990 年 6 月）。[2] Kawashima, O.、Sato, Y.（2015 年）：”
通过逆问题的VAE的混合模型进行多种学习
用生成模型代表一系列非常高维数据在实践中已显示出非常有效的计算。但是，这要求数据歧管允许全局参数化。为了代表任意拓扑的多种流形，我们建议学习变分自动编码器的混合模型。在这里，每个编码器对代表一个歧管的一个图表。我们提出了一个模型权重估计的最大似然估计的损失函数，并选择一个为我们提供图表及其倒置的分析表达的体系结构。一旦学习了流形，我们就将其用于解决逆问题，通过最大程度地减少到学习歧管的数据实现项。为了解决最小化的问题，我们提出了在学习歧管上的riemannian梯度下降算法。我们证明了用于低维玩具示例的方法，以及某些图像歧管上的脱张和电阻抗层造影。关键字：多种学习，混合模型，变异自动编码器，Riemannian优化，反问题
ribodifusion：基于第三结构的RNA逆折叠与生成扩散模型
RNA设计显示了RNA在各种生物过程中的关键作用驱动的合成生物学和治疗剂中越来越多的应用。 一个基本的挑战是找到满足结构约束的功能性RNA序列，称为反折叠问题。 已经出现了基于二级结构的计算方法来解决此问题。 然而，由于数据的稀缺，非唯一的结构序列映射和RNA构象的灵活性，直接从3D结构设计RNA序列仍然具有挑战性。 在这项研究中，我们提出了RECODI↵一种用于RNA逆折叠的生成二次模型，可以学习给定3D主链结构的RNA序列的条件分布。 我们的模型由基于图神经网络的结构模块和基于变压器的序列模块组成，该模块将随机序列转换为所需的序列。 通过调整采样重量，我们的模型允许序列恢复和多样性之间进行交易，以探索更多的候选者。 我们将基于RNA聚类的测试集使用DI↵Cut-O↵S序列或结构相似性。 我们的模型在序列恢复中的表现优于基准，序列相似性分裂的平均相对改善为11％，结构相似性分裂的平均相对提高为16％。 此外，Ribodi↵在各种RNA长度类别和RNA类型中的表现始终如一。 我们还施加了内部折叠，以验证生成的序列是否可以折叠到给定的3D RNA骨架中。RNA设计显示了RNA在各种生物过程中的关键作用驱动的合成生物学和治疗剂中越来越多的应用。一个基本的挑战是找到满足结构约束的功能性RNA序列，称为反折叠问题。已经出现了基于二级结构的计算方法来解决此问题。然而，由于数据的稀缺，非唯一的结构序列映射和RNA构象的灵活性，直接从3D结构设计RNA序列仍然具有挑战性。在这项研究中，我们提出了RECODI↵一种用于RNA逆折叠的生成二次模型，可以学习给定3D主链结构的RNA序列的条件分布。我们的模型由基于图神经网络的结构模块和基于变压器的序列模块组成，该模块将随机序列转换为所需的序列。通过调整采样重量，我们的模型允许序列恢复和多样性之间进行交易，以探索更多的候选者。我们将基于RNA聚类的测试集使用DI↵Cut-O↵S序列或结构相似性。我们的模型在序列恢复中的表现优于基准，序列相似性分裂的平均相对改善为11％，结构相似性分裂的平均相对提高为16％。此外，Ribodi↵在各种RNA长度类别和RNA类型中的表现始终如一。我们还施加了内部折叠，以验证生成的序列是否可以折叠到给定的3D RNA骨架中。我们的方法可能是RNA设计的强大工具，可以探索庞大的序列空间并为3D结构约束发现新颖的解决方案。
在衰减模型不确定性下，Visco-Acoustic媒体中的定量逆问题
我们考虑了基于培养基刺激后响应波的测量值的粘性声材料的定量重建（例如，大量模量，密度）的逆问题。数值重建是通过迭代最小化算法进行的。首先，我们研究了算法在衰减模型不确定性方面的鲁棒性，也就是说，当使用不同的衰减模型分别用于模拟合成观察数据和反转时。其次，要处理由域周围墙边界产生的多个反射的数据集，我们使用复杂的频率进行反转，并表明它提供了一个强大的框架，可以减轻多种反射的界限。为了说明算法的效率，我们对超声成像实验的数值模拟进行了数值模拟，以重建包含高对比度特性的合成乳房样品。我们在两个和三个维度上进行实验，后者也可以证明大规模构造中的数值可行性。
通过深度学习的拓扑光子时间晶体的逆设计
摘要：光子时间晶体是现代光学物理学中一种新型的光子系统，导致具有新属性的设备。但是，到目前为止，由于时间晶体结构和拓扑特性之间的复杂关系，设计具有特定拓扑状态的光子时间晶体仍然是一个挑战。在这里，我们提出了一种基于学习的方法来应对这一挑战。在带有时间反演对称性的光子时间晶体中，每一个由动量间隙隔开的频带都可以具有非零量化的浆果相。我们表明，神经网络可以学习时间晶体结构和浆果相之间的关系，然后根据给定的浆果相特性确定光子时间晶体的晶体结构。我们的工作显示了一种将机器学习应用于时变光学系统的逆设计的新方法，并具有潜在的扩展到其他字段，例如随时间变化的声音设备。
grnade：3D RNA逆设计的几何深度学习
计算RNA设计任务通常被提出为反问题，其中设计序列是基于采用单个所需的二级结构而不考虑3D几何和构象多样性的。我们介绍了Grnade，这是在3D RNA骨干上运行的G型RNA de标志管道，以设计明确解释结构和动力学的序列。在引擎盖下，Grnade是一个多状态图神经网络，它在一个或多个3D主干结构上生成候选RNA序列，在该结构中，碱的身份未知。在单态固定骨架上，来自Das等人鉴定的PDB的14个RNA结构的重新设计基准。[2010]，与罗塞塔（Rosetta）相比，Grnade获得了更高的天然序列恢复率（平均为56％）（平均45％），与Rosetta报道的小时相比，要花一秒钟的时间才能产生设计。我们进一步证明了Grnade在用于结构柔性RNA的多状态设计的新基准上的实用性，以及对最近的RNA聚合酶核酶结构的回顾性分析中突变适应性景观的零摄像排名。