XiaoMi-AI文件搜索系统
World File Search System卡洛
卢卡·卡洛尼
[C125] G. Eichler、B. Seyoum、K.-L. Chiu 和 L. P. Carloni。MindCrypt：大脑作为基于 SoC 的脑机接口的随机数生成器。在国际计算机设计会议 (ICCD) 论文集，第 70-77 页，2023 年 11 月。[C124] G. Tombesi、J. Zuckerman、P. Mantovani、D. Giri、M. Cassel Dos Santos、T. Jia、David Brooks、G.-Y。Wei 和 L. P. Carloni。SoCProbe：基于异构 NoC 的 SoC 的组合后硅验证。在国际片上网络研讨会 (NOCS) 论文集，第 1:1–1:6 页，2023 年 9 月。[C123] B. Stitic、L. Urbinati、G. Di Guglielmo、L. Carloni 和 M.R.Casu。增强的机器学习流程，用于微波传感系统检测食品中的污染物。在 IEEE 农业食品电子会议 (CAFE) 上，2023 年 9 月。[C122] N. Zeng、T. Jung、M. Sharma、G. Eichler、J. Fabbri、R. J.Cotton、E. Spinazzi、B. Youngerman、L. Carloni 和 K. L. Shepard。一种无线、机械柔性、25 µ m 厚、65,536 通道硬膜下表面记录和刺激微电极阵列，带有集成天线。在 VLSI 电路研讨会上，第 1-2 页，2023 年 6 月。[C121] F. Gao, T.-J.Chang, A. Li, M. Orenes-Vera, D. Giri, P. Jackson, A. Ning, G. Tziantzioulis, J. Zuckerman, J. Tu, K. Xu, G. Chirkov, G. Tombesi, J. Balkind, M. Martonosi, L. Carloni 和 D. Wentzlaffi。DECADES：67mm2、1.46TOPS、55 Giga 缓存一致的 64 位 RISC-V 指令/秒、异构多核 SoC，包含 109 个图块，包括加速器、智能存储和 12nm FinFET 中的 eF-PGA。在论文集定制集成电路会议 (CICC) 中，第 1-2 页，2023 年 4 月。[C120] K.-L. Chiu、G. Eichler、B. Seyoum 和 L. P. Carloni。EigenEdge：使用 risc-v 和硬件加速器在边缘实时执行软件。在网络物理系统和物联网周刊中，第 1-6 页，2023 年 5 月。[C119] B. Seyoum、D. Giri、K.-L. Chiu、B. Natter 和 L. P. Carloni。PR-ESP：用于设计和编程部分可重构 SoC 的开源平台。在欧洲设计、自动化和测试会议 (DATE) 的论文集，第 1-6 页，2023 年 3 月。[C118] T. Tambe、J. Zhang、C. Hooper、T. Jia、P. N. Whatmough、J. Zuckerman、M. Cassel、E. J. Loscalzo、D. Giri、K. L. Shepard、L. P. Carloni、A. M. Rush、D. Brooks 和 G.-Y。魏。在 ISSCC 技术论文摘要中，第 342-343 页，2023 年。魏，12nm 18.1TFLOPs/W 稀疏变换器处理器，具有基于熵的早期退出、混合精度预测和细粒度电源管理。[C117] B. Seyoum、D. Giri、K.-L. Chiu 和 L. P. Carloni。用于设计和编程部分可重构异构 SoC 的开源平台。嵌入式系统编译器、架构和综合国际会议记录 (CASES)，第 25-26 页，2022 年 10 月。[C116] T. Jia、P. Mantovani、M. Cassel Dos Santos、D. Giri、J. Zuckerman、E. J. Loscalzo、M. Cochet、K. Swaminathan、G. Tombesi、J. J. Zhang、N. Chandramoorthy、J.-D. Wellman，K. Tien，L.P. Carloni，K. Shepard，D. Brooks，G.-Y。
蒙特卡洛法的进步用于模拟具有碳基填充物的导电聚合物复合材料的电渗透行为
能够自我更新和多能分化的骨骼干细胞（SSC）有助于骨发育和稳态。已经报道了不同骨骼部位的几个SSC人群。在这里，我们确定了一个形而上的SSC（MPSSC）种群，其转录景观与其他骨间充质基质细胞（BMSC）不同。这些MPSSC由位于生长板下方的SSTR2或PDGFRB + KITL-标记，仅源自肥厚的软骨细胞（HCS）。这些hc衍生的MPSSC具有体外和体内自我更新和多能量的特性，在产后产生大多数HC后代。HC特异性缺失，这是运输所需的内体分选复合物的一个组成部分，会损害HC-TO-MPSSC转换并损害小梁骨的形成。因此，MPSSC是骨髓中BMSC和成骨细胞的主要来源，支持产后小梁骨形成。
使用蒙特卡洛辐射转运模拟光动力疗法，以治疗胶质母细胞瘤
结果：模拟表明，使用标准的Indygo试验方案（光通量= 200 j cm 2在球囊壁上）在治疗结束时39％的GBM细胞在治疗结束时被杀死，并且最初的光敏浓度为5μmM.5μMM。 安全。增加P热敏化剂浓度产生的细胞杀伤最大增加，当将浓度加倍至10μm时，有61％的GBM细胞杀死了，并保持治疗时间并保持相同的能力。根据这些模拟，标准试验方案进行了合理的优化，并且在没有潜在危险的情况下，细胞杀死的改善难以实现。为了改善治疗结果，应将重点放在改善光敏剂上。
大卫·巴卡洛夫（David Bakalov） - 工程企业家精神
Penn Engineering Enterpreneurship Interhip Program，研究员|宾夕法尼亚州费城，2023年12月 - •12个Penn学生之一，被选为12个月的工作研究计划，以发展创造，扩展和领先的原则性高成长技术业务方面的企业家技能。Pesaran Lab，志愿研究人员|宾夕法尼亚州费城2023年9月•进行独立研究项目，以分析非人类灵长类动物的睡眠依赖性运动学习。•将很快接受动物处理和神经外科手术的培训。Halpern Lab，志愿研究人员|宾夕法尼亚州费城，2023年9月••辅助WithDataCollection clinicaltrialofadeep – BrainStimulationDevice（RNS）ISTIMEDEDEDEDEDEDEDEDEDERDENDERTMENTOFTERTMENTOFCOMPOLATIVERADERS。试验涉及脑电图，RNS，VR任务，食物挑衅任务和MATLAB行为任务。Penn Be Labs Bio -Makerspace，学生雇员|宾夕法尼亚州费城2023年9月 - 现在•在常规和延长时间内进行实验室维护和学生监督。•培训学生采用各种技术，例如激光切割和3D打印；协助实验室课程和高级设计项目。Suthana Lab，员工研究助理|加利福尼亚州洛杉矶，2022年6月 - 2023年8月。进行了神经心理学评估，fMRI扫描，TMS会议和EEG记录。•通过筛选200多名潜在参与者来提高招聘率，每月约2名参与者参加3周协议。•在癫痫监测单元和植入具有反应性神经刺激（RNS）装置的患者中进行了研究。•安排了所有实验室会议，项目会议和实验室访问。
在NISQ时代量子处理器上对AKLT状态的高保真实现 advnf：减少使用对抗性学习的有条件归一流流程中的模式崩溃 远程量子ising模型的有限温度临界行为 NISQ算法的矩阵元素的矩阵元素 在p s ... 下的独家J/ψ和ψ（2s）生产的测量 随机系列膨胀量子蒙特卡洛（Rydberg Arrays）
AKLT状态是各向同性量子Heisenberg Spin-1模型的基态。它表现出激发差距和指数衰减的相关函数，并在其边界处具有分数激发。到目前为止，仅通过捕获离子和光子系统实验实现了一维AKLT模型。在这项工作中，我们成功地准备了嘈杂的中间量子量子（NISQ）ERA量子设备上的AKLT状态。尤其是，我们在IBM量子处理器上开发了一种非确定性算法，其中AKLT状态制备所需的非单生操作员嵌入到单一操作员中，并为每对辅助旋转旋转1 /2的额外的Ancilla Qubit带有附加的Ancilla Qubit。这样的统一操作员有效地由由单量子和最近的邻居CX门组成的参数化电路表示。与Qiskit的常规操作员分解方法相结合，我们的方法导致了较浅的电路深度，仅邻近邻居的大门，而原始操作员的忠诚度超过99.99％。通过同时选择每个Ancilla Qubit，以使其属于旋转|↑>的子空间，可以通过从最初的单元状态以及量子计算机上的旋转量中的旋转量中的初始产品状态以及随后对所有其他物理量进行录制来系统地获得AKLT状态。我们展示了如何通过减轻读数错误的IBM量子专业人员进一步提高实施的准确性。
使用...进行高效低温蒙特卡洛采样
量子退火 (QA) 的出现是未来量子计算发展的重要一步，也将极大地促进统计物理和材料科学建模的发展。到目前为止，QA 在这些领域的应用仍然很少，其中包括确定具有长程弹性相互作用的平衡微结构 1 、横向场 Ising 模型中的相变 2 、通过 Shastry-Sutherland 模型研究受挫磁系统的能态 3 以及设计超材料 4 。另一个例子是结合使用量子退火器和玻尔兹曼机来采样自旋玻璃并预测 MoS 2 层的分子动力学数据 5 。更一般地说，由 D-Wave 公司实施的 QA 可以有效地找到离散优化问题的基态配置，在学术界和工业界都有许多应用 6 – 10 。 QA 的概念是在低温下以明确定义的基态初始化系统的哈密顿量，然后平滑地转换能量景观，使其代表所需的优化问题。如果仔细执行这种绝热变换，系统最终会处于目标哈密顿量的基态，因此可以找到优化问题的全局最小值。然而，在实践中，准备、转换和读出过程并不是完全绝热、无噪音和与环境分离的，因此有时会发现能量更高的状态，尤其是与简并态 11 或太小的能隙结合时。因此，对于典型的 QA 应用，需要多次重复和读出来确定真实基态。在本文中，我们证明了该技术的这一缺陷实际上可以转化为优点，因为它可以非常有效地确定有限温度的热力学性质。从材料科学的角度来看，T = 0K 时的基态配置通常只对许多实际应用具有有限的意义。例如，对于铁磁体，所有自旋都排列在基态，而对于有限温度，热涨落会导致有限的关联长度、相变和温度相关的磁化。对此类属性进行统计建模的传统方法是使用蒙特卡罗 (MC) 采样技术，因为由于相空间的巨大规模，通常无法明确计算配分函数。此类计算最突出的方法可能是使用 Metropolis 转移概率生成离散马尔可夫链，这会生成一系列遵循玻尔兹曼统计的配置，因此可以通过更容易地计算这些马尔可夫链上的时间平均值来表达集合平均值 12、13。在实践中，根据玻尔兹曼分布 p ∼ exp ( − β ∆ E ) (其中 β = 1 / k BT )，从一个状态到另一个状态的转变正在发生，其概率取决于两个配置之间的能量差 ∆ E 。通常，这种方法在低温下效率低下，因为新配置的拒绝率非常高，因此在局部最小值中捕获的相空间采样不足，导致对所需热力学性质的预测有噪声。另一种重要的采样策略是由 Wang 和 Landau 开发的，他们使用非马尔可夫算法通过平坦直方图技术提取状态密度，从中可以计算出所有所需的热力学性质 14 。除了这些主要技术之外，Dall 等人还开发了一种在低温下快速采样玻尔兹曼分布的算法。然而，这种算法最适合具有短程相互作用的系统 15 。另一种公平采样基态和
使用 GATE 和 Geant4-DNA 蒙特卡洛模拟评估天然放射性矿泉中微生物的辐射剂量
1 克莱蒙物理实验室 (LPC) - UMR6533，法国克莱蒙奥弗涅大学 CNRS/IN2P3，奥比埃，法国，2 LTSER “Zone Atelier Territoires Uranif è res”，克莱蒙费朗，法国，3 微生物：基因组环境实验室 (LMGE) - UMR6023，法国克莱蒙费朗克莱蒙奥弗涅大学 CNRS，4 物理和环境地理实验室 (GEOLAB) - UMR6042，法国克莱蒙费朗克莱蒙奥弗涅大学 CNRS，5 亚原子物理和相关技术实验室 (SUBATECH) - UMR6457，法国南特大学 CNRS/IN2P3/IMT Atlantique，法国南特，6 新陈代谢、微藻分子工程及应用、生物生物学实验室、压力、环境健康、IUML FR3473、法国国家科学研究院、勒芒大学、勒芒、法国
奥村，Iris M；卡洛斯·奥古斯托·塞尔贝纳
心理学：理论与实践，22（2），487-515。圣保罗，SP，5 月 - 8 月。 2020 年。ISSN 1516 - 3687（印刷版），ISSN 1980 - 6906（在线版）。 doi:10.5935/1980 - 6906/心理学。 v22n2p487 - 515.评估系统：双盲评审。麦肯齐长老会大学。
A.S. 博士何塞·卡洛斯·巴西利奥·奥尔蒂斯 - LUMAT
卡洛斯于 2013 年获得萨卡特卡斯自治大学物理学学士学位。2015 年，他在 AC 光学研究中心 (CIO) 完成了硕士学位学习。并于2020年获得了IPN高级研究中心（Cinvestav-IPN）纳米科学与纳米技术项目的博士学位。他目前正在进行应用元光学的研究，特别是介电元透镜的研究。
在E步骤中制作的还将蒙特卡洛错误引入
在E步骤中制作的还将蒙特卡洛错误引入了优化目标。 为了减轻这些问题，我们应用随机梯度上升，并且在每个M步骤中仅采取一个梯度步骤。 我们还应用了基于动量的优化器，例如Adam [9]，以跨多个M步骤汇总梯度，以抑制Monte Carlo误差的效果。 我们在模拟数据集和现实数据集上评估了我们提出的算法。 我们将稳定方法与几种基线方法进行了比较，包括基于随机变异推断的最近开发的学习技术和首先执行状态估计然后应用监督学习的混合方法。 我们的主要结果表明，稳定的表现始终优于所有其他基线，并实现与直接从地面真相轨迹中学习的性能。 总而言之，我们做出以下贡献：在E步骤中制作的还将蒙特卡洛错误引入了优化目标。为了减轻这些问题，我们应用随机梯度上升，并且在每个M步骤中仅采取一个梯度步骤。我们还应用了基于动量的优化器，例如Adam [9]，以跨多个M步骤汇总梯度，以抑制Monte Carlo误差的效果。我们在模拟数据集和现实数据集上评估了我们提出的算法。我们将稳定方法与几种基线方法进行了比较，包括基于随机变异推断的最近开发的学习技术和首先执行状态估计然后应用监督学习的混合方法。我们的主要结果表明，稳定的表现始终优于所有其他基线，并实现与直接从地面真相轨迹中学习的性能。总而言之，我们做出以下贡献：