XiaoMi-AI文件搜索系统
World File Search System反向
卷积神经网络中赫布学习与反向传播在图像分类中的比较
摘要 — 目前常用的图像识别卷积神经网络与人脑有一些相似之处。然而，它们之间存在许多差异，而且成熟的反向传播学习算法在生物学上并不合理。Hebbian 学习是一种可以最小化这些差异并可能为图像识别网络提供类似大脑的有利特征的算法。在这里，我们探讨了 Hebbian 学习和反向传播之间的差异，包括准确性和隐藏层数据表示。总体而言，Hebbian 网络的表现比传统的反向传播训练网络差得多。使用不完整的训练数据和失真的测试数据的实验导致性能差异较小但仍然可见。然而，事实证明，Hebbian 网络的卷积滤波器结构比反向传播更简单、更易于解释。我们假设，改进 Hebbian 网络的扩展能力可以使它们成为具有更像大脑行为的图像分类网络的强大替代方案。
利用半导体薄膜中的反向掺杂不对称
† 富Zn条件下的μ Zn等于Zn金属每个原子的总能量，富O条件下的μ O对应于O 2 分子每个原子的总能量；平衡条件μ O + μ Zn = μ ZnO用于获得相同条件下的另一化学势，其中μ ZnO是ZnO块体的每个化学式的平均能量。
快速移动的消费品的反向供应链：
本文对当前趋势和可持续混凝土构成的机会进行了全面审查，强调采用环保实践来减轻行业的环境心理影响的重要性。绿色混凝土，补充水泥材料，可渗透的混凝土，凉爽的混凝土以及当地材料的使用作为可持续材料和技术。诸如自我修复混凝土，3D打印混凝土，光催化混凝土，电气化机器以及碳捕获，利用，利用和储存原理等创新，突出了它们提高建筑实践可持续性的潜力。在实施可持续的具体建筑实践（例如技术，经济和社会障碍）方面面临挑战。审查了政府，工业和学术界在促进可持续混凝土建设中的作用，强调需要跨学科的合作和研究。最后，新兴趋势和技术，包括数字化，数据驱动的方法和循环经济原则，被确定为推动向可持续凝岛构建过渡的过渡时的关键因素。
关于量子反向传播、信息重用和欺骗测量崩溃
摘要 现代深度学习的成功取决于大规模训练神经网络的能力。通过巧妙地重用中间信息，反向传播通过梯度计算促进训练，总成本大致与运行函数成正比，而不是产生与参数数量成正比的额外因素——现在参数数量可能达到数万亿。人们天真地认为量子测量崩溃完全排除了反向传播中量子信息的重用。但阴影断层扫描的最新发展（假设可以访问量子态的多个副本）挑战了这一观点。在这里，我们研究参数化量子模型是否可以像经典神经网络一样高效地训练。我们表明，如果不能访问状态的多个副本，就不可能实现反向传播缩放。有了这种额外的能力，我们引入了一种以阴影断层扫描为基础的算法，该算法与量子资源中的反向传播缩放相匹配，同时降低了阴影断层扫描中未解决问题的经典辅助计算成本。这些结果突出了将量子信息重用于实际目的的细微差别，并阐明了训练大型量子模型的独特困难，这可能会改变量子机器学习的进程。
橄榄油磨坊废水提取物针对选定微生物的抗菌活性 通过域适应性改善听觉注意力源的基于脑电图的解码 快速移动的消费品的反向供应链： 可持续混凝土结构的智能材料和技术 收入不平等和经济增长
摘要：发现合成化学品的环保替代品已成为越来越受欢迎的研究领域。天然产品现在是其潜在用作合成化学物质的替代品的焦点。为了最大程度地利用这些天然产品的好处，使用有效的提取方法，尤其是从农业工业废物中使用，这一点很重要。橄榄油厂浪费（OOMW）是橄榄油生产过程的副产品，被认为是污染物。但是，OOMW包含已证明具有抗菌特性的多种酚类化合物。This study investigates the extraction of these compounds from OOMW, with the aim of determining their potential antimicrobial activities against several bacterial strains and fungi, in- cluding Bacillus spizizenii , Bacillus cereus , Staphylococcus aureus , Escherichia coli , Pseudomonas aeruginosa , Klebsiella aerogenes , Streptococcus uberis ，肠球菌粪便和白色念珠菌。使用三种不同的溶剂：乙酸乙酸乙酯，乙醇和甲醇制备OOMW术（OES）。用甲醇提取获得了最高的总酚含量（4.03 g，GAE/L）和最强的抗菌活性。所有OE都没有针对C的抗真菌活性。白色唱片。OES，尤其是OOMW的甲醇提取物，可以分别用作各个行业的生物活性物质，分别用作营养素和食品成分。
与破碎的时间反向对称性的相互作用系统的量子模拟
量子相互作用粒子的多体系统，其中分时对称性被打破会产生各种丰富的集体行为，因此是现代物理学研究的主要目标。量子模拟器可以可能用于探索和理解此类系统，这些系统通常超出了经典模拟的计算范围。，具有通用量子控制的平台可以在实验上访问广泛的物理特性。然而，同时实现了强大的可编程相互作用，强烈的时间反转对称性破坏以及以可扩展方式进行高保真量子控制是具有挑战性的。在这里，我们意识到通用捕获离子量子处理器中相互作用的，时间反向破裂的量子系统的量子模拟。使用最近提出的可扩展方案，我们实现了时间反向破坏的合成规场，在捕获离子链中首次显示的是第一次显示的，以及独特的耦合几何形状，可能可以扩展到多维系统的模拟。我们在控制和测量方面的高保真单位分辨率以及高度可编程的相互作用，使我们能够对基态的完整状态断层扫描，以显示持续电流的基态，并观察到与非琐事相互作用的时间逆转系统的动态。我们的结果为模拟具有广泛特征和耦合几何形状的时间逆转的多体系统开辟了道路。
电池老化估计的反向传播神经网络的设计
电动汽车的充电状态（SOC）对于预测剩余电池水平并安全保护电池免受过度电荷和过度充电条件非常重要。在这方面，已经提出了使用反向传播（BP）的神经网络（NN）算法来准确估计电池的SOC。锂聚合物电池在其估计的SOC与电流，电压和温度之间具有非线性关系。在这项研究中，施加了3.7 V/16 AH的锂聚合物电池。在恒定电流和温度条件下以0.5C的排放速率进行了电荷/放电实验。实验数据用于训练返回传播神经网络（BPNN），用于在充电条件下预测SOC和在排放条件下派遣（DOD）绩效的深度（DOD）。由于实验，发现拟议的BPNN模型的误差为排出DOD中平均绝对误差的0.22％，而在10、50、100和150个周期中，充电SOC中的平均绝对误差的0.19％。因此，确认了设计的BP算法的SOC学习模型的高性能。
重播是通过大脑的时间进行反向传播的基础
在大脑中如何形成情节记忆是神经科学界的出色难题。对于情节学习至关重要的大脑区域（例如海马）的特征是经常连通性并产生频繁的OfflINE重播事件。重播事件的功能是主动争论的主题。循环连接性，计算模拟显示，当与合适的学习算法（例如通过时间反向传播）（BPTT）结合使用时，可以实现序列学习。bptt在生物学上并不合理。我们第一次在这里描述了在可逆的复发性神经网络R2N2中，BPTT的生物学上是一个合理的变体，它严重利用了o ine-ine-ine-Replay来支持情节学习。该模型使用向前和向后的o ffl ine重播，分别执行快速的一次性学习和统计学习的两个复发神经网络之间传递信息。不喜欢标准BPTT中的重播，此体系结构不需要人工外部存储器存储。此体系结构和方法的表现优于现有解决方案，并说明了海马重播事件的功能意义。我们使用计算机科学的基准测试来演示R2N2网络属性，并模拟啮齿动物延迟交替的T-Maze任务。
在发育中的Claustrum中，神经元的独特“反向”迁移
这篇早期版本的文章已经过同行评审和接受，但尚未通过构图和复制过程。最终版本的样式或格式可能会略有不同，并且将包含指向任何扩展数据的链接。