XiaoMi-AI文件搜索系统
World File Search System多维
多维非...的量子电路实现
摘要：近年来，量子计算 (QC) 在流体动力学模拟中的应用已发展成为一个动态研究课题。由于许多科学和工程领域中的流动问题需要大量计算资源，因此 QC 加速模拟和促进更详细建模的潜力成为这一研究兴趣日益增长的主要动机。尽管取得了显著进展，但在创建流体建模的量子算法方面仍然存在许多重要挑战。本文在基于格子的流体建模背景下研究了流体建模中控制方程的非线性这一关键挑战。详细介绍了 D1Q3（一维，三个离散速度）格子玻尔兹曼模型的量子电路以及涉及电路宽度和深度的设计权衡。然后，将设计扩展为非线性 Burgers 方程的一维格子模型。为了便于评估非线性项，所提出的量子电路采用量子计算基编码。本研究的第二部分介绍了一种用于多维晶格模型中非线性项的新型模块化量子电路实现。具体而言，详细介绍了二维模型中动能的评估，这是二维和三维格子玻尔兹曼方法碰撞项量子电路的第一步。量子电路分析表明，利用 O (100) 容错量子比特，可以在不久的将来进行有意义的概念验证实验。
AMDET：基于注意力机制的多维 EEG 变换器，用于情绪识别
摘要：情感计算是人工智能的一个重要分支，随着脑机接口技术的快速发展，基于脑电信号的情绪识别受到广泛关注。尽管目前已经出现了大量深度学习方法，但有效挖掘脑电数据中的多维信息仍然是一个巨大的挑战。本文提出了一种基于注意的多维脑电变换器（AMDET）深度模型，该模型利用多维全局注意机制，充分利用脑电数据的频谱-空间-时间特征之间的互补性。我们将原始脑电数据转换为 3D 时间-频谱-空间表示，然后 AMDET 将使用频谱-空间变换器编码层提取脑电信号中的有效特征，并通过时间注意层集中在关键时间帧上。我们对 DEAP、SEED 和 SEED-IV 数据集进行了广泛的实验，以评估 AMDET 的性能，结果在三个数据集上均优于最先进的基线。在 DEAP-Arousal、DEAP-Valence、SEED 和 SEED-IV 数据集中分别实现了 97.48%、96.85%、97.17%、87.32% 的准确率。我们还进行了广泛的实验，探索可能影响情绪和 EEG 信号耦合的大脑区域。值得注意的是，即使只有少数通道，AMDET 也能表现良好，这些通道是通过可视化训练模型所学内容来识别的。即使只有八个通道，准确率也可以达到 90% 以上，这对实际应用非常有用和有益。
植物生物质衍生的多维纳米结构材料：储能的绿色替代品
Sai Praneeth Thota, 1, 2,* Partha Pratim Bag, 1 Praveen Venkata Vadlani 3 和 Siva Kumar Belliraj 2, 4,* 摘要 利用植物基生物资源探索和开发用于长期可持续能源存储的新型纳米材料，可以提高能源供应市场的成本竞争力和减少环境影响，并满足绿色和可持续发展战略的迫切需求。 能源存储领域的最新研究趋势是专注于存储设备，包括超级电容器 (SC)、锂离子电池、燃料电池和铅酸电池。 超级电容器因其在功率和能量密度方面的卓越性能以及延长的使用寿命和在电动汽车、便携式电子设备以及固定电网等应用中的简便操作条件而具有吸引力。 由于超级电容器是由不可再生和化石资源构成的，因此迫切需要替代有效的材料。 来自可再生生物质来源的多维高孔隙率纳米结构碳可能是超级电容器电极材料的有前途的更绿色替代品。在 SC 中，源自生物质的多孔纳米碳充当电极表面的导电层。电导率、电解质的可及性、孔结构和形状、孔径分布以及高表面积对 SC 的比电容起着重要作用。本综述包括用于 SC 专用储能设备的生物质衍生多维纳米碳电极材料的最新研究平台及其未来前景。
功能近红外光谱数据多维分解的并行因子分析
(HbO) 和脱氧 (HbR) 血红蛋白可以分别评估 HbO 和 HbR 的浓度变化。1 尽管 fNIRS 信号被认为对运动具有相对耐受性，2 但是由于运动伪影引起的光强度突然变化，数据质量可能会降低。3 结果表明，两种波长的动态特性为伪影检测和校正提供了重要信息。4 然而，当前用于运动伪影校正的技术（例如小波滤波、分解、样条插值等）通常假设两种波长的行为在时间上相似，因此无法利用两种波长提供的结构化信息。5 – 7 二维 (2D) 分析要求对具有更多维度的数据（例如 fNIRS 数据）在处理之前进行表面展开，例如分别处理两种波长或 HbO 和 HbR。因此，其中一些二维分析工具被迫施加其他非生理约束，例如主成分分析（PCA）中的正交性或独立成分分析（ICA）的统计独立性。尽管有几种方法可以实现 PCA，例如降维、分类、从信号分解的角度来看，PCA 旨在提取所谓的主成分，即可解释 fNIRS 中信号活动最大方差的成分。6、7、10、11 在时间 PCA 中，数据被分解为成分之和，每个成分由两个向量的乘积形成：一个代表时间主成分，另一个代表相应的地形（每个通道的分数）。PCA 的一个基本问题是仅由两个特征（时间和空间）定义的成分不是唯一确定的。因此，不同成分的对应时间特征之间必须具有正交性。 7、12、13然而，脑信号之间的正交性是一种非生理约束。即使有这种限制，提取的主成分也不是完全唯一的，因为任意旋转轴不会改变数据的解释方差。这导致研究人员使用不同的数学标准作为选择特定旋转的基础（例如，Varimax、Quartimax 和 Promax）。在 fNIRS 中，PCA 还被应用于目标时间间隔（tPCA），即仅在与发音或其他头部运动相关的伪影发生的期间，而不是在整个未分割的信号期间。3、14与基于小波的滤波和样条插值相比，这种类型的有针对性的校正可以产生更好的信号质量，同时也降低了改变信号整体完整性的风险。3虽然 PCA 非常常见且易于使用，一些作者已经讨论了其作为伪影校正方法的缺陷和注意事项。5、15
用于空气污染建模多维灵敏度分析的创新数字随机方法
摘要：如今，世界上许多地方都制定了区域空气污染战略，以限制和降低跨政府边界的污染水平，并控制其对人类健康和生态系统的影响。环境保护是世界范围内的首要任务之一。由于这一研究领域是社会的痛点，也是医疗保健系统的基本课题，因此存在许多挑战。敏感性分析在验证大规模空气污染计算模型以确保其准确性和可靠性的过程中起着根本性的作用。我们应用最佳的随机算法对 UNI-DEM 模型进行多维敏感性分析，该模型在管理构成预测和分析可能气候变化后果基础的许多自治系统和数据方面发挥着关键作用。我们开发了两个具有特殊生成矩阵的新的高度收敛数字序列，与用于测量数字生态系统敏感性指标的现有最佳随机方法相比，它们显示出显着的改进。通过敏感性分析获得的结果将发挥极其重要的多方面作用。
空间的多维参数空间划分...
数值模拟通常用于理解给定时空现象的参数依赖性。对多维参数空间进行采样并运行相应的模拟将产生大量时空模拟运行的集合。分析集合的主要目的是将多维参数空间划分（或分割）为具有相似行为的模拟运行的连通区域。为了促进这种分析，我们提出了一种用于多维参数空间分区的新型可视化方法。我们的可视化基于超切片器的概念，它允许不失真地查看参数空间段的范围和转换。对于参数空间内的导航，支持与参数空间样本的 2D 嵌入（包括它们的段成员资格）的交互。通过分析集合模拟运行的相似性空间，以半自动方式生成参数空间分区。相似模拟运行的集群会诱导参数空间分区的段。我们将参数空间分区可视化与集成模拟运行的相似空间可视化相链接，并将它们嵌入到交互式可视化分析工具中，该工具支持对时空模拟集成的所有方面的分析，其总体目标是分析参数空间分区。然后可以对分区进行可视化分析和交互式细化。我们将我们的方法与其他方法进行了比较，并与来自三个不同领域的案例研究中的专家一起对其进行了评估。© 2022 Elsevier BV 保留所有权利。
社会联系可预测多维自由灵长类动物社会中的大脑结构
大多数灵长类动物的繁殖和生存都反映了竞争和合作关系的管理。在这里，我们研究了自由放养的恒河猴的神经解剖学和社会性之间的联系。在成年期，社会伙伴的数量可以预测颞上中沟和腹侧异质岛叶的体积，这分别与社会决策和同理心有关。我们发现大脑结构与其他关键社会变量（如成年人的社会地位或间接联系）之间没有联系，母亲的社会网络或地位与依赖婴儿的大脑结构之间也没有联系。我们的研究结果表明，特定大脑结构的大小随直接的亲和性社会联系的数量而变化，并表明这种关系可能在发育过程中出现。这些结果强化了社交网络规模、生物学成功和特定大脑回路扩展之间的假定联系。
多维数据分析的影响
高性能计算 (HPC) 技术的进步已经能够通过归纳和建设性方法为心血管 (CV) 科学提供信息。临床试验允许比较干预的效果，而无需了解机制。这是归纳方法的典型示例。在 HPC 领域，训练由神经网络构建的人工智能 (AI) 模型以使用大规模多维数据集预测未来的 CV 事件是可以依赖并帮助理解机制基础以进行优化的对应方法。然而，与临床试验相比，AI 可以在个人层面计算事件风险，并有可能为个性化医疗的应用提供信息和改进。尽管 AI 具有明显的优势，但 AI 分析的结果可能会识别出多维数据与临床结果之间原本无法识别/意料之外（即非直观）的关系，这可能会进一步揭示潜在的机制途径并确定潜在的治疗目标，从而有助于从因果关系中解析观察关联。建设性方法对于克服现有知识的局限性和固有偏见以实现对心血管疾病复杂病理生物学的更深入理解仍然至关重要。HPC 技术有可能在心血管基础和临床科学中支撑这种建设性方法。一般来说，即使是复杂的生物现象也可以归结为简单的生物/化学/物理定律的组合。在演绎方法中，重点/意图是通过简单原理的组合来解释复杂的心血管疾病。
欧盟公众对可持续能源创新的接受度：国家政策的多维比较框架
公众对可持续能源创新和政策的接受对于实现向脱碳能源系统的过渡至关重要，而脱碳能源系统是实现《巴黎协定》关键气候目标所必需的。这一点在欧盟的背景下尤为重要，因为欧盟是世界第三大能源相关温室气体排放国。然而，获得接受是一个复杂的过程，需要更好地了解可能促使接受的潜在条件。为了促进这种理解并克服文献中的常见缺陷，本文提出了一个多维和跨国框架，用于考虑可能激发接受的两个维度（即采用和支持）的因素。感兴趣的创新很多，包括电动汽车、家用太阳能电池板、节能住宅隔热材料、环境税和激励措施。本文采用多级回归分析，结合所有欧盟国家的个体和背景数据，以证明各种预测因素在激发接受方面的重要性。研究发现，公民的个人能力和对生活满意度、气候变化和环境的态度会影响接受的两个维度。对更广泛的社会政治层面（如代表性、公平性和透明度）的态度主要影响支持，而国家环境和能源政策指标主要影响采纳。总体而言，本文提供的证据表明，政府应通过多种方式同时解决接受度的两个方面：通过针对态度和偏好的策略加强支持，以及促进家庭层面采纳的市场化环境政策。
mvpalab：用于多维脑电图数据的机器学习解码工具箱
从历史上看，采用电交置数据（EEG）数据的大脑功能的研究依赖于对几种引起的EEG录音的不同峰的振幅和延迟的经典单变量分析，通常称为事件相关电位（ERP）。过去几十年来科学和技术的持续发展使搜索者和工程师能够开发和应用更高级的信号处理技术，例如时间/频率分析，相聚类，独立组件分析（ICA）分解[1,2]等。这些技术已在出色的分析和预处理工具中实施，例如EEGLAB [3]，ERPLAB [4]或FIELDTRIP [5]，这些技术是在各个领域中开发无数研究的研究人员。最近，较新的基于机器学习的算法（ML）与先进的神经影像学技术（例如功能磁共振成像（fMRI）或磁脑化术（MEG））结合使用，在神经科学方面已广受欢迎。这一趋势始于Haxby和Norman [6-8]的研究以及其他参考贡献[9-14]，这开辟了有关大脑功能研究的新途径。多年来，ML模型也成功地用于医学成像，主要是在计算机辅助诊断领域[15]。仅提及几个例子，在研究和阐述几种神经系统疾病的研究和解释中，使用了不同的ML方法，例如Parkinson [16-18]，Alzheimer [19-21]，自闭症[22-24]，或睡眠差异或睡眠差异[25-27]。根据初步研究[28-30]，甚至可以使用人工智能（AI）在胸部射线照相中成功诊断出近期扩散的共证。[28-30]。然而，最近ML模型的增长不仅限于神经科学或医学应用，而是在跨切割的大量科学学科中存在。