XiaoMi-AI文件搜索系统
World File Search System子集
VCSEL 等效电路和硅光子集成
垂直腔面发射激光器 (VCSEL) 是众多工业和消费产品中非常重要的光源。主要应用领域是数据通信和传感。数据通信行业使用基于 GaAs 的 VCSEL 进行光学互连，这是一种短距离光纤通信链路，用于在数据中心和超级计算机内的单元之间以高速率传输大量数据。在传感领域，VCSEL 广泛应用于消费产品，如智能手机（例如面部识别和相机自动对焦）、计算机鼠标和汽车（例如手势识别和自动驾驶的激光雷达）。在这项工作中，我们开发了一种基于物理的先进数据通信 VCSEL 等效电路模型。该模型有助于与驱动器和接收器 IC 进行协同设计和协同优化，从而实现具有带宽受限 VCSEL 和光电二极管的更高数据速率收发器。该模型还有助于理解 VCSEL 内的每个物理过程如何影响 VCSEL 的静态和动态性能。它已被用于研究载流子传输和捕获对 VCSEL 动力学的影响。这项工作还包括在氮化硅光子集成电路 (PIC) 上微转移印刷基于 GaAs 的单模 VCSEL。这种 PIC 越来越多地用于例如紧凑且功能强大的生物光子传感器。VCSEL 的转移印刷使 PIC 上集成节能光源成为可能。底部发射的 VCSEL 印刷在 PIC 上的光栅耦合器上方，并使用光反馈来控制偏振，以便有效耦合到氮化硅波导。生物传感应用所需的波长调谐是通过直流调制实现的。
异质集成光子集成电路的微转移打印
免责声明 - 本信息按“原样”提供，不作任何陈述或保证。Imec 是 imec International（IMEC International，根据比利时法律成立的法人实体，名称为“stichting van openbaar nut”）、imec Belgium（由弗兰德政府支持的 IMEC vzw）、imec the Dutch（Stichting IMEC Nederland）、imec China（IMEC Microelectronics (Shanghai) Co. Ltd.）、imec India（IMEC India Private Limited）、imec San Francisco（IMEC Inc.）和 imec Florida（IMEC USA Nanoelectronics Design Center Inc.）活动的注册商标。
面向下一代太空应用的光子集成电路 (PIC)
制定白皮书和测试计划，用于定义 PIC 技术 (TID、DD、SEE) 中潜在的辐射诱发故障机制 完成 Freedom Photonics PIC TID 和 DD 测试 (使用 50 MeV 质子进行高通量测试) 与 Georgia Tech 合作完成集成硅波导重离子测试。计划测试 GT SiN 波导和分立硅光子器件 (MZM) 计划在商用分立和集成光子器件 (UCSB、NeoPhotonics 等) 调查中进行额外的 TID 和 DD 质子测试 使用 Lumerical 物理建模和贝叶斯分析来分析 PIC 辐射数据的趋势。
基于遗传算法优化的最小电极子集的自动选择方法，用于精确的 EEG 源估计
高密度脑电图 (HD-EEG) 已被证明是估计大脑内部神经活动精度最高的 EEG 蒙太奇。多项研究报告了电极数量对特定源和特定电极配置的源定位的影响。这些配置的电极通常是手动选择的，以均匀覆盖整个头部，从 32 个电极到 128 个电极，但电极配置通常不是根据它们对估计精度的贡献来选择的。在本文中，提出了一项基于优化的研究，以确定可使用的最小电极数量，并确定可以保持 HD-EEG 重建定位精度的最佳电极组合。这种优化方法结合了广泛使用的 EEG 蒙太奇的头皮标志位置。这样，可以针对单源和多源定位问题系统地搜索最小电极子集。非支配排序遗传算法 II (NSGA-II) 结合源重建方法用于制定多目标优化问题，该问题同时最小化 (1) 每个源的定位误差和 (2) 所需的 EEG 电极数量。该方法可用于评估低密度 EEG 系统（例如消费级可穿戴 EEG）的源定位质量。我们对已知真实值的合成和真实 EEG 数据集进行了评估。实验结果表明，对于单个源情况，具有 6 个电极的最佳子集可以达到与 HD-EEG（具有 200 多个通道）相同或更好的精度。在重建特定大脑活动时，在合成信号中超过 88% 的情况和在真实信号中超过 63% 的情况都会发生这种情况，而在考虑具有 8 通道的最佳组合时，分别在超过 88% 和 73% 的情况下也会发生这种情况。对于三源多源情况（仅使用合成信号），研究发现，在至少 58%、76% 和 82% 的情况下，8、12 和 16 个电极的优化组合可达到与 231 个电极 HD-EEG 相同或更好的精度。此外，对于这样的电极数量，获得的平均误差和标准偏差低于 231 个电极。
来自内皮祖细胞子集的生物活性外囊泡挽救视网膜缺血和神经变性
引言神经血管单元（NVU）由神经元，血管内皮细胞，细胞外基质和血管周围星形胶质细胞，小胶质细胞和周细胞组成，以维持血脑/视网膜屏障和局部CNSSOSTOSTOSIS。NVU的破坏是中枢神经系统的各种缺血/神经退行性疾病的病理生理学的核心，包括缺血性中风，帕金森氏症，帕金森氏症，阿尔茨海默氏症，多发性硬化症，肌萎缩性侧面硬化症和糖尿病性视网膜病变（1-3）。缺血促进了CNS重塑，其中NVU的神经元，神经胶质和微血管细胞之间的神经血管串扰支持有利于组织恢复的微环境。Since multicellular crosstalk between local vascu- lar networks and the neurons they supply in the NVU is critical to maintaining physiological function, one regenerative therapeutic strategy is to repair the dysfunctional NVU using progenitor and/or stem cells to provide support to the complex of vascular endothelial cells and surrounding CNS parenchyma that are functionally coupled and interdependent (4).最近的研究支持使用称为内皮结肠构成细胞（ECFC）的内皮祖细胞的使用来实现这种作用。ECFC在缺血区域的所在地，在许多缺血/神经退行性中枢神经系统疾病的动物模型中表现出有效的救助作用（5-10）。作为大脑的易于访问且可视化的扩展，视网膜是用于建模新型治疗剂临床前发育的缺血/神经退行性中枢神经系统疾病的特殊实验系统。证据表明，ECFC的治疗机制主要是旁分泌。在视网膜缺血/变性的鼠模型中进行的实验提供了证据证据证据，表明ECFC（和其他茎/祖细胞）神经营养不良的支撑可从经历凋亡中引起视网膜神经元（11-17）。尽管在体内具有缺血性/神经退行性CNS疾病模型中其有效的救助效应，但已经观察到脑血管内部的ECFC植入水平较低（5-10）。ECFCS的缺血区域，并假定血管周围位置
富满微电子集团股份有限公司
注：在不同的应用中， C1 、 C2 可考虑只装一个：在 3V 应用中建议用一个 1uF 或以上；在 4.5V 应用中建议用一 个 4.7uF 或以上 , 均为使用贴片电容；在 6V 应用中建议用一个大电容 220uF+100nF 贴片电容； C2 均靠近 IC 之 VDD 管脚放置且电容的负极和 IC 的 GND 端之间的连线也需尽量短。即不要电容虽然近，但布线、走 线却绕得很远（参考下图）。当应用板上有大电容在为其它芯片滤波时且离 TC118AH 较远也需按如上要求再 放置一个小电容于 TC118AH 的 VDD 脚上。图中 C4 （ 100nF ）电容优先接于马达上，当马达上不方便焊此 电容时，则将其置于 PCB 上 ( 即 C3) 。
人工智能及其子集：机器学习...
摘要：人工智能 (AI) 是计算机科学的一个广泛分支。AI 的目标是使系统智能且独立地运行。AI 使机器能够思考并自行做出决定。人工智能总体上包括机器学习（其子集）和深度学习（机器学习的子集）。人工智能是程序分析当前场景并适应它并做出决策或相应地执行一系列操作的能力。机器学习是人工智能的一个子集，包括大量预先开发的算法，可用于数据集以获得数据的信息见解等。这些算法经过长时间的优化，可以处理各种不同的数据集等。关键词：人工智能、预测分析、卷积神经网络、循环神经网络。一、引言 人工智能在很多领域都是对自然智能的模仿。自然智能与人工智能的比较如表（1）所示。
富满微电子集团股份有限公司
高功率 PDO : 5V/3A, 9V/3A, 12V/3A, 15V/3A, 20V/3.25A 高功率 APDO1 : 3.3-16V/3.25A 高功率 APDO2 : 3.3-21V/3A 低功率 PDO : 5V/3A, 9V/3A, 12V/2.5A, 15V/2A, 20V/1.5A 低功率 APDO1 : 3.3-16V/2A 低功率 APDO2 : 3.3-21V/1.5A
通过分析机器学习模型中的特征子集来支持人工智能可解释性
无论是在临床研究还是风险因素计算中，机器学习算法都可以在许多医学领域中找到。这给这些算法的使用带来了重大挑战 - 特别是在伦理背景方面 - 如监管方面、可解释性或互操作性 [1]。对于这项工作，我们提出了一个关于特征贡献可解释性的特殊观点。也就是说，这不应被视为一种应用手段，而是一种更好地理解潜在问题的方法。我们的重点是人类可理解的特征子组及其各自的重要性分数的组合。特征重要性分析是机器学习模型检查和解释的主要组成部分。问题出现在解决问题的基础之上，例如在分类中，为什么对某个类别的决定是那样的。这种分析背后的方法可能因问题和模型的不同而有很大差异。我们接下来重点介绍置换重要性分析 [2]。在这里，基于测试集分析预测准确度的变化。对正在研究的特征进行置换，并将预测与未修改的特征进行比较。因此，该方法不依赖于预测过程的具体实现，因此可以应用于任何基于特征的监督机器学习模型。