XiaoMi-AI文件搜索系统
World File Search System层次
大脑在多步预期过程中以层次化的方式呈现过去和未来
时间结构的记忆既可以规划未来事件，也可以回顾过去事件。我们研究了大脑在预期过程中如何灵活地表示过去和未来的扩展时间序列。参与者在沉浸式虚拟现实中学习环境序列。序列对具有相同的环境，但顺序不同，从而实现特定于上下文的学习。在 fMRI 期间，参与者以给定的顺序预测未来多个步骤的即将到来的环境。时间结构在海马体和高阶视觉区域中以 (1) 双向表示，具有对过去和未来的分级表示和 (2) 分层表示，过去和未来的进一步事件在连续更靠前的大脑区域中表示。在海马体中，这些双向表示是特定于上下文的，而对遥远环境的抑制可以预测预期中的响应时间成本。总之，这项工作揭示了我们如何灵活地表示顺序结构以实现跨多个时间尺度的规划。
大脑和大型fMRI数据中功能性脑网络的层次结构建模
大规模脑成像数据集的一个主要目标是提供用于研究异质弹出的资源。从这些数据集中为各个受试者提供功能性脑网络的表征将具有预测认知或临床特征的巨大潜力。我们第一次提出了一种技术，即概率的功能模式（sprofumo），该技术可扩展到英国生物库（UKB），有预期的100,000名参与者，并且在个人和人群中层次估算了层次的功能性脑网络，同时对两种信息之间的双向流量进行了影响。使用仿真，我们显示了模型的效用，尤其是在涉及显着的跨主题可变性的情况下，或者需要在网络之间划定细粒度的差异。随后，通过将模型应用于4999名UKB受试者的静止状态fMRI，我们将静止状态网络（RSN）绘制为单个受试者，其详细范围比以前在UKB（> 100 rsns）中可能绘制了，并证明这些RSN可以预测somecorimotor andsocorimotor and somecorimotor and Emperife and Elighe colesions and Level Consoge。此外，我们证明了该模型的几个优点，而不是独立的组件分析与双重回归（ICA-DR）相结合，尤其是在估计RSN的空间配置和认知性状的预测能力方面。所提出的模型和结果可以为将来从大数据中对个性化的脑功能纤维进行调查打开新的门。
厚度和波长依赖性非线性光学吸收在2D层次MXENE膜中
作为迅速扩展的2D材料家族，MXENES最近引起了人们的关注。通过开发一种涂层方法，该方法可实现无传输和逐层膜涂层，研究了Ti 3 C 2 t x mxeneFim的非线性光吸收（NOA）。使用Z扫描技术，MXENEFILM的NOA在≈800nm处的特征。结果表明，随着层数从5增加到30的增加，从反向吸收吸收（RSA）转变为可饱和吸收（SA）。值得注意的是，非线性吸收系数的β变化从≈7.1310 2 cm GW 1到在此范围内的2.69 10 2 cm GW 1。也表征了MXENEFIM的功率依赖性NOA，并且观察到β的趋势下降以增加激光强度。最后，在≈1550nm处的2D mxene纤维的NOA的特征是将它们整合到氮化硅波导上，在其中观察到薄膜的SA行为，包括5和10层MXENE，与在≈800nm处观察到的RSA相反。这些结果揭示了2D MXENEFM的有趣的非线性光学性质，突出了它们的多功能性和实现高性能非线性光子设备的潜力。
Oceanplan：在大规模未开发的海洋环境中驾驶的自然语言的层次结构计划和重建
我们通过增强世界的增强表示，开发了一个分层的LLM任务计划和重建框架，以有效地将抽象的人类统一到有形的自主水下汽车（AUV）控制中。我们还挑战了一个整体的重建器，以向所有计划者提供现实世界中的反馈，以进行健壮的AUV操作。尽管已经进行了大量研究来弥合LLMS和机器人任务之间的差距，但他们无法保证在广阔而未知的海洋环境中AUV应用的成功。为了应对海洋机器人技术中的特定挑战，我们设计了一个层次结构计划来制定可执行的运动计划，该计划通过将长途任务分解为子任务，从而实现了计划效率和解决方案质量。同时，Replanner获得实时数据流以解决计划执行过程中的环境不确定。实验验证了我们所提出的框架是否通过自然语言试验为长期持续任务提供了成功的AUV表现。项目Web-网站https://sites.google.com/view/oceanplan。
物体识别过程中脑震荡活动的表征内容：对比皮质和深层神经网络层次
版权所有 © 2021 Reddy 等人。这是一篇开放获取的文章，根据知识共享署名 4.0 国际许可条款分发，允许在任何媒体中不受限制地使用、分发和复制，前提是正确署名原始作品。
3D打印的层次支柱阵列电极，用于高性能半人工光合作用
Xiaolong Chen 1，Joshua M. Lawrence 2，Laura T. Wey 2，Lukas Schertel 1，Qingshen Jing 3，Silvia Vignolini 1，Christopher J. Howe 2，Sohini Kar-Narayan 3，Jenny Z.
层次谱聚类揭示了 C9orf72 无症状携带者的大脑大小和形状变化
用于检测神经退行性疾病（例如阿尔茨海默病或额颞叶变性）中无症状脑部变化的传统方法通常是在预定义的粒度级别上评估体积变化，例如逐体素或先验定义的感兴趣皮质体积。在这里，我们应用一种基于层次谱聚类的方法，这是一种基于图的分区技术。我们的方法使用多级分割，在标准统计框架内以数据驱动、无偏见、全面的方式检测变化。此外，谱聚类可以检测形状变化和大小变化。我们使用层次谱聚类进行了基于张量的形态测量，以检测遗传性额颞叶痴呆症倡议无症状和有症状的额颞叶变性突变携带者的变化，并将结果与更传统的基于体素张量和体素的形态测量分析的结果进行了比较。在有症状组中，基于层次谱聚类的方法产生的结果与基于体素的方法获得的结果大致一致。在无症状的 C9orf72 扩增携带者中，谱聚类检测到了内侧颞叶皮质的大小变化，而基于体素的方法只能在症状期检测到。此外，在无症状和有症状期，谱聚类方法检测到了 C9orf72 的运动前皮质形状的变化。总之，本研究显示了层次谱聚类在数据驱动的分割和检测单基因额颞叶变性的有症状和无症状阶段的结构变化方面的优点。
培训未来的纳米技术专家使用层次分析法选择纳米结构合成的最佳解决方案
摘要——纳米技术专家的需求量很大，而且由于纳米材料在各个行业得到广泛认可，这种需求每年都变得越来越迫切。纳米技术的特殊性取决于现有的各种纳米材料及其合成技术。这项研究提出了一种有效的技术来培训未来的纳米工程师在纳米结构合成中做出管理决策。此外，本文表明，使用 T. Saati 的层次分析方法为获得纳米结构提供了最佳解决方案。该分析基于最常用的合成技术，例如化学蚀刻、光电化学蚀刻和压印光刻。应用 T. Saati 的方法可以让未来的纳米工程师优化高质量纳米结构的合成，并确保经济和竞争优势并减少错误数量。
许多（但并非所有）深度神经网络音频模型都能捕捉大脑反应并表现出层次区域对应关系
* 共同第一作者 1 麻省理工学院麦戈文脑研究所脑与认知科学系，美国马萨诸塞州剑桥 2 麻省理工学院大脑、心智与机器中心，美国马萨诸塞州剑桥 3 哈佛大学语音与听觉生物科学与技术项目，美国马萨诸塞州剑桥 4 罗彻斯特大学医学中心，美国纽约州罗彻斯特 摘要 深度神经网络通常用作视觉系统的模型，但在听觉方面的研究较少。先前的研究提供了音频训练神经网络的例子，这些网络可以很好地预测听觉皮层 fMRI 反应，并显示出模型阶段与大脑区域之间的对应关系，但这些结果是否推广到其他神经网络模型尚不清楚。我们评估了公开可用的音频神经网络模型以及在四个不同任务上训练的内部模型的大脑模型对应关系。大多数测试模型的预测效果都优于之前的听觉皮层滤波器组模型，并表现出系统的模型-大脑对应关系：中间阶段最能预测初级听觉皮层，而深层阶段最能预测非初级皮层。然而，一些最先进的模型产生了明显更差的大脑预测。训练任务影响了特定皮质调节特性的预测质量，最好的整体预测来自在多个任务上训练的模型。结果表明任务优化在限制大脑表征方面的重要性。
许多（但并非所有）深度神经网络音频模型都能捕捉大脑反应并表现出层次区域对应关系
* 共同第一作者 1 麻省理工学院麦戈文脑研究所脑与认知科学系，美国马萨诸塞州剑桥 2 麻省理工学院大脑、心智与机器中心，美国马萨诸塞州剑桥 3 哈佛大学言语与听觉生物科学与技术项目，美国马萨诸塞州剑桥 4 罗彻斯特大学医学中心，美国纽约州罗彻斯特 摘要 预测大脑对刺激的反应的模型提供了对感觉系统的一种理解，并且在科学和工程领域有许多潜在的应用。因此，刺激可计算的感觉模型是神经科学的长期目标。深度神经网络已成为视觉系统的主要预测模型，但在听觉领域的研究较少。先前的研究提供了音频训练神经网络的例子，这些网络可以很好地预测听觉皮层 fMRI 反应，并表现出模型阶段和大脑区域之间的对应关系，但尚不清楚这些结果是否能推广到其他神经网络模型，以及如何进一步改进该领域的模型。我们评估了公开可用的音频神经网络模型以及在四个不同任务上训练的内部模型的大脑模型对应性。大多数测试模型的预测结果都优于之前的听觉皮层滤波器组模型，并表现出系统的模型-大脑对应性：中间阶段最能预测初级听觉皮层，而深层阶段最能预测非初级皮层。然而，一些最先进的模型产生了明显更差的大脑预测。训练任务影响了特定皮层调节特性的预测质量，最佳整体预测来自在多个任务上训练的模型。结果表明任务优化对于解释大脑表征的重要性，并普遍支持深度神经网络作为听觉模型的前景。