XiaoMi-AI文件搜索系统
World File Search System微分
康普顿边缘表征的微分方法......
众所周知，有机闪烁探测器的响应函数不会出现光峰。相反，它们的主要特征是连续体，通常称为康普顿边缘，它天生就暴露了检测系统的分辨率特性。虽然准确表征康普顿边缘对于校准目的至关重要，但它也负责阐述探测器的能量分辨率。本文介绍了一种准确表征有机闪烁探测器康普顿边缘的简单方法。该方法基于这样一个事实：微分响应函数可以准确估计构成函数。除了康普顿边缘的位置之外，微分方法还可以深入了解折叠高斯函数的参数，从而可以描述能量分辨率。此外，据观察，响应函数测量中的不相关噪声不会对评估造成重大不确定性，因此即使在低质量测量中也可以保留其功能。通过模拟束缚电子并考虑多普勒效应，我们能够首次展示有机塑料闪烁体固有多普勒分辨率的估计。尽管如此，这种可能性是受益于所提出的康普顿连续体分析方法的直接结果。
用于多智能体轨迹预测的二阶图微分方程
多智能体轨迹预测是一项基础任务，可应用于自动驾驶、物理系统建模和智慧城市等各个领域。该任务具有挑战性，因为智能体交互和底层连续动力学共同影响其行为。现有方法通常依赖图神经网络 (GNN) 或 Transformer 来提取智能体交互特征。然而，它们往往忽略了智能体之间的距离和速度信息如何动态地影响它们的交互。此外，以前的方法使用 RNN 或一阶常微分方程 (ODE) 来模拟时间动态，这可能缺乏对每个智能体如何受交互驱动的解释性。为了应对这些挑战，本文提出了 Agent Graph ODE，这是一种显式模拟智能体交互和连续二阶动力学的新方法。我们的方法采用变分自编码器架构，在编码器模块中结合了具有距离信息的时空Transformer和动态交互图的构建。在解码器模块中，我们采用具有距离信息的GNN来建模智能体交互，并使用耦合的二阶微分方程(ODE)来捕捉底层的连续动力学，该微分方程通过建模加速度和智能体交互之间的关系来构建模型。实验结果表明，我们提出的Agent Graph ODE在预测精度方面优于最先进的方法。此外，我们的方法在训练数据集中未见的突发情况下也表现良好。
通过Colortokens Zero Trust微分类保护Epic系统
•和第三，如果不使用EPIC选项，我们将研究连接到EPIC系统的辅助系统和相关部门，例如PACS以及可能的放射学，实验室或药房系统。这些辅助系统是医院的合作伙伴组织，可能存在遗传的风险，或者是与Epic接触的内部医院申请。但是，今天可能无法将代理放置在设备上以启用保护，因此，仅使用Epic桥接的辅助系统与EPIC的接口，因此可以利用这些策略性接口限制访问权限。
利用卷积神经网络进行快速对称微分同胚图像配准
微分同胚可变形图像配准在许多医学图像研究中至关重要，因为它提供了独特的属性，包括拓扑保存和变换的可逆性。最近基于深度学习的可变形图像配准方法利用卷积神经网络（CNN）从合成基本事实或相似性度量中学习空间变换，从而实现快速图像配准。然而，这些方法往往忽略了变换的拓扑保存和变换的平滑性，而平滑性仅由全局平滑能量函数来强制执行。此外，基于深度学习的方法通常直接估计位移场，这不能保证逆变换的存在。在本文中，我们提出了一种新颖的、有效的无监督对称图像配准方法，该方法最大化微分同胚图空间内图像之间的相似性，并同时估计正向和逆变换。我们使用大规模脑图像数据集在 3D 图像配准上评估了我们的方法。我们的方法实现了最先进的配准精度和运行时间，同时保持了理想的微分同胚特性。
利用神经速度场进行微分同胚图像配准
微分同胚图像配准能够提供平滑的变换和拓扑保存，在许多医学图像分析任务中是必需的。传统方法对可接受的变换空间施加某些建模约束，并使用优化来寻找两幅图像之间的最佳变换。指定正确的可接受的变换空间具有挑战性：如果空间过于严格，配准质量可能会很差，而如果空间过于笼统，则优化可能难以解决。最近基于学习的方法利用深度神经网络直接学习变换，实现了快速推理，但由于难以捕捉微小的局部变形和泛化能力，在准确性方面面临挑战。在这里，我们提出了一种新的基于优化的方法，称为 DNVF（带神经速度场的微分同胚图像配准），该方法利用深度神经网络来建模可接受的变换空间。具有正弦激活函数的多层感知器 (MLP) 用于表示连续速度场，并为空间中的每个点分配一个速度矢量，从而提供对复杂变形进行建模的灵活性以及优化的便利性。此外，我们提出了一种级联图像配准框架 (Cas-DNVF)，结合了优化和基于学习的方法的优点，其中训练完全卷积神经网络 (FCN) 来预测初始变形，然后使用 DNVF 进行进一步细化。在两个大型 3D MR 脑部扫描数据集上进行的实验表明，我们提出的方法明显优于最先进的配准方法。
不同材料中锂的定量电子探针微分析
pia.schweizer@cea.fr电子探针微分析（EPMA）是一种可靠且广泛使用的技术，可用于对科学和工业应用进行非破坏性，准确的材料表征。尽管对锂具有极大的兴趣（LI），并且迫切需要在微米级进行准确的非破坏性分析，但使用EPMA对LI的LI量化尚未成功进行。最近开发的周期性多层允许围绕特征性的li k发射〜50 eV [1]的能量范围的光谱，但是配备有弯曲的晶体光谱仪和标准商业化多层的微型探针检测和定量没有衍射光栅仍然具有挑战性。LI检测的困难是由不同的因素引起的：LI的荧光产量极低，很少有Li 1S核心孔的衰减产生的特征光子，有利于螺旋电子的发射。由于其低能量，光子甚至在离开样品及其最终涂层之前就被强烈吸收。因此，信号主要来自可能受到污染的薄表面层，并且可能对电子轰击敏感。微探针成分，尤其是通过分离窗口的进一步吸收光子，将降低测得的强度。由于Li K发射（2p - 1s转变）涉及价电子，因此Li发射带的形状高度依赖于价带中的状态密度（DOS），并且高度依赖于锂原子的化学状态。SCI。 2021，11，6385。 2022，51（4），403。SCI。2021，11，6385。2022，51（4），403。某些EV和强峰形变化的化学位移可能会发生，对于光元的EPMA应该是预期的[2,3]，使定量分析变得复杂。这项工作显示了不同材料中LI定量EPMA的一些有希望的结果，包括电池化合物和LI浓度降至2％的金属合金。在整合新检测系统以及使用适用于低压EPMA的实际标准和校正程序进行定量程序之后，这是可能的。即使需要进行额外的调查，研究人员的锂表征也引起了极大的兴趣。我们表明，即使EPMA包含在重矩阵中，EPMA是对LI进行定量分析的强大工具，其元素显示出与LI相同的光谱范围内的特征发射带。这种新颖的LI量化方法比使用SEM或配备了多层光栅的ENER或电子微探针检测到其他技术更容易访问，并且比检测更便宜。[1] Polkonikov，V.，Chkhalo，N.，Pleshkov，R.，Giglia，A.，Rividi，N.，Brackx，E.，Le Guen，K.[2] Schweizer，P.，Brackx，E.，Jonnard，P。，X射线光谱。[3] Hassebi，K.，Le Guen，K.，Rividi，N.，Verlaguet，A.，Jonnard，P.，X-Ray Spectrom。（http://doi.org/10.1002/xrs.3329）在印刷中。
微分方程分析的量子优势-IRIS
用于差异方程求解，数据处理和机器学习的量子算法在所有已知的经典算法上都具有指数加速。但是，在有用的问题实例中获得这种潜在的加速也存在障碍。量子差方程求解的基本障碍是，输出有用的信息可能需要很困难的后处理，而量子数据处理和机器学习的基本障碍是，输入数据是一项单独的任务。在这项研究中，我们证明，当组合在一起时，这些困难互相解决。我们展示了量子差方程求解的输出如何作为量子数据处理和机器学习的输入，从而可以通过主组件，功率谱和小波分解来动态分析。为了说明这一点，我们考虑了马尔可夫在流行病学和社交网络上的连续时间。这些量子算法比现有的经典蒙特卡洛方法提供了指数优势。
具有摩擦触点的软机器人的可微分模拟胆管癌
InsermEteré1242，法国雷恩斯通讯作者：Gael S Roth博士，MD -PHD肝脏 - 加astroentology and Dimentolology and Dimctrotive肿瘤学系格雷诺布尔 - 阿尔普斯大学医院，法国抗alpes，癌症团队免疫学和癌症研究所 - 高级生物科学研究所 - Grenoble Bioscience -Grenoble inserm userm userm u1209- cnrande -cnr fren fren fren fren cnrbles -umr 5309 -renbble： groth@chu-grenoble.fr电话：+33 4 76 76 76 51 68关键字：cholangiocarcinoma，胆汁癌，分子分析，人格化
训练稳定的神经普通微分方程-Indiento
神经普通微分方程（神经odes）是一个深层神经网络的新家族。本质上，神经极是一个微分方程，其向量场是神经网络。将神经颂作为机器学习模型的一部分，使该模型比标准模型更有效。的确，可以使用伴随灵敏度方法来训练模型的神经ode块，该方法计算梯度下降方法的梯度，以避免经典的反向传播的计算成本。我们对这一领域的贡献是对神经ode块的稳定性和合同性的研究，是一个微分方程，目的是设计训练策略，以使整体机器学习模型稳健且稳定，以抗对抗攻击。此海报基于[1]，[2]和[3]。
生成建模的微分几何形状
我的一位前教授曾经将一本关于差异几何学的流行教科书描述为“厕所阅读”。诚然，他使用了更多粗略的术语。此描述意味着文字很容易访问，以至于他可以在经常浴室时阅读这本书。该描述并不意味着称赞。。。这本简短的书旨在是“厕所阅读”。差异几何形状经常被抽象地呈现，而驱动直觉隐藏得很好。相反，我试图使此文本尽可能容易地消化。。。也就是说，我认为您在机器学习和与此领域相关的标准数学工具方面具有一定的经验。也就是说，您应该熟悉基本演算，线性代数和概率理论。