XiaoMi-AI文件搜索系统
World File Search System拓扑
用于拓扑的自监督边缘检测重建...
许多基于机器学习的轴突追踪方法依赖于带有分割标签的图像数据集。这需要领域专家的手动注释，这需要大量劳动力，并且不适用于以细胞或亚细胞分辨率对半球或整个脑组织进行大规模脑映射。此外，保留轴突结构拓扑对于理解神经连接和大脑功能至关重要。自监督学习 (SSL) 是一种机器学习框架，允许模型在未注释的数据上学习辅助任务，以帮助完成监督目标任务。在这项工作中，我们提出了一种新颖的 SSL 辅助任务，即为面向拓扑的轴突分割和中心线检测的目标任务重建边缘检测器。我们使用小鼠大脑数据集对三个不同的 SSL 任务进行了 3D U-Nets 预训练：我们提出的任务、预测排列切片的顺序和玩魔方。然后，我们在不同的小鼠大脑数据集上评估了这些 U-Nets 和基线模型。在所有实验中，针对我们提出的任务进行预训练的 U-Net 分别将基线的分割、拓扑保留和中心线检测提高了 5.03%、4.65% 和 5.41%。相比之下，切片排列和魔方预训练的 U-Net 并没有比基线有持续的改进。
基于拓扑的深层生成模型在城市形式生成中的应用：评论
摘要将深层生成模型纳入城市形式的生成是支持城市设计过程的一种创新且有前途的方法。但是，大多数深层生成的城市形式模型基于图像表示，这些图像表示并未明确考虑城市形式元素之间的拓扑关系。旨在开发深层生成模型并考虑拓扑信息的帮助下，本文回顾了城市形式的生成，深层生成的模型/深度图生成以及建筑和城市形式的深层生成模型的最新艺术状态。基于文献综述，提出了一个基于深层生成模型的基于拓扑的城市形式生成框架。深层生成模型的街道网络生成的假设forgraphgergrotandplot/building configurationGenerationByDeepgenerativeModels/Space语法以及所提出的框架的可行性需要在未来的研究中进行验证。
3D图像分割的拓扑感知焦点损失
分割算法的疗效经常因拓扑错误，连接中断和空隙等拓扑错误而受到损害。为了解决这一问题，我们引入了一种新颖的损失函数，即拓扑 - 意识局灶性损失（TAFL），该功能将基于基于地面真实和预测段蒙版的持久性图表之间的拓扑结构术语与拓扑结构术语结合在一起。通过实施与地面真理相同的拓扑结构，拓扑的约束可以有效地解决拓扑结构，而焦点损失可以解决阶级失衡。我们首先是从地面真理和预测的分割掩模的过滤的立方复合物中构造持久图。随后，我们利用sindhorn-knopp算法来确定两个持久图之间的最佳运输计划。最终的运输计划最小化了将质量从一个分布到另一个分布的运输成本，并在两个持久图中的点之间提供了映射。然后，我们根据该旅行计划计算沃斯堡的距离，以测量地面真相和预测的面具之间的拓扑差异。我们通过训练3D U-NET与MICCAI脑肿瘤分割（BRATS）CHALLENE验证数据集来评估我们的方法，该数据需要准确地分割3D MRI扫描，从而整合各种方式，以精确鉴定和跟踪恶性脑肿瘤。然后，我们证明，通过添加拓扑约束作为惩罚项，通过将焦点损失正规化来提高分段性能的质量。
全集成拓扑电子器件
拓扑绝缘体 (TI) 因其独特的物理特性和广阔的应用前景而在光子学和声学领域引起了广泛关注。由于电子学在构建复杂拓扑结构方面具有优势，它最近成为研究各种拓扑现象的一个令人兴奋的领域。在这里，我们利用标准的互补金属氧化物半导体技术在集成电路 (IC) 平台上探索 TI。基于 Su–Schrieffer–Heeger 模型，我们设计了一个完全集成的拓扑电路链，该电路链使用多个电容耦合电感电容谐振器。我们对其物理布局进行了全面的布局后模拟，以观察和评估显着的拓扑特征。我们的结果证明了拓扑边缘状态的存在以及边缘状态对各种缺陷的显着鲁棒性。我们的工作展示了使用 IC 技术研究 TI 的可行性和前景，为未来在可扩展 IC 平台上探索大规模拓扑电子学铺平了道路。
在扭曲磁性模式中胶体颗粒的漂移与拓扑运输之间的竞争
摘要我们模拟了用魔法角度扭曲的两个磁性对称性的磁性模式之间的顺磁颗粒的运动。所得的莫里图模式在磁性电位中形成平坦的通道，沿磁电势可以通过大于临界值的数量级的漂移力传输胶体颗粒。胶体运输也可以通过均匀外部场的调制环随时间变化的方向而变化，在这种情况下，传输受到拓扑保护。漂移和拓扑运输竞争或合作产生了几种运输模式。合作使在漂移力上移动颗粒比临界力弱。超临界漂移迫使运输模式之间的竞争结果，例如在整数步骤中粒子的平均速度和次谐反应的发生中增加。我们用平均粒子速度的动态相图来表征系统，这是拓扑传输方向的函数和漂移力的大小。
PointNeuron：通过点云的几何和拓扑学习进行 3D 神经元重建
从 3D 显微镜图像重建数字神经元是研究大脑连接组学和神经元形态的重要技术。现有的重建框架使用基于卷积的分割网络在应用追踪算法之前将神经元从噪声背景中分割出来。追踪结果对原始图像质量和分割精度很敏感。在本文中，我们提出了一种新的 3D 神经元重建框架。我们的关键思想是利用点云的几何表示能力来更好地探索神经元的内在结构信息。我们提出的框架采用一个图卷积网络来预测神经骨架点，采用另一个图卷积网络来产生这些点的连通性。我们最终通过解释预测的点坐标、半径和连接来生成目标 SWC 文件。在 BigNeuron 项目的 Janelia-Fly 数据集上进行评估，我们表明我们的框架实现了具有竞争力的神经元重建性能。我们对点云的几何和拓扑学习可以进一步有益于 3D 医学图像分析，例如心脏表面重建。我们的代码可在 https://github.com/RunkaiZhao/PointNeuron 上找到。
双层中的拓扑和磁相变...
我们研究了双层kitaev蜂窝模型的相图，并通过层间相互作用，通过扰动理论得出有效的模型，并执行majoragarana含义层次的理论计算。我们表明，会发生各种磁性和拓扑相变的阵列，具体取决于层间相互作用的方向以及Kitaev相互作用的相对符号。当两个层具有相同的基塔夫相互作用的迹象时，就会发生从基塔耶旋转液体到磁序状态的一阶过渡。沿Ising轴的磁性点，它是（反）铁磁相互作用的（抗）铁磁。但是，当两个层具有相反的基塔夫相互作用的迹象时，我们观察到磁有序趋势的显着削弱，而基塔伊夫自旋液体可以生存，直至更大的层中层交换。我们的平均值分析表明，中间间隙z 2旋转状态的出现，最终在粘膜凝结后变得不稳定。通过高度沮丧的120°指南针模型来描述汇总阶段。我们还使用扰动理论来研究模型，沿着z ˆ轴或位于xy平面的ising轴指向。在这两种情况下，我们的分析都揭示了一维伊斯丁链的形成，这些链在扰动理论中保持脱钩，从而导致了典型的地面变性。我们的结果突出了双层量子自旋液体中拓扑顺序和磁性顺序趋势之间的相互作用。
拓扑如何驱动大脑，气候和AI
高阶拓扑动态结合了高阶相互作用，拓扑和非线性动力学，从而引起了新的新兴现象。这些现象编码的信息可以极大地改变我们对大脑和气候等复杂系统的理解，并可以允许制定受物理启发的新有效的AI算法。信用：伦敦皇后大学
超分子聚合物的非均匀照相诱导的展开，导致拓扑块纳米纤维
摘要：同一主链中具有差异性拓扑（高阶结构）结构域的一维纳米纤维的合成是现代超分子聚合物化学的挑战性主题之一。通过外部刺激对超分子聚合物链的非均匀结构转化可以使这种纳米纤维制备。为了证明这种聚合后策略的可行性，我们从巴比妥酸盐单体中制备了光反应性的旋转折叠超折叠的超聚合物，该单体含有偶氮苯嵌入的刚性P-P-互轭支架。与以前的螺旋折叠超分子聚合物相比，由更灵活的偶氮苯单体组成，UV-Light诱导的新制备的螺旋折叠折叠的超分子聚合物的展开是不均匀的，发生了不均匀的，可提供折叠和无折叠域的拓扑块共聚物。这种块状共聚物的形成表明，光诱导的螺旋折叠结构的展开是从相对灵活的部分（例如末端或缺陷）启动的。在可见光照射后，随后衰老以恢复完全折叠的结构后，观察到了展开的结构域的自发重折叠。