XiaoMi-AI文件搜索系统
World File Search System标度
不同运动执行和想象任务中宽带脑电图中长程时间相关性的动态
大脑活动由振荡和宽带心律失常成分组成；然而，在运动研究中，人们更多地关注振荡感觉运动节律，而宽带心律失常脑电图 (EEG) 的时间动态仍未被探索。我们之前已经证明，宽带心律失常脑电图包含短距离和长距离时间相关性，这些相关性在运动过程中会发生显著变化。在本研究中，我们以之前的工作为基础，更深入地了解宽带脑电图中长距离时间相关性 (LRTC) 的这些变化，并将它们与文献中常见的众所周知的 alpha 振荡幅度 LRTC 进行对比。我们使用两个独立的 EEG 数据集（这两个数据集以两种不同的范式记录）来调查和验证五种不同类型的运动和运动想象任务期间 LRTC 的变化——我们的手指敲击数据集（包含单次自我发起的异步手指敲击）和公开可用的 EEG 数据集（包含提示的拳头和脚的连续运动和运动想象）。我们通过对单次试验 2 秒 EEG 滑动窗口进行去趋势波动分析，量化了宽带 LRTC 的瞬时变化。与静息状态相比，宽带 LRTC 在所有运动任务中均显著增加（p < 0.05）。相反，必须在较长的拼接 EEG 段上计算的 alpha 振荡 LRTC 显著下降（p < 0.05），与文献一致。这表明在运动和运动想象过程中，潜在的快速和慢速神经元无标度动力学是互补的。单次试验宽带 LRTC 在所有运动执行和想象任务中均具有较高的平均二元分类准确率，范围为 70.54 ± 10.03 % 至 76.07 ± 6.40 %，因此可用于脑机接口 (BCI)。因此，我们证明了新型运动神经相关性单次试验宽带 LRTC 在单个异步和提示连续运动-BCI 范式中的不同运动执行和想象任务中的普遍性、稳健性和可重复性，以及它与 LRTC 在 alpha 振荡幅度方面的对比行为。
“范德华相互作用的密度泛函模型：用非局部泛函统一多体原子方法”的补充材料
稿件的所有计算资源均可在 Git 存储库 [1] 和相关数据文件 [2] 中找到。其中包括用于生成输入文件、运行计算、处理和分析数据以及生成图形的脚本。文件组织在存储库中的 README.md 文件中描述。所有 DFT 计算均使用 FHI-aims [3] 完成，其使用原子中心基组和数值径向部分。我们使用严格的默认基组和网格设置，这可确保本文研究的范德华 (vdW) 体系的结合能数值收敛到 0.1 kcal/mol。MBD 计算借助于集成到 FHI-aims 中的 Libmbd 库 [4] 执行，并且可使用当前开发版本在 FHI-aims 中直接执行 MBD-NL 计算。我们目前的实现不包括函数导数δαVV'[n]/δn，因此本文在自洽PBE密度上评估MBD-NL，而导数的实现仍在进行中。重要的是，已发现由范德华相互作用引起的电子密度变化对相互作用能和核力的影响可忽略不计[5]。S66、X23和S12L集的PBE、PBE0和VV10能量取自[6]，其使用与本文相同的数值设置。对于分子晶体，所有DFT和MBD计算均使用逆空间中密度至少为0.8˚A的k点网格。对于硬固体，我们使用了[7]中的k点密度。所有分子和晶体几何形状均直接取自各自的基准集，未进行任何松弛。表 I 报告了 MBD-NL、MBD@rsSCS 和 VV10 与 PBE 和 PBE0 函数结合对一组有机分子晶体（X23，[11]）、一组超分子复合物（S12L，[12]）和一组 26 种层状材料（称为“26”，[10]）的性能。在标准范德华数据集中，S12L 是唯一一个 MBD-NL 与 PBE 和 PBE0 函数结合时实现不同性能的数据集。这主要是因为 PBE 与 π – π 复合物的结合力比 PBE0 略强。对于大型 π – π 复合物，半局部 DFT 和长程范德华模型之间的适当平衡尚不清楚 [6]。在“26”集中，MBD@rsSCS 哈密顿量对 26 种化合物中的 20 种具有负特征值。然而，为了获得有限能量，我们使用了 Gould 等人提出的特征值重标度 [9]。图 1 比较了由 PBE-NL 计算的混合有机/无机界面的结合能曲线以及 Ruiz 等人的 MBD@rsSCS 和 TS 方法的表面变体 [13]。表 II 列出了 DFT+MBD 的时序示例
群场论与全息张量网络
凝聚态理论中的张量网络算法 [1-5] 最近在量子引力领域产生了巨大影响，成为研究普朗克尺度时空性质及其全息特性的有力新工具。在 AdS/CFT 框架中，Ryu-Takayanagi 公式与几何/纠缠对应 [6-9] 相结合，导致了一种新的全息对偶构造方法，如今由 AdS/MERA 猜想 [10] 进一步捕获，该猜想建议将量子多体边界态的辅助张量网络分解的几何解释为对偶体几何的表示 [11,12]。张量网络在此意义上的使用产生了一种新的构造方法 [13]，其中某些全息理论的关键纠缠特征可以通过张量网络状态类来捕获。在量子引力的非微扰方法中，包括圈量子引力（LQG）和自旋泡沫模型[14-17]及其在群场论（GFT）方面的推广[18-20]，前几何量子自由度被编码在随机组合自旋网络结构中，用SU（2）的不可约表示标记，并在每个节点上赋予规范对称性。此类自旋网络态可理解为特殊的对称张量网络[21,22]，张量网络技术已在量子引力领域得到广泛应用[23-26]。在半经典层面上，离散时空和几何与此类结构自然相关，其量子动力学与（非交换的）离散引力路径积分相关[27-30]。悬而未决的问题是展示连续时空几何和广义相对论动力学如何从具有相同前几何自由度的全量子动力学中诞生，这实际上将量子时空描述为一种特殊的量子多体系统[31-33]。从这个意义上说，张量网络技术已广泛应用于圈量子引力背景下的自旋泡沫重正化问题[23-26]，以及用于分析自旋网络纠缠结构的定量工具，并寻找具有与半经典解释中的良好几何兼容的关联和纠缠特性的自旋网络态类。最近，张量网络表示方案已被用于提取自旋网络态非局域纠缠结构的信息，并在背景独立的情况下理解局域规范结构对全息纠缠的普适标度特性的影响[34]。沿着这条思路，一些作者在 [ 35 ] 中定义了随机张量网络和群场论 (GFT) 状态之间的精确词典，并以此为基础在非微扰量子引力背景下首次推导了 Ryu-Takayanagi 公式 [ 6 ]。该字典还在对 GFT 状态进行不同限制的情况下，暗示了 LQG 自旋网络状态与张量网络之间的对应关系，以及随机张量模型 [ 36 ] 与张量网络之间的对应关系。总结上述字典，GFT 状态定义了具有场论公式和量子动力学的（广义）规范对称张量网络。GFT 张量的场论性质提供了一种自然的随机解释，尽管它对应的概率测度通常与标准随机张量网络模型的概率测度不同。此外，GFT 网络的主要特征——晶格拓扑、张量序、键维数——不是固定的，而是由所考虑的特定 GFT 模型动态诱导的。从这个意义上说，GFT 定义了通常张量网络的广义。因此，GFT 定义的张量网络的关联函数将在很大程度上取决于模型的选择。如 [ 35 ] 所示，标准随机张量网络模型与 GFT 张量网络之间的相似性在非相互作用 GFT 理论的最简单情况下尤其明显，其中理论的传播子诱导最大纠缠
功能近红外光谱信号的分形性研究
定位研究 20 – 22 旨在识别大脑对特定刺激的激活模式，以及连接研究（功能性或有效） ，其重点是研究大脑各区域之间的功能相互作用，无论是在大脑处于休息状态还是在执行特定任务时。 23 – 27 然而，现在众所周知，大脑是高度动态的 28 – 32 因此，为了更全面地了解其功能，需要能够提取大脑记录中的时间信息的方法。与空间域相比，考虑时间域进行分析的 fNIRS 研究数量要少得多。 33 – 40 例如，在参考文献 33 中，通过应用 Higuchi 分形维数算法 41 表明 fNIRS 信号具有高度复杂度。将小波变换应用于 fNIRS 信号，并表明小波系数可用于训练分类器。在参考文献38–40中，熵已被用来评估患者群体（如患有阿尔茨海默病、注意力缺陷多动障碍和脑外伤的患者）中 fNIRS 信号的复杂性，表明它携带的信息可能与疾病有关。所有这些研究表明，在 fNIRS 信号的复杂特征中存在与潜在大脑活动相关的信息。在本文中，我们利用可视性图（VG）提出了一种揭示 fNIRS 时间序列分形特性的方法。VG 是一种最近引入的方法，它将时间序列映射到图形（称为 VG）。正如将要讨论的，构建图的拓扑属性与时间序列的分形和复杂性有关。42、43 与传统的分形分析方法相比，42 VG 在计算上不太复杂，并且已经用于各种研究。 44 – 49 例如，江等人利用心电图表明，采用 VG 分析可以揭示由调解训练引起的动态变化，表现为规律的心跳，这与自主神经系统的调整密切相关。44 朱等人将基于 VG 的方法应用于酗酒识别，表明该方法有望将酗酒者与控制饮酒者区分开来。48 在参考文献 47 中，结果表明，将 VG 应用于脑电图 (EEG) 信号可以提供区分自闭症儿童和非自闭症儿童的特征。在参考文献 49 中，我们已经表明，通过 VG 提取的 GCaMP6 小鼠钙记录的时间特征带有可用于解码行为的鉴别信息。这里需要注意的是，VG 与功能连接研究中常用的基于图论的方法之间的区别。50 , 51 在典型的功能连接研究中，图是在空间域中构建的，即图中的节点对应于通道或体素的位置，并且两个节点之间的链接基于与两个节点相关的时间序列的统计相似性形成，通过相关性等度量来量化。另一方面，正如将在第 2 节中讨论的那样，在 VG 中，节点对应于时间序列中的时间点，并且链接基于时间点之间的自然可见性形成（图 1）。一旦为每个时间序列形成图，就可以提取图度量来表示时间序列的不同属性。在本文中，我们使用 VG 研究两种条件下 fNIRS 时间序列的分形性：当大脑处于休息状态时和当大脑从事任务时。在两种静息状态条件和两种任务条件下记录了 9 名健康男性受试者的 fNIRS 时间序列。从每个时间序列为每个通道和每种条件构建 VG。然后提取可视性图的无标度性 (PSVG) 的功率并在不同条件下进行比较。据我们所知，这是第一项使用 VG 揭示 fNIRS 记录时间序列时间特征的研究，证明了其在识别 fNIRS 记录中的特征方面的可行性，这些特征可用于获得有关大脑功能的新见解。本文的其余部分组织如下。第 2 节介绍了本研究中用于分析的方法。实验设置的详细信息在第 3 节中给出。第 4 节介绍了结果，最后，在第 5 节中提供了一些讨论。第 2 节描述了本研究中使用的分析方法。第 3 节给出了实验装置的详细信息。第 4 节介绍了结果，最后，第 5 节进行了一些讨论。第 2 节描述了本研究中使用的分析方法。第 3 节给出了实验装置的详细信息。第 4 节介绍了结果，最后，第 5 节进行了一些讨论。
全球破坏性机会 - 欧洲 - ACC
以D. Trump返回椭圆形办公室的标志，收入季节的开始和DeepSeek现象，一月份非常多事。MSCI世界（EUR）上升了3.15％，类似于标准普尔500指数（+2.38％的欧元），而与众不同的是，Stoxx Europe 600（+6.87％）和CAC 40（+7.72％）（+7.72％）却胜过美国的独立领域。尽管美国为期10年的美国财政收益率（-3至4.54％）和美元（DXY：-0.07％）在本月中略有下降，但两者保持较高。他们在1月中旬达到顶峰，受到额外关税的风险和美国经济强度的驱动：12月的ISM和PMI指数（49.3用于制造业，服务54.1），而服务的期望值为48.2和53.5），以及仍然强大的劳动力市场（通货膨胀量劳动力市场）（通货膨胀的劳动力劳动劳动力市场）的预期和无效的预期）。这些因素导致通货膨胀的加速（ +2.7％后 +2.9％），并保持了率的压力。然而，一月份的复合PMI的放缓（52.4 vs. 55.4在12月）和季度增长低于预期（2.3％的同比比预期的2.7％）缓解了本月下半年的通货膨胀预期，从而为美联储提供了更多的余地，并使大世率降低了（自01/14自01/14以来）。在欧洲，欧洲央行在面对欧元区季度停滞的季度增长（+0.0％QOQ的第四季度QOQ+0.0％QOQ，季节性调整）的季度增长（尽管12月的通货膨胀率略有加速度）（+2.4％，+2.4％，+2.4％，但在+2.2％之后，+2.2％的稳定率在11月+2.2％的情况下，在+2.4％的情况下，欧元区的季度增长（+0.0％QOQ）在欧元区的季度增长（+0.0％QOQ）中继续进行了货币（01/30的25％至2.75％）。领土（1月份50.2，12月49.6个）。确认这一趋势，法国银行的州长在一月份提到，可以想象，六个月内的关键利率总数总计100个基点。在公司方面，季度业绩正在涌入并支持欧洲指数的表现。的确，STOXX 600的季度出版物中有将近70％的季度出版物在1月底对销售量显示出积极的惊喜，而标准普尔500指数约为55％。In sector terms, only Information Technology (-1.90%) is in negative territory, hit hard by the emergence of the Chinese AI DeepSeek, while Utilities (+1.81%), Consumer Staples (+1.43%), and Real Estate (+1.59%) also underperform, offsetting some of the positive impact from Communications Services (+8.28%), Healthcare (+5.85%), Financials （+6.07％）和材料（+4.70％）。本月颠覆性世界的关键要点： - 繁荣的超音速XB -1示威者飞机已成为第一架破坏声音障碍的民用飞机，在加利福尼亚州莫哈韦沙漠（Mojave Desert）的第12次测试飞行中实现了这一里程碑。飞机达到1.1马赫，并保持超音速速度约四分钟。测试飞行员特里斯坦·勃兰登堡（Tristan Brandenburg）成功完成了航班，该航班在XB-1首次揭幕之后八年。XB-1是Boom Future 64-Passenger Airliner的三分之一标度原型，名为Overture，已有美国和日本航空公司的订单。Scholl将这一成就与SpaceX的Falcon 1发射进行了比较，强调XB-1的飞行代表了超音速旅行的新时代，与Concorde这样的政府领导的项目不同。BOOM的首席执行官Blake Scholl承认，尽管重要的工作仍需扩大到序曲，包括计划于今年晚些时候计划的发动机测试，但XB-1的成功飞行是商业航空中的关键时刻。他表示希望在商业航空中进行更多的企业家企业，从而强调了对军事应用以外的创新需求。虽然Boom与美国空军合作，但Scholl的主要重点是恢复超音速乘客旅行，他认为这将增强全球连通性并创造美国就业机会。尽管该行业其他公司面临的挑战仍然对商业超音速航空的未来保持乐观。- OpenAI已宣布与软银，Oracle和其他合作伙伴合作，以建立Stargate项目，旨在在美国建立多个AI数据中心该倡议将在德克萨斯州的一个重要数据中心开始，并计划在未来四年中投资1000亿美元。在白宫举行的新闻发布会上，特朗普总统和参与公司的主要高管参加了会议，据指出，《星际之门》项目将支持美国的重新工业化和支持国家安全。软银的Masayoshi儿子将担任董事长，Openai负责运营。第一个数据中心将位于德克萨斯州的阿比林，计划到2029年在全国范围内最多20个安装。每个设施都将是实质性的，建筑物的尺寸为半百万平方英尺。在一月份，该基金的绩效与MSCI世界指数紧密吻合。该项目还涉及与微软，ARM和NVIDIA等科技巨头的合作伙伴关系，旨在与半导体公司合作开发AI芯片。- UC Berkeley Spinout的Ambi Robotics揭幕了Ambistack，Ambistack是一种自动托盘堆积系统，其机器人手臂采用机器人的手臂，该机器人使用抽吸杯抬起和堆叠盒子。这项创新将采摘和堆叠组合为一个工作流程，从而降低了人类工人受伤的风险。经过200,000多个小时的仓库数据培训，Ambistack可以处理各种包装尺寸。预售已经开始，预计将于2025年中期部署，并计划于2026年初进行扩展。成立于2018年，Ambi已筹集了超过6700万美元的资金，并与Pitney Bowes等主要运输服务签订了合同。该公司在竞争环境中运营，面对帕克，右翼和协变量等竞争对手，以及波士顿动力学，该动力学引入了自己的仓库机器人，斯图斯特。最初，本月初具有强大的绝对和相对性能；但是，在1月20日从DeepSeek发行R1之后，大部分优势都丢失了。此公告显着影响了AI计算基础设施，并引起了人们对AI支出潜在放缓的担忧。因此，AI资本支出（CAPEX）主题受到负面影响，特别是在计算和数据中心电气化领域。虽然数字经济的总体表现显得中立，但表面下方存在很大的可变性。前沿半导体和计算暴露损害了性能。但是，这种下降被中型增长软件公司（例如Nutanix，Elastic，Confluent和MongoDB）的强劲表现所抵消。这些公司在数据中心上方的基础架构层中起着至关重要的作用，提供了基本的数据基础架构服务。他们受益于AI采用的加速，这是由于模型成本较低的驱动。另一方面，地球维度产生了负面影响，这主要是由于与伊顿，日立和约翰逊控制公司等公司相关的能源效率主题。电气化工业也受到DeepSeek浪潮的影响，该浪潮正在加速培训的商品化周期。这种转变可能导致更快的推理过渡。这种过渡的突然越突出，对电力需求的影响和对每一代GPU的各种冷却需求的影响就越大，预计将在越来越高的温度下运行。这种表现不佳反映在基础设施资本预算的近期降低中，这是我们预期的趋势。在整个月中，行业4.0维度做出了积极的贡献，这主要是由于在挑战性的12月之后恢复了，其特征是对自动驾驶汽车的担忧。MedTech主题还经历了强劲的表现，尤其是波士顿科学公司，该科学最近宣布收购Bolt Medical，Inc。该公司专门研究基于冠状动脉和周围动脉疾病的高级血管内碎石疗法（IVL）激光平台。此过程涉及分解钙的硬沉积物，例如钙，以恢复血流。此外，直觉手术的第四季度前公告超过了对程序和DA Vinci系统的共识期望，这表明对下一代DV5的强劲需求以及机器人手术中强烈的总体趋势。一月份，我们退出了Netflix和AMD，收益增加了工业和医疗保健领域的多元化。