XiaoMi-AI文件搜索系统
World File Search System欧几里得
Berezinskii-Kosterlitz的渐近自由 - 无需使用Qubit正则化的微调
我们提出了一个二维硬核环路模型，是一种在Berezinskii-kosterlitz-无用的过渡时期出现的渐近自由质量连续性量子场理论的一种方式。无需微调，我们的模型可以在接近相变时在大规模阶段重现经典晶格XY模型的通用级尺度函数。这是通过在热力学极限下降低回路配置空间中的fock-vacuum位点的散发性来实现的。与传统的XY模型相比，在Berezinskii-Kosterlitz上的某些通用量在我们的模型中显示出较小的有限尺寸效应。我们的模型是欧几里得时空中渐近自由质量量子场理论的Qubit正则化的一个典型例子，并有助于了解如何在不进行微调的情况下作为分离的固定点上的相关扰动而出现渐近自由。
Shankar，量子场论和凝聚态......
本书广泛回顾了许多技术及其在凝聚态系统中的应用，首先回顾了热力学和统计力学，然后介绍实时和虚时路径积分以及欧几里得量子力学和统计力学之间的联系。本书还详细研究了 Ising、规范-Ising 和 XY 模型。本书开发了重正化群并将其应用于临界现象、费米液体理论和场论的重正化。接下来，本书探讨了玻色子化及其在一维费米子系统中的应用以及均质和随机键 Ising 模型的关联函数。最后介绍了 Bohm-Pines 和 Chern-Simons 理论在量子霍尔效应中的应用。本书向读者介绍了各种技术，为理论、统计和凝聚态物理学的研究生和研究人员开辟了凝聚态理论的广阔领域。
用于高光谱图像分类的多尺度动态图卷积网络
摘要 —卷积神经网络（CNN）在高光谱图像表示方面表现出色，并在高光谱图像分类中取得了良好的效果。然而，传统的 CNN 模型只能对具有固定大小和权重的规则方形图像区域进行卷积，因此，它们不能普遍适应具有各种对象分布和几何外观的不同局部区域。因此，它们的分类性能还有待提高，特别是在类边界方面。为了弥补这一缺点，我们考虑采用最近提出的图卷积网络（GCN）进行高光谱图像分类，因为它可以对任意结构的非欧几里得数据进行卷积，适用于由图拓扑信息表示的不规则图像区域。与常用的在固定图上工作的 GCN 模型不同，我们使图能够动态更新
瑞士的太空研究2020–2022
ESA的基石Gaia Astormentry Mission在2020年生产了早期数据版本3。Gaia目前是太空天体物理学中最有生产力的任务，其三倍以上是2021年其他任何ESA-LEDISS的出版物数量，甚至在同年也超过了Hubble太空望远镜。瑞士通过领导与恒星变异性相关的所有方面在盖亚（Gaia）发挥着重要作用。ESA的中产阶级宇宙学障碍欧几里得在交付完整的有效载荷时实现了非常重要的里程碑。瑞士为VIS仪器和极其复杂的数据处理系统提供了一些硬件。在2021年，NASA的James Webb太空望远镜的效果发布和部署是天体物理学家的绝佳圣诞节礼物，一定会带来许多非凡的发现。瑞士参加了Miri的发展，这是两种欧洲乐器之一。
椭圆体的 Minkowski 和与协方差矩阵的均值
摘要。两个椭球集的闵可夫斯基和与差一般不是椭球形的。然而，在许多应用中，需要计算在某种意义上近似闵可夫斯基运算的椭球集。在本研究中，考虑了一种基于所谓椭球微积分的方法，该方法提供了参数化的外部和内部椭球族，可以紧密近似于闵可夫斯基椭球的和与差。近似沿方向 l 是紧密的，因为椭球在 l 上的支撑函数等于和与差在 l 上的支撑函数。然后可以根据相应椭球的体积或迹的最小（或最大）测量值来选择基于外部（或内部）支撑函数的近似。建立了利用欧几里得几何或黎曼几何对两个正定矩阵的闵可夫斯基和与差的基于体积的近似及其均值之间的联系，这也与它们的 Bures-Wasserstein 均值有关。
后人类主义现象学与人工智能
本文通过后人类主义哲学考察了人工智能 (AI) 的本体论和认识论含义，将德勒兹、福柯和哈拉维的著作与当代计算方法相结合。它引入了负面增强、揭示实践和沉淀等概念，同时扩展了肯定制图、他性伦理和内在层面等思想，以批判关于身份、认知和能动性的人类中心主义假设。通过将人工智能系统重新定义为通过交互和共同创造网络出现的动态组合，本文挑战了人类与机器、主体与客体等传统二分法。该分析连接了分析哲学和大陆哲学传统，将归因分析和因果推理等形式工具与大陆思想的解释和过程方法结合起来。这种综合加深了对人工智能认识论和伦理维度的理解，拓展了哲学探究，同时批判了人工智能设计中的人类中心主义。本文探究了人工智能的空间基础，对比了欧几里得和非欧几里得框架，以研究优化过程和对抗性生成模型如何塑造计算认识论。通过批判对欧几里得空间假设的依赖，本文将替代几何定位为建模复杂递归关系的工具。此外，本文还探讨了人工智能的政治层面，强调了人工智能与生态、技术和社会政治体系之间的纠葛，这些体系导致了不平等。通过肯定政治和交叉方法，本文倡导优先考虑边缘化观点的包容性框架。本文还探讨了计算感质的概念，强调了人工智能系统中如何出现主观动态及其对伦理、透明度和机器感知的影响。最后，本文呼吁在人工智能伦理和安全方面建立后人类主义框架，强调互联互通、多元化和机器智能的变革能力。这种方法推进了认识论多元化，重新构想了数字时代的智能边界，通过动态系统的共同创造促进了新的本体论可能性。
使用圆闭合进行角度校准的不确定性分析
使用比较器技术结合圆闭合原理，无需参考单独校准的参考工件，即可对多面镜、分度台和旋转台以及角度编码器的角度划分进行全圆校准。后者是平面角度的自然守恒定律，自欧几里得时代以来就广为人知，表示平面上任何一点周围的角度之和等于 2 � 弧度 (360 � )。如果将圆分成 n 个角段 A 1 、A 2 、 。..、A n 以及每个角段与未知参考角 X 之间的差异进行测量，则闭合为数据提供了约束，从而能够为所有 n + 1 个未知数提供完整的解决方案。圆闭合是众多自证比较技术之一，采用多次测量以及对测量系统组件进行适当的重新排列。参考文献 [1] 回顾了此类技术及其在尺寸计量中的应用。
审查Riemannian距离和分歧，应用于基于SSVEP的BCI
背景是大脑计算机界面（BCI）分类的第一代多通道脑电图（EEG）信号，通过优化的空间滤波器增强。第二代基于直接向前算法（例如最小距离至riemannian-mean）（MDRM）的直接算法，直接根据EEG信号估算了Covari-Ance矩阵。分类结果差异很大，具体取决于所选的riemannian距离或分歧，其定义和参考文献分布在广泛的数学上。方法本文审查了所有Riemannian距离和分歧，以处理协方差，并具有与BCI约束兼容的实现。使用不同指标的影响对稳态的视觉诱发电势（SSVEP）数据集进行了评估，从而评估了类别和clasifitation精度的中心。结果和结论Riemannian方法具有嵌入至关重要的特性来处理脑电图数据。Riemannian课程中心的表现要优于OfflINE和在线设置的欧几里得。一些Riemannian
基于黎曼对称正定流形的循环神经网络建模
摘要 — 使用卡尔曼滤波器 (KF) 进行状态估计经常会遇到未知或经验确定的协方差矩阵，从而导致性能不佳。消除这些不确定性的解决方案正在向基于 KF 与深度学习方法混合的估计技术开放。事实上，从神经网络推断协方差矩阵会导致强制对称正定输出。在本文中，我们探索了一种新的循环神经网络 (RNN) 模型，该模型基于黎曼对称正定 (SPD) 流形的几何特性。为此，我们基于黎曼指数图定义了一个神经元函数，该函数取决于流形切线空间上的未知权重。这样，就推导出了一个黎曼成本函数，从而能够使用传统的高斯-牛顿算法将权重作为欧几里得参数进行学习。它涉及计算闭式雅可比矩阵。通过对模拟协方差数据集进行优化，我们展示了这种新方法对于 RNN 的可能性。
基于相似距离的楼层平面图探索框架
摘要 计算平面图相似度的计算方法可以帮助建筑师在大型数据集中探索平面图，以避免重复设计并搜索满足其需求的现有平面图。最近，LayoutGMN [PLF ∗ 21] 在计算平面图之间的相似度得分方面提供了最先进的性能。然而，LayoutGMN 的高计算成本使其不适合上述应用。在本文中，我们通过将平面图投影到公共低维（例如三维）数据空间中，显著减少了查询 LayoutGMN 计算结果所需的时间。投影是通过优化平面图的坐标来完成的，其中欧几里得距离模仿 LayoutGMN 最初计算的相似度得分。定量和定性评估表明，我们的结果与原始 LayoutGMN 相似度得分的分布相匹配。用户研究表明我们的相似度结果很大程度上符合人类的期望。