XiaoMi-AI文件搜索系统
World File Search System网络模型
引用Snyman，I.，Tworzydlo，J。，＆Beatakker，C。W. J.（2008）。使用Chalker-Coddington Netw
最初作为量子霍尔效应中渗透模型引入的粉笔 - 哥德顿网络模型已知可以映射到二维DIRAC方程中。在这里，我们展示了如何使用网络模型来解决连接到浓度掺杂的电子储层的弱掺杂的石墨烯片中的散射问题。我们开发了一个数值过程，以使用网络模型的助手来计算散射矩阵。出于数值目的，网络模型比蜂窝晶状体的优势在于，它从一开始就消除了间隔散射。我们避免需要在网络模型中包括大量掺杂的区域，这些区域通过通过弱掺杂区域的转移矩阵与电子储层之间的散射矩阵之间的分析关系来计算昂贵。我们通过计算静电定义的量子点接触的电导来测试网络算法，并与石墨烯的紧密结合模型进行比较。我们进一步计算了在抑制间隔散射的制度中存在无序的石墨烯片的电导。我们发现与先前研究一致的电导率增加。与紧密结合模型不同，网络模型不需要光滑的电势以避免间隔散射。
具有双V形磁铁结构的永久磁体同步电动机的动态等效磁网络模型和驱动系统
等效磁网络（EMN）方法似乎是电动机中磁场的一种更有效的分析方法，比等效磁路方法（EMC）[11]和比有限元方法（FEM）相比，相结合了更高的计算精度和更快的计算速度。W. Shi等。研究了具有V形磁铁结构的PMSM的EMN，该结构可以准确计算磁场分布并模拟电动机的抗磁力化能力[12]。J. Zhang等。 提出了双层磁铁结构永久磁铁同步不情愿电动机，并建立了其EMN模型，该模型可以准确计算电动机的气隙通量密度分布，并用于转子结构的设计和优化[13]。 尽管如此，[12]和[13]中的EMN模型不可用于计算绕道通量，电动力（EMF）和扭矩波形以及转子旋转。 然后，介绍了根据转子位置修改EMN在定子和转子之间的连接的动态EMN模型，以解决此问题。 H. Kwon等。 研究并建立了具有表面无磁体结构的PMSM的动态EMN模型，该模型可以获得与FEM相似的磁场计算结果[14]。 G. Liu等。 研究了具有单层V形磁体结构的PMSM的动态EMN模型。 其正确性通过FEM和实验验证[15]。 但是，在本文中对拟议的DVMPMSM的动态EMN模型没有相关的研究。J. Zhang等。提出了双层磁铁结构永久磁铁同步不情愿电动机，并建立了其EMN模型，该模型可以准确计算电动机的气隙通量密度分布，并用于转子结构的设计和优化[13]。尽管如此，[12]和[13]中的EMN模型不可用于计算绕道通量，电动力（EMF）和扭矩波形以及转子旋转。然后，介绍了根据转子位置修改EMN在定子和转子之间的连接的动态EMN模型，以解决此问题。H. Kwon等。研究并建立了具有表面无磁体结构的PMSM的动态EMN模型，该模型可以获得与FEM相似的磁场计算结果[14]。G. Liu等。研究了具有单层V形磁体结构的PMSM的动态EMN模型。其正确性通过FEM和实验验证[15]。但是，在本文中对拟议的DVMPMSM的动态EMN模型没有相关的研究。在[16]中，动态EMN模型用于表面安装的PMSM的多目标优化，这对电动机的快速设计有益。
- 方法论的介绍 -
o 电网损耗——通过补偿项目造成的电力系统热损耗的成本进行评估。对于电网损耗计算，将使用市场和网络模型——在网络模型中，将计算损耗量（GWh），然后乘以从市场模型获得的边际价格，以充分实现这一收益货币化。
传感器
摘要目的：这项研究的目的是在硅QSAR-神经网络模型中开发出强大的外部预测性，用于预测药物的血浆蛋白结合。该模型旨在通过减少化学合成和广泛的实验室测试的需求来增强药物发现过程。方法：使用277种药物的数据集来开发QSAR神经网络模型。使用滤波器方法构建模型，以选择55个分子描述符。通过预测平方相关系数Q2和均方根误差（RMSE）评估了验证集的外部精度。结果：开发的QSAR神经网络模型显示出鲁棒性和良好的适用性域。验证集的外部准确性很高，预测平方相关系数Q2为0.966，均方根误差（RMSE）为0.063。相对，该模型的表现优于文献中先前发布的模型。结论：该研究成功地开发了一种高级QSAR神经网络模型，能够预测人类血浆中277种药物的血浆结合。该模型的准确性和鲁棒性使其成为药物发现中的宝贵工具，有可能减少对资源密集型化学合成和实验室测试的需求。
基于轻量级深度学习的微波脑图像网络模型，利用重建的微波脑 (RMB) 图像进行脑肿瘤分类
1 马来西亚国立大学工程与建筑环境学院电气、电子与系统工程系先进电子与通信工程中心，万宜 43600，马来西亚 2 达卡工程技术大学计算机科学与工程系，加济布尔，加济布尔 1707，孟加拉国 3 马来西亚理工大学无线通信中心，士古来 81310，马来西亚 4 卡塔尔大学电气工程系，多哈 2713，卡塔尔 5 马来西亚国立大学 (UKM) IR4.0 研究所，万宜 43600，马来西亚 6 卡塔尔大学土木与建筑工程系，多哈 2713，卡塔尔tariqul@ukm.edu.my （MTI）; mchowdhury@qu.edu.qa (MEHC)
Physgnn：一种基于物理驱动的图形神经网络模型，用于预测图像指导神经外科手术中的软组织变形
正确捕获图像引导的神经外科术中的术中大脑移位是将术前数据与术中几何形状对准数据的关键任务，以确保准确的手术导航。虽然有限元方法（FEM）是一种经过验证的技术，可以通过生物力学制剂有效地近似软组织变形，但其成功程度归结为准确性和速度之间的权衡。为了解决这个问题，该领域中的最新作品提出了通过培训各种机器学习算法获得的数据驱动模型（例如，随机森林，人工神经网络（ANN）），并通过有限元分析（FEA）的结果来加快预测的速度。但是，这些方法在训练过程中没有说明有限元（Fe）网格的结构，以提供有关节点连接性的信息以及它们之间的距离，这可以帮助基于与其他网状节点的强力负载点的接近近似组织变形。因此，这项工作提出了一个新颖的框架Physgnn，该模型是通过利用图形神经网络（GNN）来近似于FEM解决方案的模型，该模型能够考虑到网格结构信息，并在未结构化的网格和复杂的拓扑结构上考虑网格结构信息和归纳性学习。从经验上讲，我们证明了所提出的体系结构有望准确且快速的软组织变形近似，并且与最新的ART（SOTA）算法具有竞争力，同时有望增强计算可行性，因此适用于神经外科设置。
ASD-SAENet：一种使用 fMRI 数据检测自闭症谱系障碍 (ASD) 的稀疏自动编码器和深度神经网络模型
自闭症谱系障碍 (ASD) 是一种异质性神经发育障碍，其特征是沟通障碍和社交互动有限。目前的临床方法完全基于对症状的行为观察，对自闭症背后的神经机制了解甚少，因此有必要确定新的生物标记，以帮助研究大脑的发育和功能，并可以准确和早期地检测出自闭症。在本文中，我们开发了一种名为 ASD-SAENet 的深度学习模型，用于使用 fMRI 数据将自闭症患者与典型的对照受试者进行分类。我们设计并实施了一个稀疏自动编码器 (SAE)，以优化可用于分类的特征提取。然后将这些特征输入到深度神经网络 (DNN) 中，从而对更容易患自闭症的 fMRI 脑部扫描进行更好的分类。我们提出的模型经过训练，可以优化分类器，同时根据重建数据误差和分类器误差改进提取的特征。我们使用从 17 个不同研究中心收集的公开的自闭症脑成像数据交换 (ABIDE) 数据集评估了我们提出的深度学习模型，该数据集包括 1,035 多名受试者。我们广泛的实验表明，与其他方法相比，ASD-SAENet 对整个数据集表现出相当的准确度 (70.8%) 和更高的特异性 (79.1%)。此外，我们的实验在 17 个成像中心中的 12 个中心表现出比其他最先进的方法更好的结果，在不同的数据采集站点和协议中表现出更高的通用性。实施的代码可在我们实验室的 GitHub 门户上找到：https://github.com/pcdslab/ASD-SAENet。
Eco-Retina：用于型号构建的绿色灵活算法
在过去几年中，发展，培训和预测深度学习模型的能源成本已大大增加。随着神经网络模型变得更大，更复杂，可以执行越来越复杂的任务，对计算资源的需求，尤其是图形处理单元（GPU）和张量处理单元（TPU）的需求迅速增加。对计算资源需求的这种增加导致能源消耗的相应增加，这导致了人们对AI的可持续性和环境影响的关注。因此，对于研究和行业社区而言，探索新算法和技术的开发至关重要，用于培训更有效的神经网络模型。与原始算法相比，这些修改中的几种需要更少的性能。
神经网络和电路模拟神经爆发和同步
摘要：现今，研究、建模、仿真和实现类脑系统以重现大脑行为已成为迫切的需求。本文通过建模两个基于霍普菲尔德神经网络（HNN）的神经网络模型来模拟神经爆发与同步。第一个神经网络模型由四个神经元组成，对应实现神经爆发放电。理论分析和数值模拟表明，简单的神经网络可以产生丰富的爆发动态，包括每次爆发有不同的脉冲的多个周期性爆发放电，多个共存的爆发放电，以及具有不同幅度的多个混沌爆发放电。第二个神经网络模型使用由两个以上小神经网络组成的耦合神经网络来模拟神经同步。基于李雅普诺夫稳定性理论从理论上证明了耦合神经网络的同步动力学。大量仿真结果表明耦合神经网络能够产生依赖于突触耦合强度的不同类型的同步行为，如反相突发同步、反相尖峰同步、完全突发同步等。最后，设计并实现了两个神经网络电路，展示了所构建神经网络的有效性和潜力。