XiaoMi-AI文件搜索系统
World File Search System计算精度
消除 APW/LAPW 基组中的线性化误差
详细介绍了使用 APW/LAPW 类型基组以及由局部轨道提供的灵活扩展来实现相对论密度泛函理论 (RDFT) 方程的方法。使用完全相对论方法和 α -U 作为示例，证实了先前发现的 APW/LAPW 基组的高导数局部轨道 (HDLO) 扩展对于提高 DFT 计算精度的重要性。高能局部轨道 (HELO) 对 GW 计算来说必不可少，但在提高 DFT 应用精度方面却效率低得多。结果表明，对于本文考虑的五种材料的电子自由能，采用一种简化的相对论效应方法，即仅考虑它们在 muffin-tin (MT) 球体内部，会产生基本相同的结果（与完全相对论方法相比）。通过比较简化方法对电子自由能的影响和对电子动能的影响，我们得出结论，自由能对我们描述间隙区域的相对论效应的方式的不敏感性与该量的变分性质有关。
使用深度学习的高级网络钓鱼网站预测
1印度海得拉巴市人工智能大学学生系2,3,4助理教授。摘要 - 该项目旨在利用深度学习算法和功能工程技术的结合来开发有效的网络钓鱼URL检测系统。系统将仔细检查各种URL特性，包括域名，路径，长度和可疑关键字的存在，以准确识别网络钓鱼URL并在单击它们之前立即提醒用户。对系统的评估将使用包含已知网络钓鱼和合法URL的综合数据集进行，并计算精度，召回，准确性和F1得分等性能指标。将对现有的网络钓鱼检测工具进行比较分析，以评估系统的有效性和效率。最终，该项目努力提高网络钓鱼检测系统的可靠性和功效，从而保护了用户免受网络钓鱼骗局的受害者的影响，并减轻了个人信息盗窃的风险。关键字：网络钓鱼，精度，回忆，准确性。I.简介
自适应缓解时变量子噪声
摘要 — 当前的量子计算机受到非平稳噪声信道的影响，错误率很高，这削弱了它们的可靠性和可重复性。我们提出了一种基于贝叶斯推理的自适应算法，该算法可以根据变化的信道条件学习和减轻量子噪声。我们的研究强调了对关键信道参数进行动态推理以提高程序准确性的必要性。我们使用狄利克雷分布来模拟泡利信道的随机性。这使我们能够进行贝叶斯推理，从而可以提高时变噪声下概率误差消除 (PEC) 的性能。我们的工作证明了表征和减轻量子噪声的时间变化的重要性，这对于开发更准确、更可靠的量子技术至关重要。我们的结果表明，当使用与理想分布的 Hellinger 距离来衡量时，贝叶斯 PEC 的性能可以比非自适应方法高出 4.5 倍。索引词 — 设备可靠性、计算精度、结果可重复性、概率错误消除、自适应缓解、时空非平稳性、时变量子噪声、NISQ 硬件-软件协同设计
用于数值计算的内存计算
摘要：近年来，内存计算 (CIM) 得到了广泛研究，通过减少数据移动来提高计算的能效。目前，CIM 经常用于数据密集型计算。数据密集型计算应用，例如机器学习 (ML) 中的各种神经网络 (NN)，被视为“软”计算任务。“软”计算任务是可以容忍低计算精度且准确度损失较小的计算。然而，针对数值计算的“硬”任务需要高精度计算，同时也伴随着能效问题。数值计算存在于许多应用中，包括偏微分方程 (PDE) 和大规模矩阵乘法。因此，有必要研究用于数值计算的 CIM。本文回顾了用于数值计算的 CIM 的最新发展。详细推导了求解偏微分方程的不同种类的数值方法和矩阵的变换。本文还讨论了对数值计算效率影响很大的大规模矩阵的迭代计算问题，重点介绍了基于ReRAM的偏微分方程求解器的工作过程，并总结了其他PDE求解器以及CIM在数值计算中的研究进展，最后对高精度CIM在数值计算中的应用前景和未来进行了展望。
太阳能研究杂志（JSER）
通过添加太阳能和风能等可再生能源、先进的计量基础设施和储能系统，传统电网正在变成智能电网。为了防止智能电网的不经济运行并提高可再生资源的渗透率，需求响应 (DR) 方法对于降低峰值负荷和度过临界条件至关重要。在此背景下，本研究提出了一种关于 DR 的交流最优潮流 (AC-OPF) 问题的多目标优化。所提出的基于需求响应的 OPF 方法的新颖之处在于通过有功和无功功率同时参与 DR 来降低系统成本，考虑智能电网中交流网络和各种可再生能源的物理约束，并通过使用深度学习方法基于先前数据进行需求预测来提高计算精度。最后，使用 TOPSIS 法，根据多目标优化确定最佳 DR 值。使用改进的 IEEE 24 节点测试系统验证了所提出方法的有效性和弹性。结果表明,最优需求响应(20%)不仅实现了有功和无功功率的削峰填谷,而且使总电压偏差和系统成本最小化。
陆地激光雷达量化欧洲天然山毛榉森林中叶片角度分布的变化
叶倾角和叶倾角分布 (LAD) 是重要的植物结构特征，影响辐射、碳和水的通量。尽管叶倾角分布可能随空间和时间而变化，但由于难以量化，其变化在生态模型中经常被忽略。在本研究中，地面激光雷达 (TLS) 用于量化欧洲天然山毛榉 (Fagus Sylvatica) 森林中的 LAD 变化。提取叶点并重建叶面后，自动计算叶倾角。在所有山毛榉林中，区分叶片和木质材料的测绘精度都非常高（总体精度 = 87.59%）。利用模拟点云对叶片角度计算精度进行了评估，结果表明计算结果总体上是准确的（R 2 = 0.88，p < 0.001；RMSE = 8.37°；nRMSE = 0.16）。然后计算叶片角度的均值（mean）、众数（mode）和偏度，以量化叶片角度的变化。在不同演替状态林分中发现叶片角度存在中等程度的变化（均值[36.91°, 46.14°]，众数
开发和应用门诊分类系统
背景：尽管新技术提高了医疗服务的效率和便利性，但由于缺乏医学知识，患者仍然很难识别中国三级医院的专业门诊部。目的：我们研究的目的是开发一种精确且可观的门诊分类系统，以改善患者护理的经验和便利性。方法：我们收集了395,790个电子病历（EMR）和500个医疗对话组。将EMR分为3个数据集，以设计和训练分类模型（n = 387,876，98％）和测试（n = 3957，1％）和验证（n = 3957，1％）。根据当前的BERT（来自变形金刚的双向编码器表示）框架更改了分类系统，并通过2021年和2022年10月29日至12月29日的取消率在新华医院的建议精度进行了评估。最后，进行了一项包含306个样本的前瞻性观察性研究，以将系统的性能与分类护士的表现进行比较，该研究是通过计算精度，准确性，回顾前3个推荐部门的评估（Rouse@3）和时间消耗来评估的。
Kolmogorov-Arnold网络和进化游戏理论，用于更个性化的癌症治疗
个性化的癌症治疗正在通过利用精确医学和先进的计算技术来革新肿瘤学来量身定制疗法。尽管具有变革性的潜力，但诸如预测模型的有限的发电性，可解释性和可重复性等挑战阻碍了其整合到临床实践中。当前的方法论通常依赖于黑盒机器学习模型，虽然准确，但缺乏临床医生信任和现实世界应用所需的透明度。本文提出了一个创新框架的开发，该框架桥接了Kolmogorov-Arnold Networks（KANS）和进化游戏理论（EGT）来解决这些局限性。受Kolmogorov-Arnold代表定理的启发，Kans提供了可靠的，基于边缘的神经体系结构，能够用前所未有的适应性对复杂的生物系统进行建模。它们整合到EGT框架中 - 可以使癌症进展和治疗反应的动态建模。通过将KAN的计算精度与EGT的机械见解相结合，这种混合方法有望提高预测精度，可扩展性和临床可用性。
MB90F562BPMC - 富士通有限公司
（续）• 指令集• 位、字节、字和长字数据类型• 23 种不同的寻址模式• 使用 32 位累加器提高计算精度• 增强的有符号乘法和除法指令以及 RETI 指令• 为高级语言（C）和多任务设计的指令集• 使用系统堆栈指针• 对称指令集和桶式移位指令• 程序补丁功能（2 个地址指针）。 • 4 字节指令队列 • 中断功能 • 优先级可编程 • 32 个中断 • 数据传输功能 • 扩展智能 I/O 服务功能：最多 16 个通道 • 低功耗模式 • 睡眠模式（CPU 工作时钟停止。） • 时基定时器模式（仅振荡时钟和时基定时器继续工作。） • 停止模式（振荡时钟停止。） • CPU 间歇工作模式（CPU 以指定间隔间歇工作。） • 封装 • LQFP-64P（FTP-64P-M23：0.65 mm 引脚间距） • QFP-64P（FTP-64P-M06：1.00 mm 引脚间距） • SH-DIP（DIP-64P-M01：1.778 mm 引脚间距） • 工艺：CMOS 技术
有效编码模型中受限的脑容量解释了感觉皮层中兴奋性和抑制性神经元的比例
哺乳动物皮层中的神经元数量在不同物种之间相差多个数量级。相比之下，兴奋性神经元与抑制性神经元的比例（E:I 比）变化范围要小得多，从 3:1 到 9:1，并且对于同一物种的不同感觉区域大致保持不变。尽管这种结构对于理解神经回路的功能很重要，但这种一致性的原因尚不清楚。虽然基于有效编码假设的最新视觉模型表明，增加兴奋性和抑制性细胞的数量可以改善刺激表征，但由于脑容量的限制，两者无法同时增加。在这项工作中，我们在体积受限（使用神经元数量作为替代）的情况下实现了一种有效的视觉编码模型，同时改变了 E:I 比。我们表明，在几个指标下，该模型在生物学观察到的 E:I 比下的性能最佳。我们认为这是由于计算精度和自然刺激表征能力之间的权衡而发生的。此外，我们通过实验得出了可测试的预测：1) 神经活动稀疏度较高的物种的最佳 E:I 比率应该更高；2) 抑制性突触分布和发放率的特征应该根据 E:I 比率而变化。我们的研究结果得到了我们对公开数据的新初步分析的支持，它提供了第一个基于最佳编码模型的定量和可测试假设，用于研究哺乳动物感觉皮层中兴奋性和抑制性神经类型的分布。