XiaoMi-AI文件搜索系统
World File Search System重新配置
局部操纵后全球大脑重新配置
深神经网络（DNN）的几何描述有可能发现神经科学中计算模型的核心代表原理。在这里，我们通过量化其自然图像表示的潜在维度来检查视觉皮层的DNN模型的几何形状。流行的观点认为，最佳DNNS将其表示形式压缩到低维子空间以实现不变性和鲁棒性，这表明更好的视觉皮层模型应具有较低的维几何形状。令人惊讶的是，我们发现相反方向的强烈趋势 - 具有高维图像子空间的神经网络在预测猴子电生理学和人类FMRI数据中对持有刺激的皮质反应时倾向于具有更好的概括性能。此外，我们发现，在学习新的刺激类别时，高维度与更好的性能相关，这表明更高的维度表示更适合于概括其训练领域。这些发现提出了一个一般原则，高维几何形状赋予了视觉皮层DNN模型的计算益处。
全纤维动态可重新配置轨道角动量模式排序
摘要：在许多应用中广泛探索了轨道角动量（OAM）光的空间自由度，包括电信，量子信息和基于光的微型消除。能够分离和区分不同横向空间模式的能力称为模式排序或模式消除，并且在此类应用程序中恢复编码的信息至关重要。理想的D模式分散器应该能够忠实地区分不同的D空间模式，具有最小的损失，并具有D输出和快速响应时间。所有以前的模式分子都依赖于散装的光学元素，例如空间光调节器，如果要与光纤系统集成在一起，它们将无法快速调整，并且会造成其他损失。在这里，我们提出并在实验上证明了我们的最佳知识，这是使用超快动态可重构性的第一种全纤维模式分类的全纤维方法。我们的方案首先分解了OAM模式内纤维线性偏振（LP）模式，然后经过对照法规的重组以确定拓扑电荷，从而正确对OAM模式进行了分类。此外，我们的设置也可用于执行OAM模式的超快路由。这些结果显示了一种新颖的光纤形式的光空间模式排序，可以很容易地用于经典和量子信息处理中的许多新应用。关键字：轨道角动量，光子灯笼，光纤，空间除法■简介
Avstack：一个开源，可重新配置的自动驾驶汽车开发平台
自动驾驶汽车（AV）的先驱承诺将彻底改变驾驶体验和驾驶安全性。但是，AV中的里程碑的实现比预测慢。罪魁祸首包括（1）所提出的最先进的AV组件缺乏可验证性，以及（2）进行下一级评估的停滞，例如车辆到基础设施（V2I）和多主体协作。部分地，进展受到了：AV中的大量软件，摩尔群体不同的约定，跨数据集和模拟器进行测试的难度以及先进的AV Components的僵化性。为了应对这些挑战，我们提出了Avstack 1，2，一个开源，可重新配置的AV设计，实施，测试和分析的软件平台。Avstack通过在数据集和基于物理的模拟器上启用首个贸易研究来解决验证问题。avstack将停滞问题作为一个可重构的AV平台，建立在高级编程语言中的数十个开源AV Component上。我们通过在多个基准数据集中的纵向测试和V2I合作案例研究中证明了Avstack的力量，这些案例研究探讨了设计多传感器，多试剂算法的权衡。
通过动态电池重新配置对潜在的终生扩展分析
摘要 - 电气化的需求导致越来越大的电池组。由于诸如包装中的细胞位置以及人工作用过程中的变化等因素所致，因此包装在其组成细胞的性能中表现出差异。此外，由于固定细胞构型，最弱的单元格使包装极易受到这些变化的影响。可重新配置的蝙蝠包装系统，由于额外的电力电子设备而增加了控制灵活性，为这些问题提供了有希望的解决方案。尽管如此，尚未调查它们在多大程度上延长电池寿命的程度。这项仿真研究分析了Dynamic重新配置的潜力，以延长电池寿命W.R.T.几个参数。结果表明，对于串联的寿命比并联配置大。对于后者，主要因素是在生命结束时散布的等效全周期，但是耐药性随着年龄的增长而增加，并且平行的细胞数量也具有影响力。最后，对于前者，串联元素的数量会放大这些效果。
HZO-LNOI集成的铁电气调节器和内存的首次演示以启用可重新配置的光子系统Zefeng Zefeng Xu 1,2,6†
†同等贡献；电子邮件：aaron.thean@nus.edu.sg摘要 - 我们首次成功证明了创新的后端（beol）兼容的电磁调节器和内存（Eomm）基于niobate基于绝缘体（LNOI）的niobate（lnoi）Micro-Ring Rings Resonator（MRR）的5 ZRRING 0. ZRRICTRRICRICRICRICRICRICRICTRRICRICTRICTRICTRICRICRICTRRICRICTRICRICRICTRICTRICTRICTRICTRICRICRONE （HZO）非挥发性模拟记忆。高的非易失性记忆和调制性能都在单个紧凑型装置中实现，高灭绝比为13.3 dB，出色的效率为66 pm/v，稳定的九态开关，创纪录的耐力超过10 9个循环。这是通过利用LNOI中的Pockels效应来实现的，这是由残留的HZO铁电偏振的电场效应引起的。我们研究了由Eomm和Hybrid热光调制的Eomm启用的可重新配置的Chiplet-interposer光子互连的系统实现。我们的模型显示出与常规电气插座互连相比，潜在的70％能效提高。我们还测试了Eomm与Poet Technologies的400G TX/RX光学插入器芯片的集成，并研究了Eomm设备的有限规模演示。
使用 MPC 技术进行基于 Voronoi 的无人机编队部署和重新配置
摘要 —本文介绍了一种基于分散 Voronoi 的线性模型预测控制 (MPC) 技术，用于在有界区域内部署和重构由无人机 (UAV) 组成的多智能体系统。在每个时刻，该区域被划分为与每个 UAV 智能体相关联的不重叠的时变 Voronoi 单元。编队部署目标是根据每个 Voronoi 单元的切比雪夫中心将智能体驱动到静态配置中。所提出的基于 MPC 的编队重构算法不仅允许故障/不合作的智能体离开编队，还允许恢复/健康的智能体加入当前编队，同时避免碰撞。仿真结果验证了所提出的控制算法的有效性。
Thomas Chevet、Cristina Stoica Maniu、Cristina Vlad、Youmin Zhang。使用 MPC 技术进行基于 Voronoi 的 UAV 编队部署和重新配置。国际无人机系统会议，ICUAS'18，2018 年 6 月，美国德克萨斯州达拉斯。第 9-14 页，10.1109/ICUAS.2018.8453342。hal-01768188
摘要 —本文介绍了一种基于分散 Voronoi 的线性模型预测控制 (MPC) 技术，用于在有界区域内部署和重构由无人机 (UAV) 组成的多智能体系统。在每个时刻，该区域被划分为与每个 UAV 智能体相关联的不重叠的时变 Voronoi 单元。编队部署目标是根据每个 Voronoi 单元的 Chebyshev 中心将智能体驱动到静态配置中。所提出的基于 MPC 的编队重构算法不仅允许有故障/不合作的智能体离开编队，还允许恢复/健康的智能体加入当前编队，同时避免碰撞。仿真结果验证了所提出的控制算法的有效性。
重新配置电池创新景观
可容纳的功率来源在电网管理中是一个关键的Conun鼓，因此，实现可持续的社会技术重新配置的能力严重限制（Sovacool等，2020）。风能和光伏（PV）能量输出在很大程度上是通过环境条件来挖掘的，生产峰不一定与需求和使用行为相匹配。因此，能源存储对于将埃尔吉的交付适应用户的需求至关重要，因为它允许在必要时利用盈余并将其注入网格中，从而避免浪费并减轻分配基础设施的压力（Castillo，Gayme，2014年）。实现功率调整和信号质量控制是使用储能的基本好处。例如，少量的电力生产商具有可累积能源盈余并在销售价格较高时出售它们的利用率，不仅可以平息系统的波动性，还可以提高其经济效率（Diesendorf，Wiedmann，2020年）。此外，众所周知，潜在的财务教授经常是安装小型可再生能源系统的更强大动机之一（Hansen等，2022）。因此，开发工作存储solu
从慢波睡眠中唤醒大脑网络中的重新配置
睡眠惯性是醒来后立即经历的警觉和表现的短暂时期。对这种现象的神经机制知之甚少。对睡眠惯性期间神经过程的更好理解可能会深入了解觉醒过程。在生物夜慢波睡眠中突然觉醒后，我们每15分钟观察一次大脑活动1小时。使用32通道脑电图，网络科学方法和受试者内部设计，我们在对照和多色短波长的光线干预条件下评估了功率，聚类系数和跨频段的路径长度。我们发现，在控制条件下，觉醒的大脑的特征是全球theta，alpha和beta功率立即降低。同时，我们观察到聚类系数的下降和三角带内路径长度的增加。觉醒改善聚类变化后立即暴露于光线。我们的结果表明，大脑内的远距离网络通信对于觉醒过程至关重要，并且大脑可以在此过渡状态下优先考虑这些远程连接。我们的研究强调了觉醒大脑的一种新型的神经生理学特征，并提供了一种潜在的机制，该机制通过该机制可以改善醒来后的性能。
基于降级轨迹和多个线性恢复的坐标重新配置的锂离子电池的剩余使用寿命预后
锂电池已被广泛用作新能量，以应对环境和能量的压力。锂离子电池的剩余使用寿命（RUL）的预后已经变得更加关键。方便的电池寿命预测允许早期发现性能定义，以帮助迅速维护电池系统。本文提出了一个基于降解轨迹和多个线性回归的坐标重新构造的锂离子电池的RUL预后模型。首先，使用新的采样规则来重新配置新电池的退化数据的坐标和截短的类似电池。然后，使用重新配置数据建立了相似和新的锂离子电池之间的关系。此外，通过考虑时间变化因素的影响，建立了基于降级轨迹和多线性回归的坐标重新配置和多线性回归的新的RUL预后模型，该模型可以通过小样本数据来提高预测准确性，并有效地减少产品开发时间和成本。