XiaoMi-AI文件搜索系统
World File Search System鉴别器
ATL-HGTD-PROC-2022-004.pdf
摘要：ALTIROC2 是一款 225 通道 ASIC，采用 CMOS 130 nm 设计，用于读取 ATLAS HGTD（高粒度定时探测器）的 15 x 15 矩阵 1.3 mm x 1.3 mm 低增益雪崩二极管 (LGAD)。传感器及其读出电子设备的目标组合时间分辨率为 35 ps/hit（初始）至 65 ps/hit（工作寿命结束）。每个 ASIC 通道都集成了一个高速前置放大器，后接一个高速鉴别器和两个 TDC，用于到达时间和超阈值时间测量以及本地存储器。该前端必须表现出极低的抖动噪声，同时保持每通道低于 4.5 mW 的功耗。本会议论文总结了 ASIC 架构、与模拟相比的测量性能以及 ATLAS HGTD 实验的要求。
高能物理中的双参数化量子电路 GAN 模型
摘要。生成模型，尤其是生成对抗网络 (GAN)，正在被研究作为蒙特卡罗模拟的可能替代方案。有人提出，在某些情况下，使用量子 GAN (qGAN) 可以加速使用 GAN 的模拟。我们提出了一种新的 qGAN 设计，即双参数化量子电路 (PQC) GAN，它由一个经典鉴别器和两个采用 PQC 形式的量子生成器组成。第一个 PQC 学习 N 像素图像的概率分布，而第二个 PQC 为每个 PQC 输入生成单个图像的归一化像素强度。为了实现 HEP 应用，我们在模拟量热仪输出并将其转换为像素化图像的任务上评估了双 PQC 架构。结果表明，该模型可以重现固定数量的图像，尺寸更小，并且能够重现它们的概率分布，我们预计它应该可以让我们扩展到真实的量热仪输出。
![arxiv：2401.13011v1 [CS.CV] 2024年1月23日](/simg/g:\will\search\icon\source\6\67707d93a68d8de92fb0df09f0166afe1e307108.webp)
arxiv：2401.13011v1 [CS.CV] 2024年1月23日
摘要本文介绍了一种新颖的生成模型，协作竞争代理（CCA），该模型利用了基于多种大语言模型（LLMS）代理的能力来执行复杂的任务。从属性对抗网络（GAN）中汲取灵感，CCA系统采用了两种平等地位生成器代理和一个鉴别剂。发电机独立处理用户指令并生成结果，而鉴别器评估输出，并为发电机代理提供反馈，以进一步反映和改善生成结果。与以前的生成模型不同，我们的系统可以遵守生成的中间步骤。由于其透明度，这将使每个发电机代理从其他成功执行中学习，从而使协作竞争增强了系统结果的质量和鲁棒性。这项研究的焦点是图像编辑，表现了CCA能够强大地处理复杂的内部结构的能力。本文的主要贡献包括引入基于多代理的Gen-
脑部 MRI 图像的半监督分割
虽然神经网络架构的进步已导致语义分割任务最近取得了重大进展，但获取大量标记分割掩码的挑战限制了它在医学图像分析等实际应用中的广泛使用。这导致了一系列专注于半监督分割的新兴工作，其中可以使用大量未标记数据和少量标记数据来训练分割模型。半监督分类的最新研究表明，当有效使用一致性正则化等简单技术时，性能提升可能非常显著。在这项工作中，我们探索了一致性正则化在半监督分割中的有效使用，并表明当我们将一致性损失与选择信息标记图像的鉴别器结合使用时，生成的模型在多个标准基准上的表现明显优于之前的半监督语义分割工作。我们的实现代码可在 https://github.com/samottaghi/brain-segmentation 上找到。
使用物理引导的对抗网络生成破裂标本的人工位移数据
抽象的数字图像相关性（DIC）已成为监视和评估开裂标本的机械实验的宝贵工具，但是由于固有的噪声和人工制品，通常很难自动检测裂纹。机器学习模型在使用DIC测量的，插值的全景位移作为基于卷积的分割模型的输入中检测裂纹路径和裂纹尖端非常成功。仍然需要大数据来训练此类模型。但是，由于实验昂贵且耗时，科学数据通常很少。在这项工作中，我们提出了一种直接生成类似于实际插值DIC位移的破裂标本的大量人工位移数据的方法。该方法基于生成对抗网络（GAN）。在训练期间，鉴别器以衍生的von Mises等效菌株的形式接收物理领域知识。我们表明，与经典的无指导GAN方法相比，这种物理学引导的方法在样品的视觉质量，切成薄片的Wasserstein距离和几何得分方面会带来改善的结果。
![arXiv:2008.05856v1 [cs.CV] 2020 年 8 月 13 日](/simg/g:\will\search\icon\source\9\9dc60bee38f72f42c59315eff57747cb728a25a7.webp)
arXiv:2008.05856v1 [cs.CV] 2020 年 8 月 13 日
摘要。本文提出了一种新颖的视频生成模型，并特别尝试解决从文本描述生成视频的问题，即根据给定的文本合成逼真的视频。现有的视频生成方法由于帧不连续性问题及其无文本生成方案，无法轻易适应处理此任务。为了解决这些问题，我们提出了一种循环反卷积生成对抗网络 (RD-GAN)，其中包括一个循环反卷积网络 (RDN) 作为生成器和一个 3D 卷积神经网络 (3D-CNN) 作为鉴别器。RDN 是传统循环神经网络的反卷积版本，可以很好地建模生成的视频帧的长距离时间依赖性并充分利用条件信息。可以通过推动 RDN 生成逼真的视频来联合训练所提出的模型，以便 3D-CNN 无法将它们与真实视频区分开来。我们将提出的 RD-GAN 应用于一系列任务，包括常规视频生成、条件视频生成、视频预测和视频分类，并通过实现良好的性能证明了其有效性。
MEVO-GAN：用于水下图像增强的多尺度进化生成对抗网络
摘要：在水下成像中，实现高质量的成像是必不可少的，但由于诸如波长依赖性吸收和复杂的照明动力学之类的因素而具有挑战性。本文介绍了MEVO-GAN，这是一种新颖的方法，旨在通过将生成性对抗网络与遗传算法相结合来解决这些挑战。关键创新在于将遗传算法原理与生成对抗网络（GAN）中的多尺度发生器和鉴别器结构的整合。这种方法增强了图像细节和结构完整性，同时显着提高了训练稳定性。这种组合可以对溶液空间进行更有效的探索和优化，从而减少振荡，减轻模式崩溃以及对高质量生成结果的平滑收敛。通过以定量和定性的方式分析各种公共数据集，结果证实了Mevo-GAN在改善水下图像的清晰度，颜色保真度和细节准确性方面的有效性。在UIEB数据集上的实验结果非常明显，Mevo-GAN的峰值信噪比（PSNR）为21.2758，结构相似性指数（SSIM）为0.8662，为0.6597。
量子语境
量子上下文集已被公认为通用量子计算、量子控制和量子通信的资源。因此，我们专注于设计支持这些资源的集合并确定它们的结构和属性。这种设计及其后续实施依赖于量子态测量数据统计数据与其经典对应数据的统计数据之间的区分。所考虑的鉴别器是为超图定义的不等式，超图的结构和生成由其基本属性决定。生成本质上是随机的，但可获得数据的量子概率是预定的。为超图定义了两种数据统计数据和六种不等式。一种经常在文献中应用的统计数据被证明是不合适的，两种不等式被证明不是非上下文不等式。结果是利用通用自动算法获得的，该算法可以在任意奇数维和偶数维空间中生成具有奇数和偶数个超边的超图——在本文中，从只有三个超边和三个顶点的最小上下文集到最多 8 维空间中的任意多个上下文集。虽然可行，但更高的维度在计算上要求较高。
生成对抗网络的有效动力学
生成对抗网络（GAN）是一类机器学习模型，它们使用对抗性训练来生成具有与培训样本相同（可能非常复杂的）统计数据的新样本。一种主要的训练失败，称为模式崩溃，涉及发电机未能重现目标概率分布中模式的全部多样性。在这里，我们提出了一个有效的GAN训练模型，该模型通过用输出空间中的颗粒集代替发电机神经网络来捕获学习动力学；颗粒由通用内核对某些宽神经网络和高维输入有效。我们简化模型的一般性使我们能够研究发生模式崩溃的条件。的确，改变发生器有效核的实验揭示了模式塌陷过渡，其形状可以通过频率原理与鉴别器的类型有关。此外，我们发现中间强度的梯度正则化可以通过发电机动力学的严重阻尼来最佳地产生收敛。因此，我们有效的GAN模型为理解和改善对抗性训练提供了可解释的物理框架。
基于微控制器的锂离子电池充电器
coimbatore。3 Wayanad苏丹·贝瑟里（Sultan Bathery）唐·博斯科学院（Don Bosco College）数学系助理教授。 抽象的梦立是人工智能中的一个新兴领域，旨在通过计算模型复制人类梦的经验。 本文比较了用于梦想生成的各种AI算法，评估其性能，创造力和计算效率。 我们探索生成的对抗网络（GAN），变化自动编码器（VAE）和基于变压器的模型，提供了对其优势和劣势的全面分析。 我们的结果表明，每个模型都有独特的优势，这表明了未来研究的潜在混合方法。 关键字：梦幻，AI，GAN，VAE，变形金刚，创造力，连贯性，计算效率，FID，IS，EEG信号。 I. 引言梦想已经迷住了人类已经有几个世纪了，通常被视为窗户进入潜意识的思想。 近年来，人工智能在创意领域取得了长足的进步，包括文本，图像和音乐的产生。 使用AI的梦幻发电试图模拟梦境的体验，创造出模仿人类梦的新颖而富有想象力的成果。 本文旨在比较该领域中领先的AI算法，重点是它们产生连贯和创造性的梦想的能力。 II。 文献综述A. Goodfellow等人引入的生成对抗网络（GAN），甘恩由两个神经网络组成，一个生成器和一个鉴别器，它们通过对抗过程同时训练。 iii。3 Wayanad苏丹·贝瑟里（Sultan Bathery）唐·博斯科学院（Don Bosco College）数学系助理教授。抽象的梦立是人工智能中的一个新兴领域，旨在通过计算模型复制人类梦的经验。本文比较了用于梦想生成的各种AI算法，评估其性能，创造力和计算效率。我们探索生成的对抗网络（GAN），变化自动编码器（VAE）和基于变压器的模型，提供了对其优势和劣势的全面分析。我们的结果表明，每个模型都有独特的优势，这表明了未来研究的潜在混合方法。关键字：梦幻，AI，GAN，VAE，变形金刚，创造力，连贯性，计算效率，FID，IS，EEG信号。I.引言梦想已经迷住了人类已经有几个世纪了，通常被视为窗户进入潜意识的思想。近年来，人工智能在创意领域取得了长足的进步，包括文本，图像和音乐的产生。使用AI的梦幻发电试图模拟梦境的体验，创造出模仿人类梦的新颖而富有想象力的成果。本文旨在比较该领域中领先的AI算法，重点是它们产生连贯和创造性的梦想的能力。II。 文献综述A. Goodfellow等人引入的生成对抗网络（GAN），甘恩由两个神经网络组成，一个生成器和一个鉴别器，它们通过对抗过程同时训练。 iii。II。文献综述A. Goodfellow等人引入的生成对抗网络（GAN），甘恩由两个神经网络组成，一个生成器和一个鉴别器，它们通过对抗过程同时训练。iii。gan已在图像生成，样式传输和创造性的创建中广泛使用[1]。B. Kingma和Welling提出的变异自动编码器（VAE）VAE是通过变异推断学习数据的基本分布的生成模型[2]。它们已应用于各种任务，包括图像和视频生成，提供了生成概率的方法。C.基于变压器的模型变压器，尤其是基于Vaswani等人引入的架构的变压器，已经彻底改变了自然语言处理。诸如GPT-3和DALL-E之类的模型利用变压器来生成具有显着连贯性和创造力的文本和图像[3]。方法论