XiaoMi-AI文件搜索系统
World File Search SystemBenchmark
3D打印弹性体微结构的基准测试机械性能
https://doi.org/10.26434/chemrxiv-2025-3cql6 orcid：https：//orcid.org/000000-0002-4656-6056 consect content consect content content consect contem许可证：CC由4.0
基准进行经典分子动力学模拟...
图2：（a）实验离子电导率的奇偶校验图对计算上的相似。红点带有液化石油气电荷，蓝色的指控带有DFT电荷。最左侧的离子电导率，使用nernst-Einstein方法计算。中心，用nernst-Einstein方法计算的离子电导率。用惠勒 - 纽曼方法计算的最直接的离子电导率。（b）实验玻璃传输温度的奇偶校验图针对计算计算的温度。金点是对纯聚合物的模拟，而绿色的聚合物与LITFSI的聚合物。（c）实验离子电导率对计算模拟的奇偶校验图，其中每个聚合物在经过验证测得的玻璃转变温度下模拟，并由玻璃转变偏移温度从纯聚合物（金）或用盐（绿色）计算的聚合物计算出的玻璃过渡偏移温度。（d）Spearman and Pearson等级相关指标，用于t exp的模拟。（e）在实验温度下模拟的最佳结果与离子电导率变化下的结果相比。
神经网络的机器学习库的比较分析：基准研究
这项全面的基准测试研究探讨了三个著名的机器学习库的性能：Pytorch，带有Tensorflow后端的Keras和具有相同标准，软件和硬件的Scikit-Learn。评估包括两个不同的数据集：“学生表现”和“大学参加计划分类”，由Kaggle平台支持使用前馈神经网络（FNNS）作为建模技术。调查结果表明，Pytorch和Keras凭借Tensorflow Backend Excel在“大学参加计划分类”数据集中，Pytorch在这两个类别中都能达到无可挑剔的精度，召回和F1得分。虽然Scikit-Learn表现出值得称赞的性能，但在这种情况下，它落后于这些库。在“学生表现”数据集中，所有三个库都提供了可比的结果，而Scikit-Learn的精度最低为16％。带有Tensorflow后端的Keras和Pytorch的精度分别为23％。此外，当面对各种数据集类型时，本研究为每个图书馆的独特优势和缺点提供了宝贵的见解。pytorch成为要求需要高性能的任务的首选选择，而Scikit-Learn对于具有适度的计算需求的简单任务证明是有利的。带有张力的后端的凯拉斯在性能和用户友好之间取得平衡。这项基准测试努力为机器学习从业人员提供了宝贵的指导，以选择根据其项目要求量身定制的最合适的图书馆或框架。关键字 - 机器学习，Pytorch，Tensorflow，Scikit-Learn，神经网络它强调了图书馆选择在获得机器学习努力中的最佳结果中的关键作用。
使用异质治疗效果估计为个性化处理效果随机临床试验：方法论审查和基准测试
大数据和（深度）机器学习一直是数字医学中雄心勃勃的工具，但这些工具主要关注关联。对医学的干预是关于因果影响的。假设所有种群的效果大小相同，长期以来一直将平均治疗效应作为因果效应的量度。 但是，似乎没有“一定大小的所有”治疗方法在某些复杂疾病中起作用。 治疗效果可能因患者而异。 估计异质治疗效果（HTE）可能会对发展个性化治疗产生很大影响。 近年来出现了许多用于估算HTE的高级机器学习模型，但是对现实世界中医疗保健领域的翻译研究有限。 为了填补空白，我们审查并比较了最近的11种HTE估计方法，包括元学习者，代表性学习模型和基于树的模型。 我们根据全国医疗保健索赔数据进行了全面的基准实验，并将其应用于阿尔茨海默氏病药物重新使用。 我们在HETE估算领域的HTE估计分析中提供了一些挑战和机遇，以缩小创新的HTE模型与部署之间的差距，以解决现实世界中的医疗保健问题。长期以来一直将平均治疗效应作为因果效应的量度。但是，似乎没有“一定大小的所有”治疗方法在某些复杂疾病中起作用。治疗效果可能因患者而异。估计异质治疗效果（HTE）可能会对发展个性化治疗产生很大影响。近年来出现了许多用于估算HTE的高级机器学习模型，但是对现实世界中医疗保健领域的翻译研究有限。为了填补空白，我们审查并比较了最近的11种HTE估计方法，包括元学习者，代表性学习模型和基于树的模型。我们根据全国医疗保健索赔数据进行了全面的基准实验，并将其应用于阿尔茨海默氏病药物重新使用。我们在HETE估算领域的HTE估计分析中提供了一些挑战和机遇，以缩小创新的HTE模型与部署之间的差距，以解决现实世界中的医疗保健问题。
优化元基因组分析以早期检测结直肠癌：制定生物信息学方法和推进跨核心预测
预印本（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此版本的版权持有人于2025年2月27日发布。 https://doi.org/10.1101/2025.02.22.639690 doi：Biorxiv Preprint
在合作社的生态系统中，量词后加密的可行性和基准测试
摘要 - 车辆及其周围环境（V2X）之间的全国沟通是一项关键技术，可实现针对道路安全，交通流量和驾驶舒适度的合作智能运输系统（C-ITS）。基于椭圆曲线密码学（ECC）的真实性和机密性（主要依赖于应用程序）的安全服务，以满足低潜伏期安全通信的硬约束和在密集的交通状况下的有限带宽无线电通信。由于量子计算机（QC）提出的威胁，经典的非对称加密算法可能会破坏影响公共密钥基础设施（PKI）的安全解决方案，并对（半自治车辆和道路使用者和道路使用者产生负面的安全后果）。我们的项目（TAM：值得信赖的自主流动性）[18]专注于合作，联系和自动化流动性（CCAM）领域的端到端网络安全和隐私。一个主要目标是找到合适的量子安全方案，以替换基于V2X通信中使用的ECC的当前加密标准。在定义了C-ITS的主要要求和关键性能指标后，对当前NIST预标准PQC算法进行基准测试，以评估C-ITS应用程序中的可行性和性能，并根据结果选择了最佳拟合解决方案。
IBM花岗岩基准测试和企业准备就绪
IBM花岗岩是IBM开发的生成AI模型家族，目标是满足企业AI的不同需求。IBM考虑了商务用例，开发了其花岗岩模型，并发布了几种变体，以满足不同的企业需求，所有这些都在Apache 2.0许可下的开源，鼓励透明度，并使用户能够根据其需求自定义模型。花岗岩3.0家族包括具有20亿和80亿个参数密度模型的预训练和训练后模型，以及较小的Experts（MOE）稀疏模型，具有4亿和8亿个活性参数。Granite 3.0家族中的所有模型都相对较小，目的是满足实用的企业部署要求，并使用企业数据启用自定义，以在低计算成本下实现最先进的性能。各种模型尺寸提供了额外的灵活性，以满足各种用例和基础设施功能。
对量子计算软件的性能进行基准测试
我们介绍了 Benchpress，这是一个用于评估多个量子计算软件开发工具包的性能和功能范围的基准测试套件。该套件包含 1000 多个测试，用于测量由多达 930 个量子比特和 O（10 6）个两量子比特门组成的量子电路上各种操作的关键性能指标，以及一个执行框架，用于以统一的方式在多个量子软件包上运行测试。我们详细概述了基准测试套件及其方法，并在七个不同的量子软件包上生成了代表性结果。Benchpress 框架的灵活性使得基准测试不仅可以跟上量子硬件改进的步伐，还可以预先衡量未来设备架构的量子电路处理成本。作为开源软件，Benchpress 确保了性能声明的透明度和可验证性。
基准为关联记忆的Hebbian学习规则
关联内存或内容可寻址内存是计算机科学和信息处理中的重要组成函数，同时它是认知和计算脑科学中的关键概念。已经提出了许多不同的神经网络架构和学习规则，以模拟大脑的关联记忆，同时研究关键组件功能，例如模式完成和竞争以及降低噪声。较少研究但同样重要的主动记忆功能是原型提取，其中训练集包括通过扭曲原型模式而生成的模式实例，而训练有素的网络的任务是回忆给定新实例的生成原型。在本文中，我们基于非模块化和模块化重复网络中使用的七个不同HEBBIAN学习规则的关联记忆功能，并在中度稀疏的二进制模式下进行赢家摄取的全部动态操作。总体而言，我们发现模块化网络具有最大的存储器为模式存储容量。流行的标准HEBB规则以最差的能力出现，而协方差学习则证明是强大但容量较低的，并且在测试的不同条件下，贝叶斯 - 赫比亚规则显示出最高的模式存储能力。
yolov11变体的性能基准测试 -
使用指标（例如平均平均精度（MAP，标准度量测量检测准确性）在整个交叉点（IOU）阈值从50％到95％（定义了预测和地面实现框之间的重叠），精度，召回和GPU和CPU的跨越速度。The results highlight trade-offs between model complexity and performance: smaller variants like YOLOv11-n achieved faster inference speeds (170.74 FPS on GPU and 5.86 ms on GPU), while larger models like YOLOv11-x excelled in detection accuracy and recall but at the cost of slower speeds (240.03 FPS on GPU and 4.17 ms on GPU).yolov11-s提供了最高FPS（1120.46 GPU FPS）的平衡，但准确性和回忆为中等。这些发现证明了Yolov11变体对应用程序要求的适应性，从高速实时系统到优先级检测准确性的场景。这项研究通过为yolov11变体提供详细的性能基准来推进对象检测。它提供了在不同领域中部署Yolov11的实用见解，包括物流，交付跟踪和其他需要有效且准确的对象检测的域。关键字：Yolo; Yolov11;对象检测模型；深度学习计算机视觉；神经网络；