XiaoMi-AI文件搜索系统
World File Search SystemGeometry
pyRiemann-qiskit：基于黎曼几何的量子分类实验沙箱
量子计算起源于托马斯·杨于 1802 年进行的所谓双缝实验。在该实验中，一个小实体（例如光子或电子）被导向两个平行狭缝，并观察到由此产生的干涉图案。观察表明，该实体表现得像波，这表明它同时穿过两个狭缝。从计算的角度来看，这种波粒二象性意味着单个信息比特可以编码为量子比特，量子比特是两种不同状态的叠加。量子计算的这一独特特性在计算时间和结果方面比传统计算具有显着优势，例如对于模式识别或使用有限的训练集（Rebentrost 等人 2014 年、Blance 和 Spannowsky 2021 年）。
飞机的几何形状和推进架构可视化未来飞机尺寸工具（快速）
未来的飞机尺寸工具（FAST）是密歇根大学为早期概念飞机设计开发的基于MATLAB的开源软件。快速通过新颖的推进系统来促进传统和高级飞机配置的设计和分析，从而基于特定要求，所需的技术目标以及系统级别的目标来实现初步尺寸和性能评估。它已被用于NASA的电气化飞机推进和电气化动力总成飞行演示项目，以评估新型飞机概念，包括电气化商用货轮（notionility lockheed Martin LM-100J）和NASA的亚音速单单船尾发动机配置。本文介绍了快速的可视化软件包的开发，从而满足了整个尺寸过程中飞机设计的视觉表示的需求。集成的软件包提供了飞机外模线和推进架构的示意图的可视化。用户可以创建自定义的飞机几何形状或使用快速可用的预设。此外，随着飞机尺寸的过程的进行，可视化软件包会动态更新飞机的形状和尺寸，从而通过使设计师能够在早期设计阶段有效地可视化和完善其飞机概念来快速增强飞机。
文章 - 使用改进的视觉几何组 (IVGG) 深度学习对胶质瘤进行工程、技术和技巧检测和分割
摘要：胶质瘤脑肿瘤具有与其他肿瘤相似的纹理模式，因此检测和分割胶质瘤脑肿瘤是一项具有挑战性的过程。本研究提出了一种改进的肿瘤检测系统 (MTDS) 方法来从健康脑图像中识别和分类胶质瘤脑图像。空间 Gabor 变换 (SGT)、特征计算和深度学习结构构成了建议的 MTDS 技术的训练工作流程。从胶质瘤脑图像数据集图像和正常脑图像数据集图像计算特征，并将这些特征输入到分类架构中。在本文中，提出的 IVGG 架构源自现有的视觉几何组 (VGG) 架构，以提高所提系统的检测率并降低计算时间复杂度。所提系统的测试工作流程还包括 SGT、特征计算和 IVGG 架构，以产生将源脑图像分类为正常或胶质瘤的结果。此外，形态分割技术已用于查找此胶质瘤图像中的肿瘤位置。本研究使用了两个独立的脑成像数据集来评估和验证建议的 MTDS 的性能效率。数据集是 BRATS Imaging 2020 (BI20) 和 Kaggle Brain Imaging (KBI)。已经根据 Jaccard 指数、召回率、准确率和检测率对性能效率进行了分析。
• IC2024_10_01 代数几何和/或交换代数博士后研究员 BC 的奇点理论和代数几何组 (STAG)
• IC2024_10_01 代数几何和/或交换代数博士后研究员 BCAM-巴斯克应用数学中心的奇点理论和代数几何组 (STAG) 和约翰内斯古腾堡美因茨大学的代数、几何、拓扑和数论组 (AGTZ) 正在寻找一名 2 年的博士后，由 STAG 的 Javier de Bobadilla、Ilya Smirnov 和 AGTZ 的 Manuel Blickle、Duco van Straten 指导。该职位由 AEI-DFG 联合资助 (BL 1072/3-1“经典奇点理论与正特征方法相遇”) ，申请人应积极参与上述 DFG/AEI 提案中概述的一个或多个项目。研究员预计将在 JGU Mainz 工作一年，在毕尔巴鄂工作一年。该职位无需出差，并提供一些差旅资金。潜在研究员应具有交换代数或代数几何背景，并根据 PI 所追求的方向进行解释。我们的主要选择标准是研究卓越性，但我们会考虑申请人的背景或兴趣是否与我们研究小组所追求的方向重叠。工资：根据经验，研究员的年薪总额在 JGU 为 55.556,88 欧元，在 BCAM 为 29.994 欧元 - 36.420 欧元。合同：JGU 1 年 + BCAM 1 年 成立时间：灵活，截止至 2025 年 10 月 1 日 截止日期：2025 年 1 月 13 日，14:00 CEST 有关该职位的更多信息，请访问：https://joboffers.bcamath.org/apply/ic2024-10-01- postdoctoral-fellow-in-algebraic-geometry-and-or-commutative-algebra
brepgen：具有结构性潜在几何>的B-REP生成扩散模型
当两个面共有一个边缘时，边缘曲线将在树上出现两次，并且一个带有三个入射边缘的T型顶点在树中出现六次，具有相同的节点特征。从根开始，再到叶子，Brepgen使用基于变压器的扩散模型来依次denoise节点特征，同时检测并合并重复的节点，从而恢复B-REP拓扑信息。广泛的实验表明，布雷根（Brepgen）推进了CAD B-REP生成的任务，超过了各种基准上的现有方法。我们新收集的家具数据集的结果进一步展示了其在产生复杂几何形状方面的非凡能力。虽然先前的方法仅限于生成简单的棱柱形状，但Brepgen首次结合了自由形式和双曲面表面。Brepgen的其他应用包括CAD自动完成和设计插值。代码，预处理的模型和数据集可在https://github.com/samxuxiang/brepgen上找到。
几何形成分子产生的统一指南
有效地设计分子几何形状对于推进制药创新至关重要，该域是一个域，它通过生成模型的成功，尤其是扩散模型而引起了极大的关注。但是，当前的分子扩散模型是针对特定的下游任务量身定制的，并且缺乏适应性。我们引入了Uniguide，这是无条件扩散模型的控制几何指导的框架，该模型允许在推理过程中柔性条件，而无需额外的培训或网络。我们展示了如何在Uniguide框架中制定基于结构，基于碎片和配体的药物设计之类的应用，并与专用模型相比表现出在PAR或优越性能。提供了一种更通用的方法，Uniguide有可能简化分子生成模型的开发，从而使它们很容易在不同的应用程序场景中使用。
几何
G4PhysicalVolumesPair G4ReflectionFactory::Place (const G4Transform3D& transform3D, // the transformation const G4String& name, // the name G4LogicalVolume* LV, // the logical volume G4LogicalVolume* motherLV, // the mother volume G4bool noBool, // not used G4int copyNo) // optional copy number • Used for正常位置：
ECGI没有几何形状：基于深度学习的心脏表面电位
我们开发了一个深度学习框架，以估计仅从身体表面潜力和躯干几何形状的心脏表面电位，因此省略了有关心脏几何形状的信息。该框架基于图像到图像的翻译，并介绍了三个组合：将3D躯干和心脏几何形状转换为相应的标准2D表示，以及基于Pix2Pix网络的自定义深度学习模型的效率。使用11名健康受试者和29个ID型心室心室纤颤（IVF）患者，其框架的平均绝对误差（MAE）的平均平均绝对误差（MAE）为0.012±0.011，平均相似性指数量度（SSIM）为0.984±0.026。For the concatenated electrograms (EGMs), the average MAE was 0.004 ± 0.004, and the average Pearson correlation coefficient (PCC) 0.643 ± 0.352.估计激活和恢复时间之间时间差的绝对平均值为6.048±5.188毫秒，而18.768±17.299 ms，分别是分数。这些结果证明了与标准心电图相当的性能而无需CT/MRI，这表明该框架的潜在临床应用。
