XiaoMi-AI文件搜索系统
World File Search SystemHNN
人类新皮质神经解析器 (HNN)，一种用于解释人类 MEG/EEG 数据的细胞和网络来源的新型软件工具
摘要 脑磁图和脑电图 (MEG/EEG) 以毫秒分辨率非侵入式记录人类大脑活动，提供健康和疾病状态的可靠标记。将这些宏观信号与底层细胞和电路级发生器联系起来是一种限制，它限制了使用 MEG/EEG 揭示信息处理的新原理或将研究结果转化为神经病理学的新疗法。为了解决这个问题，我们构建了人类新皮质神经求解器 (HNN，https://hnn.brown.edu) 软件。HNN 有一个图形用户界面，旨在帮助研究人员和临床医生解释 MEG/EEG 的神经起源。HNN 的核心是一个新皮质电路模型，它解释了产生 MEG/EEG 的电流的生物物理起源。数据可以直接与模拟信号和参数进行比较，这些模拟信号和参数易于操纵，以开发/测试信号起源的假设。教程教用户模拟常见的测量信号，包括事件相关电位和脑节律。 HNN 跨尺度关联信号的能力使其成为转化神经科学研究的独特工具。
一项有关超图神经网络的调查：深入和逐步指南
高阶相互作用（HOI）在现实世界中的系统和应用中无处不在。对HOI的深度学习的调查已成为数据挖掘和机器学习社区的宝贵议程。由于HOI的网络是数学上的，因此Hypergraph神经网络（HNN）已成为表示超图表学习的强大工具。鉴于新兴趋势，我们介绍了专门针对HNN的首次调查，并提供了深入和逐步指南。广义，本调查概述HNN架构，培训策略和应用程序。首先，我们将现有的HNN分解为四个设计组件：（i）输入功能，（ii）输入结构，（iii）消息传递方案和（iv）培训策略。第二，我们研究了HNNS如何通过其每个组成部分来解决和学习HOI。第三，我们概述了HNN在建议，生物信息学和医学科学，时间序列分析和计算机视觉中的最新应用。最后，我们以讨论局限性和未来方向的讨论来结束。
计算机的完全双曲线卷积神经网络...
现实世界的视觉数据具有固有的层次结构，可以在双曲线空间中有效地代表。双曲神经网络（HNN）是在此类空间中学习特征表示的有前途的方法。然而，计算机视觉中的当前HNN依赖于欧几里得主链，并且仅在任务头中的双曲线空间唯一的项目功能，从而限制了它们充分利用双曲线几何的好处的能力。为了解决这个问题，我们提出了HCNN，这是一种全均匀的卷积神经网络（CNN），专为计算机视觉任务而设计。基于Lorentz模型，我们概括了CNN的基本组合，并提出了卷积层，批准归一化和多项式逻辑回归的新型公式。对标准视频任务的实验证明了在混合和完全双曲的设置中我们的HCNN框架的有希望的性能。总体而言，我们认为我们的贡献为开发更强大的HNN提供了基础，这些HNN可以更好地代表图像数据中发现的复杂结构。我们的代码可在https://github.com/kschwethelm/hyperboliccv上公开获取。
基于原子向量和深度学习的超导体临界温度预测
摘要：本文提出一种结合卷积神经网络（CNN）和长短期记忆神经网络（LSTM）的混合神经网络（HNN）来提取材料的高级特征用于超导体的临界温度（T c）预测。首先，通过从材料计划（MP）数据库中获取73,452个无机化合物并构建原子环境矩阵，通过对原子环境矩阵进行奇异值分解（SVD）得到87个原子的向量表示（原子向量）。然后，利用所得原子向量按照超导体化学式中原子的顺序实现超导体的编码表示。使用12,413个超导体训练的HNN模型的实验结果与三种基准神经网络算法和多种机器学习算法进行了比较，采用了两种常用的材料表征方法。实验结果表明,本文提出的HNN方法能有效提取超导体原子间的特征关系,对T c 的预测具有较高的准确率。
白血病抑制因子（LIF）受体的手稿...
相互竞争的利益声明：CPH报告了36 Health，Alpha-1基金会，Boehringer-Ingelheim，Takeda和Vertex的赠款支持，以及来自Astrazeneca，Sanofi，Sanofi和Takeda的咨询费用37。LMS报告咨询：38阿斯利康，礼来，Genentech；和研究资金：Genentech，Bristol Myers Squibb。EYK 39从Roche Pharma Research和早期开发中获得了研究资金。 eyk从拜耳（Bayer AG）获得了40份无关的薪水和研究资金，并从10x 41基因组学获得了无关的研究资金。 eyk在诺华AG中具有无关的财务利益。 MBB是Mestag 42 Therapeutics的创始人，也是GSK，第三摇滚乐公司和4F0 Ventures的顾问。 hnn，yj，eyk，43和MBB（铅）是PCT专利应用的共同发明器（US2022/075673），该方法是通过靶向LIFR来治疗纤维化的44方法，该方法是该手稿的主题。 其他作者无需声明45个。 46EYK 39从Roche Pharma Research和早期开发中获得了研究资金。eyk从拜耳（Bayer AG）获得了40份无关的薪水和研究资金，并从10x 41基因组学获得了无关的研究资金。eyk在诺华AG中具有无关的财务利益。MBB是Mestag 42 Therapeutics的创始人，也是GSK，第三摇滚乐公司和4F0 Ventures的顾问。hnn，yj，eyk，43和MBB（铅）是PCT专利应用的共同发明器（US2022/075673），该方法是通过靶向LIFR来治疗纤维化的44方法，该方法是该手稿的主题。其他作者无需声明45个。46
神经网络和电路模拟神经爆发和同步
摘要：现今，研究、建模、仿真和实现类脑系统以重现大脑行为已成为迫切的需求。本文通过建模两个基于霍普菲尔德神经网络（HNN）的神经网络模型来模拟神经爆发与同步。第一个神经网络模型由四个神经元组成，对应实现神经爆发放电。理论分析和数值模拟表明，简单的神经网络可以产生丰富的爆发动态，包括每次爆发有不同的脉冲的多个周期性爆发放电，多个共存的爆发放电，以及具有不同幅度的多个混沌爆发放电。第二个神经网络模型使用由两个以上小神经网络组成的耦合神经网络来模拟神经同步。基于李雅普诺夫稳定性理论从理论上证明了耦合神经网络的同步动力学。大量仿真结果表明耦合神经网络能够产生依赖于突触耦合强度的不同类型的同步行为，如反相突发同步、反相尖峰同步、完全突发同步等。最后，设计并实现了两个神经网络电路，展示了所构建神经网络的有效性和潜力。
物理评论信131，199701（2023）
参考。[1]，研究了由欧姆传输线拆下的约瑟夫森交界处。作者提出了一个相图，其已建立文献中没有预期的特征[2]。我们表明，他们的数值重归其化组（NRG）计算遭受了几个缺陷，因此无法信任以证实其主张。nrg通过构建递归哈密顿人捕获低能量物理学，hnÞ1¼HnÞΔhnnÞ1，迭代地对角度化。NRG工作需要刻度分离，即，δHnÞ1应用n [3]呈指数降低。参考文献中的NRG方案。[1]，δhnÞ1与H 0相同[见等式。（S51）和（S52）在[1]的补充材料中。 ]这是一个已知的问题，只能通过引入红外临界值来治愈[4]。结果，NRG无法流到正确的红外固定点。为了证明这一点，我们考虑了大电导α和大e j = e c，其中[1]中研究的系统几乎是谐波，使我们能够扩展-e j cos- e j cos- ejðejðejðξ2= 2 = 2 - 1Þ。我们比较了余弦和二次电位的NRG方案获得的低能光谱与后者获得的精确光谱。作为图。1显示，NRG的结果与第七个RG步骤后的精确频谱不同。因此，[1]中提出的NRG方案是不可靠的，不能信任预测相图。（有关迁移率μ10的RG流程的讨论，请参见[5]的附录。）[1]中的相图以另一种方式存在缺陷。直到这是即使一个人信任所采用的NRG方案，在小α和小E J = E C处看到的返回超导性是数值伪像。图1在E J = EC¼0时重现Hcosðφivsα的结果。15在图。4，在n> 0的每个模式下以截断参数nb¼15获得。为了正确的结果，当n b增加时，它不得改变。相反，我们看到hcosðφi消失的区域成长为包括间隔α∈½0； 0。2当N B增加时。因此，[1]中相图中的显而易见的重输入超导性源于未交配的数据。在[1]中，有人认为，当连接被足够大的阻抗分流时，超导性是很常见的。我们强调的是，在α→0之前服用热力学极限n→∞，将连接与发散的φ波动相结合，从而使连接处的零频率响应不繁琐。该对象字母还包含一个简短的功能重新归一化组（FRG）参数，在α<1处的超导率和大e j = e c。所涉及的近似值不受任何明显的小参数控制。仍然不知道FRG是否可以以1 <α<2 [4]重现红外Luttinger指数，其中相位滑动在非琐事上影响结果。