XiaoMi-AI文件搜索系统
World File Search SystemInspire
折纸启发的牺牲关节，用于折叠的机制
折叠和折纸原理可以从平面paters中实现三维几何形状[1]。由于制造过程通常更有效，甚至一定要在两个维度上完成，因此折叠提供了一种利用这种效率的方法，并具有三维最终结果。平面制造过程与折叠的组合导致了与机器人[2，3]，弹簧 - 孔子机制[4]，反射和阵列[5，6]和超材料[7，8]一样的潜在应用。兼容的机制通过经历弹性变形而不是传统链接的刚体运动来转移或转化运动，力或能量[9]。各种制造技术可用于各种规模的合规机理，例如电线电气加工（EDM），增材制造，表面微加工，
4D打印湿度驱动的种子灵感的软机器人
天然素种子是软机器人技术中的榜样，这要归功于它们自主在湿度变化驱动的土壤中自主移动的能力。其迁移率和适应性背后的秘密体现在生物学吸湿组织的分层结构和解剖学特征中，几何设计为选择性地响应环境湿度。通过生物启发的方法，研究了肠肢（L.F.）野生种子的内部结构和生物力学，以开发用于设计软机器人的模型。作者根据自然规范和模型，利用4D印刷材料的重塑能力来制造类似种子的软机器人，并使用可生物降解和吸湿的聚合物。机器人模仿天然种子的运动和性能，达到≈30μnm的扭矩值，伸展力为≈2.2.5mn，它能够提起其自身重量的100倍。在环境湿度变化的驱动下，人工种子能够探索样品土壤，使其形态适应与土壤粗糙度和裂缝相互作用。
针对过氧化物酶体增殖激活受体 (PPAR) 的海洋天然和自然启发化合物
摘要：过氧化物酶体增殖激活受体 α、γ 和 β / δ (PPAR α、PPAR γ 和 PPAR β / δ) 是一类配体激活的转录因子，属于核受体超家族，可调节参与脂质和碳水化合物代谢、能量稳态、炎症和免疫反应的基因表达。因此，它们成为治疗各种代谢疾病的有吸引力的靶点，最近，由于其新出现的神经保护作用，它们还成为治疗神经退行性疾病的有吸引力的靶点。激活程度（从部分到完全）以及对不同异构体的选择性极大地影响了 PPAR 激动剂的治疗效果和安全性。因此，人们对具有适当活性和选择性组合的新型支架非常感兴趣。本综述旨在概述来自海洋的 PPAR 调节剂的发现、优化和结构-活性关系研究，以及导致其鉴定和/或阐明的结构和计算研究以及其作用机制的合理化。
受花粉粒启发的多功能 3D 打印水凝胶微型机器人，可按需锚定和运送货物
此类移动医疗微型机器人的开发和实施，包括软机器人微设备的制造[11,12]、生物相容性或响应性 (自适应) 材料的合成[13–15] 以及体内运动策略。[16–22] 已提出了大量远程控制医疗微型机器人，以实现形状改变、多功能化和重构，以响应不同的刺激，如磁场[23–27]、温度[28,29]、化学物质[30,31]、光[32] 和超声波[33,34]，用于各种医疗应用，如靶向药物输送、微创手术和遥感。[35,36] 然而，微型机器人与生物组织的相互作用、复杂的生物流体环境以及多种刺激的重叠是其未来医疗应用面临的主要挑战。[37]
一种受人工智能启发的用于脑电图的时空神经网络......
摘要：准确识别人类的情绪状态对于高效的人机交互 (HRI) 至关重要。因此，我们见证了人们在开发基于各种生物信号的稳健且准确的脑机接口模型方面所做的大量研究。特别是，先前的研究表明，脑电图 (EEG) 可以深入了解情绪状态。最近，研究人员提出了各种手工制作的深度神经网络 (DNN) 模型来提取与情绪相关的特征，这些模型对噪声的鲁棒性有限，从而导致精度降低和计算复杂度增加。迄今为止开发的 DNN 模型被证明可有效提取与情绪分类相关的稳健特征；然而，它们巨大的特征维数问题导致了高计算负荷。在本文中，我们提出了一个混合深度特征袋 (BoHDF) 提取模型，用于将 EEG 信号分类到各自的情绪类别中。通过在特征提取阶段之前将 EEG 信号转换为 2D 频谱图，BoHDF 的不变性和鲁棒性得到进一步增强。这种时频表示与 EEG 模式的时变行为非常吻合。在这里，我们建议将 GoogLeNet 全连接层（最简单的 DNN 模型之一）的深度特征与我们最近开发的基于纹理的 OMTLBP_SMC 特征相结合，然后使用 K 最近邻 (KNN) 聚类算法。在 DEAP 和 SEED 数据库上进行评估时，所提出的模型分别实现了 93.83% 和 96.95% 的识别准确率。使用所提出的基于 BoHDF 的算法的实验结果显示，与之前报道的具有类似设置的工作相比，性能有所提高。
ScaleHD：通过自适应缩放实现强大的大脑启发式超维计算
受大脑启发的超维计算 (HDC) 在机器人、生物医学信号分析和自然语言处理等各种认知任务中表现出良好的能力。与深度神经网络相比，HDC 模型具有轻量级模型和一次性/少次学习能力等优势，使其成为传统资源密集型深度学习模型的有前途的替代范式，尤其是在资源有限的边缘设备中。尽管 HDC 越来越受欢迎，但尚未对 HDC 模型的鲁棒性和增强 HDC 鲁棒性的方法进行系统分析和充分研究。HDC 依靠称为超向量 (HV) 的高维数值向量来执行认知任务，HV 中的值对于 HDC 模型的鲁棒性至关重要。我们提出了 ScaleHD，一种自适应缩放方法，可以缩放 HDC 模型的联想记忆中的 HV 值，以增强 HDC 模型的鲁棒性。我们提出了三种不同的ScaleHD模式，包括Global-ScaleHD、Class-ScaleHD和(Class+Clip)-ScaleHD，它们基于不同的自适应缩放策略。结果表明，ScaleHD能够将HDC对内存错误的鲁棒性提高到10,000𝑋。此外，我们利用增强的HDC鲁棒性，通过电压缩放方法节省能源。实验结果表明，ScaleHD可以将HDC内存系统的能耗降低高达72.2%，而准确度损失不到1%。
受大脑启发的超维计算，实现超高效的边缘 AI
摘要 — 超维计算 (HDC) 正在迅速成为传统深度学习算法的有吸引力的替代方案。尽管深度神经网络 (DNN) 在许多领域取得了巨大的成功，但它们在训练期间所需的计算能力和存储空间使得将它们部署在边缘设备中非常具有挑战性，甚至不可行。这反过来不可避免地需要将数据从边缘传输到云端，这在可用性、可扩展性、安全性和隐私方面引发了严重的担忧。此外，边缘设备通常从传感器接收的数据本质上是有噪声的。然而，DNN 算法对噪声非常敏感，这使得以高精度完成所需的学习任务变得非常困难。在本文中，我们旨在全面概述 HDC 的最新进展。HDC 旨在通过使用更接近人脑的策略来实现实时性能和稳健性。事实上，HDC 的动机是人类大脑在高维数据表示上运行的观察。在 HDC 中，对象被编码为具有数千个元素的高维向量。在本文中，我们将讨论 HDC 算法对噪声的良好鲁棒性以及从少量数据中学习的能力。此外，我们将介绍 HDC 与冯·诺依曼架构之外的出色协同作用，以及 HDC 如何通过其所需的超轻量级实现为边缘高效学习打开大门，这与传统 DNN 不同。索引术语 — 超维计算、嵌入式系统、节能计算、对抗性攻击、电压调节、内存计算、安全、图形、机器人、计算机视觉
自然风格的仿生表面，用于控制细菌附着和生物膜发育
估计，由于抗生素耐药细菌引起的感染每年享有70万寿命。如果耐药细菌继续以相同的速度进化，则预计到2050年，该数字将增加到1000万。[5]同样，生物和非生物表面上生物膜的形成对人类健康也面临着另一个重大挑战。生物膜形成。[2,3,6]在生物膜形成期间，微生物经历了几种生物学变化，导致细胞外聚合物物质（EPS）产生。EPS矩阵可防止并从攻击生物膜的化学物质和其他毒素中产生微生物。这使得很难使用传统的抗生素治疗生物膜，并使微生物获得抗菌抗性。[7]解决此问题的一种方法是使用抗菌材料和表面，以抑制抑制性细胞的附着和生物膜的形成。[4,8–13]这种抗菌材料作为工程材料的作用至关重要，因为这些材料可能有助于我们减少对抗生素和消毒剂的依赖。已经采用了各种技术来制造抗臭材料，包括用杀菌层涂上材料表面。[11,14–18]常见方法是基于从材料表面（例如金属衍生物和抗生素）释放杀菌剂的。[24]因此，当地形特征的尺寸在亚微米和纳米长度尺度中时，表面会抑制细菌的附着。[18]一种替代方法涉及将微/纳米摄影应用于消除细菌细胞的应用，并且在过去十年中，这种方法引起了很大的兴趣。[19-21]具有独特的微/纳米尺度表面纹理和特征的材料已被证明可以有效禁止细菌附着并防止生物膜形成。[22,23]提出，当地形特征的尺寸小于细菌细胞的尺寸时，降低了附着的细胞的可用接触区域。由于其表面地形特征，许多天然材料已经获得了防染色和反抗性行为。[11,25,26]这激发了科学家开发类似的材料和结构，这些材料和结构限制了生物膜形成并积极消除与表面接触的细菌。这样的
受大脑神经调节信号启发的低功耗机器学习架构
摘要：我们提出了一种受生物大脑中调节神经递质机制启发的迁移学习方法，并探索神经形态硬件的应用。在该方法中，人工神经网络的预训练权重保持不变，并通过补充偏差输入操纵每个神经元的触发灵敏度来学习新的类似任务。我们将其称为神经调节调谐 (NT)。我们通过经验证明，神经调节调谐在前馈深度学习和脉冲神经网络架构中的图像识别领域产生的结果与传统微调 (TFT) 方法相当。在我们的测试中，与传统微调方法相比，NT 将要训练的参数数量减少了四个数量级。我们进一步证明，神经调节调谐可以在模拟硬件中实现为具有可变电源电压的电流源。我们的模拟神经元设计实现了泄漏积分和触发模型，其中三个双向二进制缩放电流源组成了突触。通过与每个突触相关的可调功率域应用近似于调节神经递质机制的信号。我们使用高精度仿真工具验证了电路设计的可行性，并提出了一种使用集成模拟电路高效实现神经调节的方法，该电路的功耗比数字硬件（GPU/CPU）低得多。