XiaoMi-AI文件搜索系统
World File Search SystemInspired
朝着更好的视力启发的视觉语言模型
视觉语言（VL）模型最近取得了未经证实的成功，其中连接模块是弥合模式差距的关键。尽管如此，在大多数存在方法中，富裕的视觉线索尚未充分利用。在视觉侧，大多数现有方法仅使用视觉塔的最后一个功能，而无需使用低级功能。在语言方面，大多数现有的方法仅引入浅视力互动。在本文中，我们提出了一个视觉启发的视觉语言连接模块，称为VIVL，该模块有效利用了VL模型的视觉提示。为了利用视觉塔中的较低级别信息，引入了特征金字塔提取器（FPE），以结合不同中间层的特征，该特征将视觉提示与可忽略不计的参数和计算在头顶上。为了实现VL相互作用，我们提出了深视觉条件的提示（DVCP），可以有效地进行视觉和语言特征的深层互动。我们的VIVL超过了以前的最新方法，当时是18.1苹果酒在从头开始训练可可字幕任务，这极大地提高了数据效率。当用作插件模块时，VIVL始终提高各种骨干和VL框架的性能，在多个基准测试中提供新的最新结果，例如Nocaps和VQAV2。
受大脑启发的具有脉冲神经元的多层感知器
近年来，多层感知器 (MLP) 成为计算机视觉任务领域的研究热点。由于没有归纳偏差，MLP 在特征提取方面表现良好并取得了惊人的效果。然而，由于其结构简单，其性能高度依赖于局部特征通信机制。为了进一步提高 MLP 的性能，我们引入了脑启发神经网络的信息通信机制。脉冲神经网络 (SNN) 是最著名的脑启发神经网络，在处理稀疏数据方面取得了巨大成功。SNN 中的泄漏积分和触发 (LIF) 神经元用于在不同时间步骤之间进行通信。在本文中，我们将 LIF 神经元的机制合并到 MLP 模型中，以在不增加 FLOP 的情况下实现更好的准确率。我们提出了一种全精度 LIF 操作来在块之间进行通信，包括不同方向的水平 LIF 和垂直 LIF。我们还建议使用组 LIF 来提取更好的局部特征。借助 LIF 模块，我们的 SNN-MLP 模型在 ImageNet 数据集上分别仅使用 4.4G、8.5G 和 15.2G FLOP 就实现了 81.9%、83.3% 和 83.5% 的 top-1 准确率，据我们所知，这是最先进的结果。源代码将在 https://gitee.com/mindspore/models/tree/master/research/cv/snn mlp 上提供。
自然风格的蛋白质循环回收
到2050年，世界的预计人口将为100亿。[1]与如此庞大的人口规模相关的最艰巨的可持续性挑战之一将是处理所有塑料产品[2]，即Poly-ersers的生产和回收。[3]毫不奇怪，在全球范围内进行聚合物回收的研究努力。机械回收倾向于导致原始材料，但质量较低。[4]一个更好的可能性是化学回收，[5,6]，即[7]化学[7] [7]或生物学[8]将聚合物催化为其组成单体，以便将它们重新聚合到同一质量的质量Mate-Mate-Mate-Rial，或A NEW（CO CO）。[9,10]另一种方法是将聚合物重新利用为不同的增值化学物质（升级）。[11-15]两种方法都是闭环，即与统一经济原则兼容。[16]
认知灵感的反应性机器人的推理
摘要。在自然环境中具有综合性运作的情境意识到的人工药物面临着几个挑战：空间意识，对象效果检测，动态变化和不可预测性。一个关键的挑战是代理商识别和监视与其目标有关的环境要素的能力。我们的研究介绍了一种用于反应性机器人技术的神经符号模块化体系结构。我们的系统结合了在环境和图像处理技术（如光流）上执行对象识别的神经组件，以及符号表示和推理。通过将图像示意性知识整合在本体论结构中，推理系统基于体现认知范式的基础。该本体可用于创建有关感知系统的查询，决定符合的问题，并推断从感知数据中得出的实体功能。推理和图像处理的组合允许代理对正常操作的看法，并发现针对特定相互作用中涉及的对象的一部分的新概念。发现的概念允许机器人自主获取培训数据并只是其符号的感知来识别零件，并通过将搜索重点放在这些相关对象的零件上，从而为更复杂的任务进行计划。我们在模拟世界中演示了我们的方法，在模拟世界中，代理商学会了识别涉及支持关系的对象的一部分。虽然代理商最初没有概念，但通过观察从钩子上悬挂的支持对象的示例，但它学会了认识到建立支持所涉及的部分并能够计划支持关系的建立/破坏。这可以通过系统的方式通过观察来扩展其知识的能力，并说明了将深层推理与动态设置中的反应性机器人技术相结合的潜力。
用于高光谱图像分类的量子启发光谱空间金字塔网络
高光谱图像 (HSI) 分类旨在为每个像素分配一个唯一标签，以识别不同土地覆盖的类别。现有的 HSI 深度学习模型通常采用传统学习范式。作为新兴机器，量子计算机在嘈杂的中尺度量子 (NISQ) 时代受到限制。量子理论为设计深度学习模型提供了一种新的范式。受量子电路 (QC) 模型的启发，我们提出了一种受量子启发的光谱空间网络 (QSSN) 用于 HSI 特征提取。所提出的 QSSN 由相位预测模块 (PPM) 和受量子理论启发的类测量融合模块 (MFM) 组成，以动态融合光谱和空间信息。具体而言，QSSN 使用量子表示来表示 HSI 长方体，并使用 MFM 提取联合光谱空间特征。量子表示中使用了 HSI 长方体及其由 PPM 预测的相位。使用 QSSN 作为构建块，我们进一步提出了一种端到端的量子启发式光谱空间金字塔网络 (QSSPN)，用于 HSI 特征提取和分类。在这个金字塔框架中，QSSPN 通过级联 QSSN 块逐步学习特征表示，并使用 softmax 分类器进行分类。这是首次尝试将量子理论引入 HSI 处理模型设计。在三个 HSI 数据集上进行了大量实验，以验证所提出的 QSSPN 框架相对于最新方法的优越性。
Hanooman：一种生成的AI和大型语言模型聊天机器人，受到Hanuman勋爵的启发
摘要本文介绍了Hanooman，这是一种生成的AI和大型语言模型聊天机器人，其灵感来自Hindu Geity Lord Hanuman。Hanooman旨在体现力量，敏捷性和奉献精神的素质，利用尖端的语言处理能力，为用户提供信息丰富且引人入胜的对话。我们探索了哈诺曼的概念框架，架构和培训程序，展示了其在各个领域的潜在应用。我们的评估结果表明，在响应准确性和上下文理解方面，Hanooman优于现有的聊天机器人，使其成为自然语言处理和人类计算机互动的有前途的工具。大语言模型（LLM）和生成AI是人工智能的重大进步，彻底改变了我们与技术的互动，生成内容和理解人类语言的方式。llms，在大量数据集中受过培训，在语言翻译，文本摘要，问题答案和创意写作等任务中表现出色。生成的AI（AI的一个子集）会产生自主输出，通常表现出惊人的创造力和连贯性。印度亿万富翁穆克什·安巴尼（Mukesh Ambani）与IIT孟买和其他八个印度技术学院合作，加入了AI竞赛，以推出“ Hanooman”，这是一集，该集合以22种印度语言培训了大型语言模型。关键字：哈诺曼，大语言模型，人工智能，生成AI1。简介
受花粉粒启发的多功能 3D 打印水凝胶微型机器人，用于按需锚定和货物运送
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]
回顾了对生物启发的优化算法的全面综述，包括微电子和纳米光学的应用
摘要：人工智能在日常生活中的应用变得无处不在且不可避免。在那个广阔的领域，一个特殊的位置属于用于多参数优化的仿生/生物启发的算法，该算法在许多区域中找到了它们的使用。新颖的方法和进步正在以加速速度发表。因此，尽管事实上有很多调查和评论，但它们很快就变得过时了。因此，与当前的发展保持同步非常重要。在这篇综述中，我们首先考虑了生物启发的多参数优化方法的可能分类，因为专门针对该领域的论文相对较少，而且通常是矛盾的。我们通过详细描述一些更突出的方法以及最近发表的方法来进行。最后，我们考虑在两个相关的宽域中使用仿生算法的使用，即微电子（包括电路设计优化）和纳米光子学（包括诸如光子晶体，纳米质体的构造和水流的结构的逆设计（包括逆设计）。我们试图保持这项广泛的调查独立，以便不仅可以使用相关领域的学者，还可以使用对这个有吸引力领域的最新发展感兴趣的所有人。
受人类情感感知机制启发的情感导向预训练探索
深度卷积神经网络（DCNN）的预训练在视觉情绪分析（VSA）领域起着至关重要的作用。大多数提出的方法都采用在大型物体分类数据集（即 ImageNet）上预训练的现成的主干网络。虽然与随机初始化模型状态相比，它在很大程度上提高了性能，但我们认为，仅在 ImageNet 上进行预训练的 DCNN 可能过于注重识别物体，而未能提供情绪方面的高级概念。为了解决这个长期被忽视的问题，我们提出了一种基于人类视觉情绪感知（VSP）机制的面向情绪的预训练方法。具体而言，我们将 VSP 的过程分为三个步骤，即刺激接受、整体组织和高级感知。通过模仿每个 VSP 步骤，我们通过设计的情绪感知任务分别对三个模型进行预训练，以挖掘情绪区分的表示。此外，结合我们精心设计的多模型融合策略，从每个感知步骤中学习到的先验知识可以有效地转移到单个目标模型中，从而获得显着的性能提升。最后，我们通过大量实验验证了我们提出的方法的优越性，涵盖了从单标签学习（SLL）、多标签学习（MLL）到标签分布学习（LDL）的主流 VSA 任务。实验结果表明，我们提出的方法在这些下游任务中取得了一致的改进。我们的代码发布在 https://github.com/tinglyfeng/sentiment_pretraining 。