XiaoMi-AI文件搜索系统
World File Search SystemInspired
生物学启发的材料，过程和系统（...
Topics include, but are not limited to: • fundamental research (e.g., aerodynamics, adhesion, superhydrophobicity and self-cleaning, nano and microfluidics, structural colors, optics, rheology, photonics, locomotion, visual systems) • materials development (e.g., biomaterials, composites, hybrid materials, structural materials, high-strength membranes,超轻型结构，自我修复材料）•设备设计（例如，传感器，多功能设备，微型设备，神经形态设备和系统，光子设备）•应用（例如，机器人技术，建筑，生物医学和药品，药物和药品，海洋用途，通讯和信息，人工效应，人工涂料，人工效果，涂层，人工涂料，人工涂料，人工涂层，均可出现，•资源效率，废物管理和生物益生生物呼吸（例如自主系统，绿色能源，生物降解性，循环经济）
一种受量子启发的星系分类算法
天文数据收集的进步需要更有效、更准确的星系分类方法。本论文探讨了量子启发算法的开发和应用，以提高星系的分类精度。该研究利用机器学习和计算机视觉技术，采用卷积神经网络 (CNN) 并集成奇异值分解 (SVD) 和张量网络来处理和分析天文图像。所提出的方法旨在降低计算复杂度，同时保持较高的分类性能。结果表明，与传统方法相比，量子启发算法实现了几乎同样好的分类精度，但在大多数情况下它们使用的数据更少。但所有方法的表现都明显优于本论文提出的基线。此外，这项研究凸显了量子计算概念在解决天文学复杂问题方面的潜力，为在各个科学领域的进一步探索和应用铺平了道路。
1>用您的手稿ID替换此线（在此处双击以编辑）
1>用您的手稿ID编号（在此处双击以进行编辑）<以脑为工业故障诊断的尖峰神经网络：调查，挑战和机会Huan Wang，Yan-Fu Li，IEEE和Konstantinos Gryllias高级成员和Konstantinos Gryllias的这项工作已提交给IEE EEE，以供IEE EEE。版权可以在不通知的情况下传输，此后不再可以访问此版本。摘要 - 近几十年来，工业故障诊断（IFD）已成为与检测和收集有关工业设备健康状况的重要信息的关键纪律，从而促进了失败类型和严重性的识别。追求精确有效的故障识别引起了极大的关注，最终集中于自动化设备监控以防止安全事故并减少对人工劳动的依赖。人工神经网络（ANN）的出现在增强智能IFD算法方面发挥了作用，尤其是在大数据的背景下。尽管有这些进步，但ANN是一种简化的仿生神经网络模型，表现出固有的局限性，例如资源和数据依赖性以及受限的认知能力。为了解决这些局限性，建立在脑启发的计算原理的第三代尖峰神经网络（SNN）已成为有希望的替代方案。SNN的特征是其生物神经元动力学和尖峰信息编码，在表示时空特征方面具有出色的潜力。因此，开发基于SNN的IFD模型已获得动力，表现出令人鼓舞的性能。尽管如此，该领域缺乏系统的调查来说明当前情况，挑战和未来的方向。因此，本文系统地回顾了基于SNN的模型的理论进展，以回答SNN是什么问题。随后，它审查和分析了现有的基于SNN的IFD模型，以解释为什么需要使用SNN以及如何使用SNN。更重要的是，本文系统地回答了IFD中SNN的挑战，解决方案和机会。索引术语 - 智能诊断，工业健康监测，尖峰神经网络，深度学习。
在可解释的AI中以生物启发的技术用于增强...
摘要：这项研究研究了在可解释的AI（XAI）中使用生物启发的技术来预测阿尔茨海默氏病（AD）。阿尔茨海默氏病是一种神经系统疾病，使早期发现变得困难。使用生物学功能的生物启发的算法的使用提高了人工智能模型的预测精度。主要目标是建立一个可以开放且易于访问的AI系统，以便研究人员和医生可以了解其中的决策过程。该研究利用了多种生物启发的算法，包括受生物系统影响的群智能，神经网络和遗传算法。这些方法有助于特征选择，模型参数优化以及改善AI系统的可预测性。除了准确预测疾病外，该研究还强调了为了在医疗专业人员之间建立接受和信心的原因，这是多么重要。通过生物启发的方法和可解释的AI的结合来增强阿尔茨海默氏病检测技术，可能会导致更好的患者结果和早期治疗。
物理启发的生成模型
物理启发的生成模型（例如扩散模型）构成了强大的生成模型系列。模型在这个家庭中的优势来自相对稳定的培训过程和高容量。仍然可以进行许多可能的改进。在本演讲中，我将讨论物理启发的生成模型的增强和设计。我将首先提出一种采样算法，该算法结合了以前的采样器中最好的，从而大大加快了文本对图像稳定扩散模型的生成速度。此外，我将通过在生成过程中添加样品之间的相互排斥力来讨论促进有限样品中多样性的采样方法。其次，我将讨论一个培训框架，该培训框架将可学习的离散潜在潜伏期引入连续扩散模型。这些潜伏期简化了复杂的噪声到数据映射，并减少了生成轨迹的曲率。最后，我将介绍泊松流量生成模型（PFGM），这是一种由静电理论引起的新生成模型，使领先的扩散模型与领先的扩散模型媲美。扩展版本PFGM ++，将扩散模型和PFGM放置在同一框架下，并引入了新的，更好的模型。谈话中讨论的几种算法是标准基准的最先进方法。
婴儿认知启发的机器基准，用于识别代理，隶属关系，信念和意图
人类婴儿具有出色的能力来推理驱动他人行为的基本和无形原因。这些能力是人类一生的人类社会认知的核心。人工智能（AI）系统在实现同样的常识性社会知识方面仍然缺乏。最近关注社会认知和心理理论的基准已经开始解决人类和机器社会智力之间的差距，但他们并未完全考虑使用Multiple互动代理来理解场景所需的社会推理。在此类基准测试的基础上，我们提出了八项新任务，该任务着重于不同的早期社会竞争，如婴儿的行为实验所示。我们使用自我监督的变压器模型作为对我们新任务的基线测试，此外，我们在以前的社会认知基准上评估了该模型。与其他数据驱动的模型相比，我们的模型在以前的基准测试中显示出改进的性能，但它在我们的新任务上表现出色，从而揭示了仅通过视觉数据学习复杂的Soial Sots相互作用的挑战。
BGP异常检测的中值绝对偏差
摘要：仿生学的最新进展通过利用自然界中的复杂设计和机制来刺激了假体肢体发展的重要创新。生物仪，也称为“自然启发的工程”，涉及研究和模拟生物系统以应对复杂的人类挑战。这项全面的综述提供了对生物模拟假体的最新趋势的见解，重点是利用自然生物力学，备用反馈机制和控制系统的知识，以紧密模仿生物附件。突出显示的突破包括尖端材料和制造技术的整合，例如3D打印，促进了假肢的无缝解剖整合。此外，将神经接口和感觉反馈系统的结合增强，增强了控制和运动，而3D扫描等技术则可以实现个性化的自定义，从而优化了个人用户的舒适性和功能。正在进行的生物基因研究工作对进步有希望，为肢体损失或损害的人提供了增强的流动性和整合性。这篇评论阐明了仿生假体技术的动态景观，强调了其在康复和辅助技术方面的变革潜力。它设想了一个未来，假肢解决方案与人体无缝融合，增强了生活质量和生活质量。
受量子启发的匹配网络与语言学理论相结合，用于隐喻检测
摘要 让机器具备识别和理解隐喻的能力是实现人工智能的关键一步。在语言理论中，隐喻可以通过隐喻识别程序（MIP）或选择偏好违背（SPV）来识别，这两者通常被视为自然语言处理领域的匹配任务。然而，由于词语的语义不确定性和字面意义的模糊性，MIP 的实现面临挑战。同时，SPV 往往难以识别传统的隐喻。受到用于建模语义不确定性和细粒度特征匹配的量子语言模型（QLM）的启发，我们提出了一种用于隐喻检测的量子启发匹配网络。具体而言，我们使用密度矩阵来显式地表征 MIP 的目标词的字面意义，以建模词语字面意义的不确定性和模糊性。这使得 SPV 即使面对传统的隐喻也能有效工作。然后通过细粒度特征匹配实现 MIP 和 SPV。实验结果最终证明了我们的方法具有强大的竞争力。
dqssa：一种量子启发的解决方案，用于最大化在线社交网络（学生摘要）
引言最大化（IM）问题围绕从社交网络中提取一部分，也称为种子节点的子集（也称为种子节点）。IM的实际应用从流行病学到营销，由于其现实世界中的多样化，它成为研究的人口。先前对IM的研究，尽管在有效种子节点选择方面产生了显着的进步，但由于时间复杂度过多或影响效率低下而产生了良好的发展。为了克服这一点，我们的方法在网络的影响力传播和执行时间之间取得了平衡，这是开发有效的IM算法所必需的。，我们通过合并量子启发的元毛术（MH）（MH），借鉴了量子物理学原理，例如Schr¨odingerWave方程和Delta电位领域（Ross 2019），从而解决了解决方案的问题，并通过合并量子启发的元毛术（MH）来解决局部最佳点（MH）。这些方法产生了令人鼓舞的结果，如随后的部分所述。IM算法遵循一个序列过程，首先使用Louvain算法识别重要的通信结构。在社区内的种子节点的选择是通过称为局部影响估计量或谎言的目标函数来促进的。一旦通过DQSSA从Lie函数获得溶液和其他基线方法，根据Infectim概率超参数的不同基线方法（IC）扩散模型，可用于量化跨图的影响。
采用龙格-库塔方法的量子启发神经网络
近年来，受到量子认知理论研究的启发，研究人员针对自然语言处理 (NLP) 任务开发了新的量子启发神经网络 (QINN) 框架。然而，我们发现 QINN 的训练效率明显低于经典网络。我们基于量子力学的时间位移对称性分析了现有 QINN 的酉变换模块，发现它们类似于一阶欧拉方法的数学形式。欧拉方法的高截断误差影响了 QINN 的训练效率。为了提高 QINN 的训练效率，我们将 QINN 的酉变换模块推广到类量子的高阶龙格-库塔方法 (QRK)。此外，我们展示了对话情感识别和文本分类任务上的实验结果来验证所提方法的有效性。