XiaoMi-AI文件搜索系统
World File Search SystemInverse
室温反铁磁共振和逆自旋霍尔
我们从理论和实验上研究了由具有 Dzyaloshinskii-Moriya 相互作用的倾斜反铁磁体共振引起的自旋泵浦信号，并证明它们可以产生易于观察的逆自旋霍尔电压。使用双层赤铁矿/重金属作为模型系统，我们在室温下测量反铁磁共振和相关的逆自旋霍尔电压，其值与共线反铁磁体一样大。正如对相干自旋泵浦的预期，我们观察到逆自旋霍尔电压的符号提供了有关模式手性的直接信息，这是通过比较赤铁矿、氧化铬和亚铁磁体钇铁石榴石推断出来的。我们的研究结果通过对具有低阻尼和倾斜矩的反铁磁体进行功能化，开辟了产生和检测太赫兹频率自旋电流的新方法。当代自旋电子学利用电子自旋进行信息处理和微电子学，主要基于铁磁器件架构。从提高数据处理速度和缩小片上信息处理规模的长远发展来看 [1]，反铁磁体自旋电子学是一个很有前途的途径 [2]。与铁磁体相比，反铁磁体的关键优势在于它们的共振频率通过子晶格的交换耦合得到增强，因此通常在太赫兹范围内 [2,3]。然而，在补偿反铁磁体中，净矩的缺失严重阻碍了对其超快动力学的简单获取，尤其是在薄膜中，以及基于超快反铁磁体的器件的开发 [4,5]。因此，界面自旋输运现象可以为反铁磁体中的自旋弛豫过程和自旋动力学提供新的见解 [5–8]。
无机固体材料的机器逆向设计
开发更先进材料的技术需求在不断增长，而开发功能更完善的材料则必须超越已知材料并深入化学空间。1材料科学的基本目标之一是了解结构-性能关系，并从中发现具有所需功能的新材料。在传统方法中，首先凭借直觉或略微改变现有材料来指定候选材料，然后通过实验或计算来仔细检查其属性，并重复该过程，直到找到已知材料的合理改进（即从最先发现的材料逐渐改进）。2这种传统方法在很大程度上受人类专家知识的驱动，因此结果因人而异并且可能很慢。材料信息学涉及使用数据、信息学和机器学习（ML，与专家的直觉相补充）来建立材料的结构-性能关系并以显著加快的速度发现新的功能。因此，在材料信息学中，人类专家的知识要么被纳入算法，要么被数据完全取代。材料信息学中有两个映射方向（即正向和逆向）。在正向映射中，主要目的是使用材料结构作为输入来预测材料的性质，这些输入以各种方式编码，例如组成原子的简单属性、成分、结构等。
由...形成的 3D 曲面的逆向设计策略
在先进材料中制造 3D 介观结构的策略越来越受到关注，[1–16] 其应用领域包括微机电和纳机电系统 (MEMS 和 NEMS)、[17–23] 储能设备、[24–28] 超材料、[7,29–34] 电子和光电系统、[35–42] 以及生物医学工具 [43–49]。现在有许多不同的制造方法，包括基于轧制/折叠 [50–54] 非平面弯曲、[55–57] 3D 打印 [58–62] 和屈曲引导的几何变换 [63–69]。后一种方法特别有吸引力，因为它们与成熟的平面制造技术和先进的薄膜材料兼容，许多电子设备和微机电系统的例子都证明了这一点，它们由于 3D 结构而具有不同寻常和/或增强的性能
基于冰核记录的反向建模
格陵兰岛在公元86年至1997年的2厘米分辨率下，年度为NS1-2011年年表。Pangea，272 https://doi.org/10.1594/pangaea.940553; Colle Gnifetti：Sigl，Michael；艾布拉姆（Nerilie J）加布里里（Jacopo）；詹克（Jenk），273西奥（Theo M）；奥斯蒙特，迪米特里； Schwikowski，Margit（2018）：Black Carbon（RBC），Bismuth，Lead和274个从1741年至2015年的公元174个年度记录，来自Colle Gnifetti Ice Core（瑞士/意大利阿尔卑斯山）。Pangea，275 https://doi.org/10.1594/pangaea.894785；山Elbrus：doi：10.5194/acp-17-3489-2017;通过加拿大极地数据目录：TTPS：//www.po- 277 lardata.ca/pdcsearch/pdcsearch.jsp？可以根据要求从通讯作者那里获得后处理278个代码。279
漏洞检测的大型语言模型逆增强学习而无需加强学习
逆增强学习（IRL）是一组模仿学习的技术，旨在学习合理的专家演示的奖励功能。不幸的是，传统的IRL方法患有计算弱点：他们需要反复解决艰苦的执行学习（RL）问题作为子例程。从降低的角度来看，这是反直觉的：我们减少了模仿学习的更简单问题，以反复解决RL的更困难问题。另一个工作线索证明，访问强大政策花费时间的状态分布的侧面信息可以大大减少解决RL问题的样本和计算复杂性。在这项工作中，我们首次证明了更明智的模仿学习减少，我们利用了前面的状态分布来减轻RL子例程的全球勘探部分，从而提供了指数的速度。实际上，我们发现我们能够在连续的控制任务上显着加快先前的艺术。
通过反优化的离线增强学习
摘要。受到跨各个应用领域的反相反优化（IO）的最新成功的启发，我们提出了一种新型的离线增强学习（ORL）算法，用于连续状态和动作空间，利用IO文献中的凸损失函数，称为“凸丢失函数”。为了减轻在ORL问题中通常观察到的分布变化，我们进一步采用了强大的，非毒性模型预测控制（MPC）专家，使用来自模型不匹配的内在信息来指导动力学的名义模型。与现有文献不同，我们强大的MPC专家享有确切且可拖延的凸重新印象。在这项研究的第二部分中，我们表明，受提议的凸损失功能培训的IO假设类别具有丰富的表现力，并且在使用Mujoco基准的低DATA基准中的最先进的方法（SOTA）方法进行了竞争性绩效，同时使用了三个较少的资源，需要很少有参数，几乎需要。为了促进结果的可重复性，我们提供了实施提出算法和实验的开源软件包。
通过反强化学习的学徒学习
我们考虑在马尔可夫决策过程中学习，在马尔可夫决策过程中，我们没有明确地赋予重新功能，但是我们可以在这里遵守专家，以展示我们想学习的任务。此设置在应用程序（例如驾驶任务）中很有用，很难写下明确的奖励功能，以准确地指定应如何交易不同的desiderata。我们认为专家试图最大程度地发挥奖励功能，该奖励功能可作为已知功能的线性组合，并给出了一种学习专家所展示的任务的算法。我们的al-gorithm基于使用“逆增强学习”来试图恢复未知的奖励功能。我们表明，我们的算法终止了少数迭代，即使我们可能永远无法恢复专家的奖励功能，算法的策略也将达到与专家接近的绩效，在此，在此，相对于Expt exptt的未知奖励函数，在这里可以衡量。
逆问题和医学物理中的机器学习
nguyen，B。T.，Hornby，C.，Kron，T.，Cramb，J.，Rolfo，A.，Pham，D.，...＆Foroudi，F。（2012）。优化遗传性后切除术放射疗法的剂量质量和效率：一项计划研究，比较了体积调制的ARC治疗（VMAT）与优化的七场强度转化放射治疗（IMRT）技术的性能。医学成像和辐射肿瘤学杂志，56（2），211-219。