XiaoMi-AI文件搜索系统
World File Search SystemInverse
定量光声断层扫描：建模和反问题
1.1光声成像，有一些密切相关但不同的成像方式在光声成像的标题下。所有人都利用光声效应，这是当充分短的光脉冲被弹性材料吸收并随后被热化时，吸收位点将充当声脉冲的来源。1 - 3中，在所有变体中，光脉冲都针对正在研究的软生物组织，并在组织表面测量所得的声脉冲。从声脉冲的测量值中，可以形成吸收光的图像。这是光声图像。光声显微镜与光声断层扫描的不同之类的方式不同，以收集数据并形成图像。在光学显微镜中，光束或声学探测器都被牢固地聚焦并横跨组织表面扫描。1，4由于焦点引起的定位，可以直接从测量的声学时间序列中形成图像。确实，正是聚焦的紧密性决定了图像的分辨率。（源或检测器通常是栅格扫描的事实不是使显微镜的原因；一系列集中的来源或检测器也可以使用。）是释放的 - 实际上，照明的布置使整个利益区域充满光 - 并且一系列未加注（或至少不是紧密的集中）探测器可用于记录产生的声学时间序列。1，2因为光声源可以分布在整个组织中，并且每个时间序列都可以包含来自任何地方的信号（因为检测器没有重点），因此与显微镜相比，数据和源之间的连接更为复杂，并且必须使用图像重建算法来形成图像。光声断层扫描，而不是显微镜，是本综述的主要关注点，尽管所述的组织光学功能将适用于浊度介质中的所有光声成像方法。
定量光声断层扫描：建模和反问题
1.1光声成像，有一些密切相关但不同的成像方式在光声成像的标题下。所有人都利用光声效应，这是当充分短的光脉冲被弹性材料吸收并随后被热化时，吸收位点将充当声脉冲的来源。1 - 3中，在所有变体中，光脉冲都针对正在研究的软生物组织，并在组织表面测量所得的声脉冲。从声脉冲的测量值中，可以形成吸收光的图像。这是光声图像。光声显微镜与光声断层扫描的不同之类的方式不同，以收集数据并形成图像。在光学显微镜中，光束或声学探测器都被牢固地聚焦并横跨组织表面扫描。1，4由于焦点引起的定位，可以直接从测量的声学时间序列中形成图像。确实，正是聚焦的紧密性决定了图像的分辨率。（源或检测器通常是栅格扫描的事实不是使显微镜的原因；一系列集中的来源或检测器也可以使用。）是释放的 - 实际上，照明的布置使整个利益区域充满光 - 并且一系列未加注（或至少不是紧密的集中）探测器可用于记录产生的声学时间序列。1，2因为光声源可以分布在整个组织中，并且每个时间序列都可以包含来自任何地方的信号（因为检测器没有重点），因此与显微镜相比，数据和源之间的连接更为复杂，并且必须使用图像重建算法来形成图像。光声断层扫描，而不是显微镜，是本综述的主要关注点，尽管所述的组织光学功能将适用于浊度介质中的所有光声成像方法。
用于光学超材料逆向设计的物理机器学习
关键词：逆向设计、光学超材料、物理信息学习、深度学习 光学超表面由密集排列的单元组成，这些单元通过各种光限制和散射过程来操纵光。由于其独特的优势，例如高性能、小尺寸和易于与半导体器件集成，超表面在显示器、成像、传感和光学计算等领域引起了越来越多的关注。尽管在制造和特性方面取得了进展，但对于复杂的光学超材料系统来说，对合适的光学响应进行可行的设计预测仍然具有挑战性。随着设计复杂性的增加，获得最佳设计所需的计算成本呈指数增长。此外，由于逆问题通常是不适定的，因此设计预测具有挑战性。近年来，深度学习 (DL) 方法在逆向设计领域显示出巨大的前景。受此启发以及 DL 产生快速推理的能力，我们引入了一个物理信息 DL 框架来加快超表面逆向设计的计算。添加基于物理的约束可以提高 DL 模型的通用性，同时减少数据负担。我们的方法引入了一种串联深度学习架构和基于物理的学习，通过选择科学一致、设计预测误差低、光学响应重建准确的设计来缓解非唯一性问题。为了证明这一概念，我们专注于代表性等离子体装置的逆向设计，该装置由沉积在金属基板顶部的介电膜上的金属光栅组成。该装置的光学响应由几何尺寸和材料特性决定。训练和测试数据是通过严格耦合波分析 (RCWA) 获得的，而基于物理的约束则是通过求解简化均质模型的电磁 (EM) 波方程得出的。我们考虑对单个波长事件或可见光范围内波长光谱的光学响应进行设计预测。以可见光谱的光学响应作为输入，我们的模型对于逆向设计预测的收敛准确率高达 97%。该模型还能够以高达 96% 的准确度预测设计，对于单一波长的光的光学响应作为输入，光学响应重建准确度可达 99%。
3D RNA逆设计的几何深度学习
计算RNA设计任务通常被提出为反问题，其中设计序列是基于采用单个所需的二级结构而不考虑3D几何和构象多样性的。我们介绍了Grnade，这是在3D RNA骨干上运行的G型RNA de标志管道，以设计明确解释结构和动力学的序列。在引擎盖下，Grnade是一个多状态图神经网络，它在一个或多个3D主干结构上生成候选RNA序列，在该结构中，碱的身份未知。在单态固定骨架上，来自Das等人鉴定的PDB的14个RNA结构的重新设计基准。[2010]，与罗塞塔（Rosetta）相比，Grnade获得了更高的天然序列恢复率（平均为56％）（平均45％），与Rosetta报道的小时相比，要花一秒钟的时间才能产生设计。我们进一步证明了Grnade在用于结构柔性RNA的多状态设计的新基准上的实用性，以及对最近的RNA聚合酶核酶结构的回顾性分析中突变适应性景观的零摄像排名。
利用逆对接指纹重新利用 SARS-CoV-2 药物
严重急性呼吸综合征冠状病毒 2 或 SARS-CoV-2 是一种属于冠状病毒科的病毒。这类病毒通常会引起感冒，但具有巨大的致病潜力。在人类中，由 SARS-CoV 病毒引起的 SARS 疫情于 2003 年首次报道，随后 2012 年，中东呼吸综合征冠状病毒 (MERS-CoV) 导致中东呼吸综合征 (MERS) 疫情爆发。此外，COVID-19 是一个严重的社会经济和全球健康问题，已夺走了 400 多万人的生命。迄今为止，只有少数几种治疗方法可以对抗这种疾病，而且只有一种直接作用的抗病毒药物，即有条件批准的瑞德西韦。由于迫切需要针对 SARS-CoV-2 的有效药物，药物再利用策略是实现这一目标的最快方法之一。进行了一项使用两种方法的计算机模拟药物再利用研究。对 FDA 批准的 SARS-CoV-2 主蛋白酶药物数据库进行了基于结构的虚拟筛选，并确定了 11 种具有已知 3CL pro 活性的得分最高的化合物，同时使用该方法报告了另外 11 种潜在的全新 3CL pro 抑制剂。然后，对整个病毒蛋白数据库以及冠状病毒科蛋白子集进行逆分子对接，以详细检查命中化合物。不是进行靶向筛选，而是为每种命中化合物以及作为对照的五种最常报告和直接作用的再利用药物生成逆对接指纹。通过这种方式，检查和比较了靶向命中空间，我们可以支持对所有 11 种新报告的 SARS-CoV-2 3CL pro 命中化合物进行进一步的生物学评估，并建议对抗蠕虫类成员化合物进行进一步的深入研究。作者承认该方法对于未来成熟的逆对接指纹筛选具有普遍的实用性。
用气态二氧化碳捕获的生物质堆肥
近年来，计算机视觉1,2和自然语言处理的效果3,4见证了深层生成模型的出现。在各种类型的深层生成模型中，分散模型5已成为一种有前途的方法，可以解决预先存在的生成模型（例如生成对抗网络（GAN））所面临的局限性。5,6，尤其是不同的使用模型在图像发生任务中表现出了出色的性能，并已在开发尖端的文本到图像发生器（例如Dall-e，7,8中间旅程，9，稳定的稳定且稳定的差异）方面已利用。10这些方法基于给定的输入提示启用用户启发的图像（例如，“在不同的模型的帮助下，为我画了一个以鳄梨形状的扶手椅”。鉴于其在各种图像生成应用中的成功，DI效率模型的使用已扩展到其他应用程序，包括材料发现。此扩展名涉及根据提供的文本将常规图像生成任务映射到由指定化学特性指导的材料生成任务。因此，各种材料
晶格材料倒数设计的可区分图形结构模型
具有可适应于不同环境条件的物理化学特性的构造材料体现了材料科学的破坏性新领域。在数字设计和制造方面的进步推动下，形状成晶格拓扑的材料可实现一定程度的定制，而无需提供散装材料。一个有前途的启发其设计的场所是自然的不规则微构造。然而，这种不规则性解锁的巨大设计可变性对于分析探测很具有挑战性。在这里，我们提出了一种使用基于图的表示定期和不规则晶格材料的新计算方法。我们的方法使用传递算法的可区分消息来计算机械性能，因此允许使用替代衍生物自动分化，可以调整单个晶格元素的几何结构和局部属性，以实现具有所需属性的成型材料。我们进一步引入了图形神经网络替代模型，以大规模结构分析。该方法可推广到可表示为异质图的任何系统。关键字 - 超材料，晶格，逆设计，消息传递，图形神经网络，自动差异，替代梯度
从LLM对齐的示范中学习的逆增强学习
对齐大语言模型（LLMS）正在提高其安全性和实用性。，现有方法主要基于偏爱的数据集，面临噪音标签，高注释成本和隐私性征服等挑战。在这项工作中，我们引入了示范（AFD）的一致性，这是一种新型的方法，掌握了高质量的演示数据以克服这些挑战。我们在一个顺序的决策框架内将AFD形式化，这强调了其缺失奖励的独特挑战。从前进和逆增强学习中汲取见解，我们引入了AFD的分歧最小化目标。在分析上，我们阐明了各种方法的质量覆盖和寻求模式，并解释了某些方法何时以及为什么较高的方法。实际上，我们提出了一种计算有效的算法，该算法通过针对AFD的量身定制奖励模型进行推断。我们通过实验无害和有用的任务来验证我们的关键见解，在保持简单性的同时证明了它们的强大经验表现。
人工智能在电力变换器控制中的逆向应用
摘要 —本文提出了一种用于电力电子转换器系统控制的新型应用方法，即人工智能的逆向应用 (IAAI)。与传统方法相比，IAAI 仅依赖于数据驱动过程，无需优化过程或大量推导，因此该方法可以以简单的方式给出所需的控制系数/参考。需要注意的是，IAAI 方法使用人工智能为电力转换器控制提供可行的系数/参考，而不是构建新的控制器。在说明 IAAI 概念之后，讨论了一种传统的人工神经网络 (ANN) 应用方法，即基于优化的设计。然后，研究了双源转换器微电网案例，通过基于优化的方法选择最佳下垂系数。之后，将提出的 IAAI 方法应用于相同的微电网案例，以快速找到良好的下垂系数。此外，IAAI 方法应用于模块化多电平转换器 (MMC) 案例，扩展了不平衡电网故障下的 MMC 操作区域。在MMC案例中，模拟和实验在线测试均验证了IAAI的可操作性、可行性和实用性。
验证和表征算法和用于光子学逆设计的软件
在这项工作中，我们提出了一套可重复的测试问题，以进行大规模优化（“逆设计”和“拓扑优化”），在这些问题中，不规则，非直觉几何的流行率否则，可以使新的算法和软件正常发挥作用，使其具有挑战性。我们包括测试问题，可以行使各种物理和数学特征，即far-Far-filed Metalenss，2D和3D模式转换器，谐振剂发射和聚焦以及分散/特征值工程 - 并引入A Persteriori aperteriori长度尺度测量，以比较由异性算法产生的设计。对于每个问题，我们都会对多个独立的软件包和算法进行交叉检查，并包括可重复的设计及其验证脚本。我们认为，此套件应该使开发，验证和获得对未来的deSignAppLaikeSandSoftware的信任变得更加容易。©2024 Optica Publishing Group