XiaoMi-AI文件搜索系统
World File Search SystemMar
Ilva Rupenthal 研讨会 3 月 18 日.ai
Rupenthal 博士是眼科系的高级讲师，也是 Buchanan 眼科治疗部门的主任，该部门旨在开发眼科治疗相关的科学研究并将其转化为临床应用。Ilva 获得了德国马尔堡菲利普斯大学的药学学士学位，并于 2008 年在奥克兰大学完成了“反义寡核苷酸的眼部递送”博士学位。2010 年，Ilva 获得了享有盛誉的三年新西兰科技博士后奖学金，在新西兰国家眼科中心建立了眼科药剂学小组。Rupenthal 博士曾获得多项奖项，包括 2014 年奥克兰大学早期职业研究卓越奖和 2013 年 HRC Sir Charles Hercus 研究奖学金，同时还是 2012 年和 2014 年 Spark 创业创意挑战赛的获胜者。
![arXiv:2403.00669v1 [cs.LG] 2024 年 3 月 1 日](/simg/g:\will\search\icon\source\6\6d2cba03da31fad9740548417433eee9d023508e.png)
arXiv:2403.00669v1 [cs.LG] 2024 年 3 月 1 日
增材制造 (AM) 已经证明自己是广泛使用的减材制造的潜在替代方案，因为它具有以最少的材料浪费制造高度定制产品的非凡能力。然而，由于它存在一些主要的固有挑战，包括复杂和动态的过程交互，有时即使使用传统机器学习也难以完全理解，因为它涉及高维数据，例如图像、点云和体素。然而，最近出现的深度学习 (DL) 在克服许多这些挑战方面显示出巨大的希望，因为 DL 可以自动从高维数据中捕获复杂的关系，而无需手动提取特征。因此，AM 和 DL 交叉领域的研究量每年都在呈指数级增长，这使得研究人员很难跟踪趋势和未来的潜在方向。此外，据我们所知，这个研究领域没有全面的综述论文来总结最近的研究。因此，本文回顾了最近应用深度学习来改善 AM 流程的研究，并对其贡献和局限性进行了高层次的总结。最后，它总结了当前的挑战，并推荐了该领域一些有希望进一步研究的机会，特别关注将深度学习模型推广到各种几何类型，管理 AM 数据和深度学习模型中的不确定性，通过结合生成模型克服有限和嘈杂的 AM 数据问题，并揭示可解释深度学习对 AM 的潜力。
![arXiv:2303.07032v2 [quant-ph] 2024 年 3 月 8 日](/simg/g:\will\search\icon\source\1\1283ae2309f857fb79f8cccaf49afe4bb71331cf.png)
arXiv:2303.07032v2 [quant-ph] 2024 年 3 月 8 日
量子算法可以潜在地突破计算困难问题的界限。光束传播算法是现代光学的基石之一，它有助于计算具有特定色散关系的波在时间和空间中如何传播。该算法通过傅里叶变换、与传递函数相乘以及随后的反变换来求解波传播方程。该传递函数由相应的色散关系确定，通常可以展开为多项式。在自由空间中的近轴波传播或皮秒脉冲传播的情况下，该展开式可以在二次项后截断。波传播的经典解需要 O ( NlogN ) 个计算步骤，其中 N 是波函数离散化的点数。在这里，我们表明传播可以作为具有 O ( ( logN ) 2 ) 个单控相位门的量子算法来执行，表明计算复杂度呈指数级降低。我们在此演示了这种量子光束传播方法 (QBPM)，并在双缝实验和高斯光束传播的一维和二维系统中进行了这种传播。我们强调了选择合适的可观测量的重要性，以便在量子测量过程的统计性质下保持量子优势，这会导致经典解决方案中不存在的采样误差。
GIQS 时事通讯，第 1 期，2020 年 3 月
石墨烯器件在较低磁场（低于 5 T）和较高温度（4.2 K 或以上）下表现出量子霍尔效应，可使用较小的无低温低温磁体达到此温度，从而允许在计量实验室中连续运行。
![arXiv:1810.02455v2 [cs.RO] 2019 年 3 月 1 日](/simg/g:\will\search\icon\source\7\763a8b44196a9bef96a30b09810486f99c1f2ff0.webp)
arXiv:1810.02455v2 [cs.RO] 2019 年 3 月 1 日
摘要 — 小型无人机可以通过实时监视不断蔓延的火势，帮助消防员扑灭野火。然而，仅根据野火图像自主引导无人机是一个具有挑战性的问题。这项工作对机载摄像机获得的噪声图像进行建模，并提出了两种过滤野火图像的方法。第一种方法使用简单的卡尔曼滤波器来降低噪声并更新观察区域的信念图。第二种方法使用粒子滤波器来预测野火的增长，并使用观测来估计与野火扩张有关的不确定性。信念图用于训练深度强化学习控制器，该控制器学习一种策略来引导飞机勘察野火，同时避免直接飞过火场。仿真结果表明，所提出的控制器可以精确引导飞机并准确估计野火的增长，而对观测噪声的研究证明了粒子滤波方法的鲁棒性。
No. 15-06 MDMP MAR 15
无论是在实际行动中还是在 CTC 的训练中，规划时间通常都极其有限。在这些情况下，部队通常会省略 MDMP 的步骤。大多数 CTC 培训师都同意，当时间有限时，完全省略 MDMP 的任何步骤都不是解决方案，而且往往会降低任务成功率。伊拉克和阿富汗的作战行动导致在规划过程中使用非教义故事板。这种做法缺乏向指挥官提供所需决策信息所需的保真度，并可能导致行动期间失去同步。
![arxiv：2403.01906v1 [Math.oc] 4 2024年3月4日](/simg/g:\will\search\icon\source\7\7db3dab00baefebcf58c1604d3e3819b168d0a85.webp)
arxiv：2403.01906v1 [Math.oc] 4 2024年3月4日
拥有在线估计某些皮质区域的神经活动的技术具有许多潜在用途。这可以从监测和治疗脑健康[21]到神经科学的应用，例如心理学[11]，脑部计算机接口[9]或对特定神经现象（例如视觉错觉）的分析[23]。最近，这为设计理论设计灵感技术，反馈 - 环控制（例如在田野脑机界面[29]和深脑刺激[24]中，这为反馈环控制打开了大门。例如，可以通过反馈控制对大脑中信号的稳定来减轻帕金森氏病的症状[20]。在大多数实际情况下，只能部分测量神经活动。那么至关重要的是能够根据测量结果提供有效且可靠的在线估计方法[12，11，26]。在本研究中，我们关注的模型是神经元活性是根据众所周知的神经场方程在空间中分布的分布。这些模型依赖于通过平均大脑中的大群神经元的活性获得的全差异方程。它们是在开创性作品中引入的[2，3]，并为研究大脑活动提供了有力的理论框架。有关神经场模型的综述，请参见[22]，有关神经元活动的不同大型模型[32]，以及[16，18]的[16，18]，以对这些方程进行更深入的分析。本文的重点是[8]中引入的V1低维模型的状态估计。这些模型具有丰富的应用历史，尤其是在对主要视觉皮层V1 [8、4、16]的研究中，尤其是用于解释视觉错觉的[27，28，33，14]。他们还证明了复制在实验数据中观察到的许多现象的能力，这些现象通常是通过电压敏感染料（VSD）成像获得的，例如，请参见[8，13，25]。此特定模型包含了引入的环模型的许多特征
![arxiv：2503.03113v1 [cs.lg] 2025年3月5日](/simg/g:\will\search\icon\source\5\595be46e3e18f3b429ae75aad6c9018b11675783.webp)
arxiv：2503.03113v1 [cs.lg] 2025年3月5日
对太空旅游需求的全面预测对于企业优化这个新兴行业的策略和客户体验至关重要。传统方法难以捕获影响个人前往太空的决定的复杂方面。在本文中，我们提出了一个可解释且值得信赖的人工智能（AI）框架，以解决通过遵循国家标准和技术指南来预测太空旅游业的挑战。我们开发了一个新型的学习网络，称为SpaceNet，能够在数据中学习广泛的依赖性，并允许我们分析各种因素之间的关系，例如年龄，收入和风险承受能力。在特殊情况下，研究了居住在美国的人们的太空旅行需求，我们将需求构成四种旅行类型：无旅行，月球旅行，轨道和轨道旅行。为此，我们在许多年龄不同的州和城市中收集了1860个数据点，然后对数据进行了实验。因此，我们的空间模型在曲线下达到了一个相对的接收器操作特征区域或ROC-AUC为0.82±0.088，这表明该模型的分类表明了良好的性能。我们的调查表明，旅行价格，年龄，年收入，性别和死亡概率是决定一个人是否要旅行的重要特征。超出需求预测，我们使用可解释的AI来为个人的旅行类型决定提供解释，从而见解了引起太空旅行兴趣的因素，这些因素
![arxiv：2503.03098v1 [Quant-ph] 5 2025年3月5日](/simg/g:\will\search\icon\source\f\f217ca0b79c77bb19e395ec6c8de95be94981ee4.webp)
arxiv：2503.03098v1 [Quant-ph] 5 2025年3月5日
{| 00⟩，| 01⟩，| 10⟩，| 11}，与{|↑↑⟩，|↑↓⟩，|↓↑⟩，3↓⟩}相匹配。我们使用归一化
![arxiv：2503.02143v1 [cs.lg] 2025年3月4日](/simg/g:\will\search\icon\source\c\c8cd580e133e3df880ae53dad1f6ec7a27136448.webp)
arxiv：2503.02143v1 [cs.lg] 2025年3月4日
随着自主系统越来越多地部署在开放和不确定的环境中，人们对值得信赖的世界模型的需求越来越多，这些模型可以可靠地预测未来的高维度。世界模型中博学的潜在表示缺乏直接映射到有意义的物理数量和动态，从而限制了其在下游计划，控制和安全验证中的效用和解释性。In this paper, we argue for a fundamental shift from physically informed to physically interpretable world models — and crystallize four principles that leverage symbolic knowledge to achieve these ends: (1) structuring latent spaces according to the physical intent of variables, (2) learning aligned invariant and equivariant representations of the physical world, (3) adapting training to the varied granularity of supervision signals, and (4) partitioning生成输出以支持可伸缩性和可验证性。我们在实验上证明了每个原理在两个基准上的价值。本文打开了一些有趣的研究方向，以实现和利用世界模型中的全部物理解释性。关键字：世界模型，代表性学习，神经符号AI，可信赖的自主源代码：https：//github.com/trustworthy-eentine-workineered-autonomy-lab/piwm-lab/piwm-principles