XiaoMi-AI文件搜索系统
World File Search SystemSep
![arXiv:2209.08843v1 [hep-ph] 2022 年 9 月 19 日](/simg/g:\will\search\icon\source\c\cf274d35c29bf977178d34afafb6fd4d045d2220.webp)
arXiv:2209.08843v1 [hep-ph] 2022 年 9 月 19 日
暗光子的概念[1–3]已被许多理论物理学家和实验物理学家研究过。通常，暗光子与可见物质的相互作用假设为标准模型(SM) U (1) Y规范群和暗U (1) X规范群之间的阿贝尔动力学混合。由于低能对撞机[4–6]、介子衰变[7–9]、束流倾倒实验[10–12]和高能对撞机[13–18]等不同实验的限制，这种U (1)动力学混合不可能很大。然而，解释可重正化的U (1)动力学混合之小并不明显。在本文中，我们将考虑非阿贝尔动力学混合，以实现另一种可能性，即暗光子来自暗SU (2) X规范群，因此它与物质的耦合不在可重正化的水平上出现[19–21]。在暗 SU (2) X 规范群与 SM SU (2) L × U (1) Y 规范群的非阿贝尔动力学混合下，一个暗规范玻色子变成暗光子，而其他玻色子保持稳定形成暗物质粒子。这一情景预测了暗光子和暗物质的近简并质量谱。
![arXiv:2110.06553v2 [cs.RO] 2022 年 9 月 23 日](/simg/g:\will\search\icon\source\5\5cd0f30ce7869e8d45f911842b46a71f12d9c925.webp)
arXiv:2110.06553v2 [cs.RO] 2022 年 9 月 23 日
脑电图（EEG）是一种流行且有效的情绪识别工具，但脑电在人脑中的传播机制及其与情绪的内在关联尚不明确。本工作提出了四种不同的变换器框架（空间注意、时间注意、顺序时空注意和同时时空注意）用于脑电情绪识别，以探索情绪与时空脑电特征之间的关系。具体而言，空间注意和时间注意分别用于学习情绪识别的拓扑结构信息和时变脑电特征。顺序时空注意依次进行一秒片段内的空间注意和一个样本内的时间注意，以探究情绪刺激对同一时间片段内不同脑电电极脑电信号的影响程度。同时时空注意策略的空间注意和时间注意同时进行，用于建模不同空间特征在不同时间段之间的关系。实验结果表明，同时时空注意策略在所有设计方案中具有最佳的情绪识别准确率，表明对脑电信号空间和时间特征相关性进行建模对情绪识别具有重要意义。
![arXiv:2207.11913v2 [physics.app-ph] 2022 年 9 月 22 日](/simg/g:\will\search\icon\source\8\80b88ce3d09b91dce45e94d7eaaca1da899de7a4.webp)
arXiv:2207.11913v2 [physics.app-ph] 2022 年 9 月 22 日
量子信息技术中必不可少的量子器件是在硅或蓝宝石晶片上制造的。最近的研究发现，晶片中的声学模式可以在量子态操控中发挥重要作用，包括声学和量子比特态之间的交换操作，从而导致冷却 1,2。声学模式由晶片上制备的压电换能器产生。这通常是材料声学研究最常用的方法，其中电极与换能器粘合，而换能器与感兴趣的样品直接接触。换能器对振荡电压的压电响应将电磁信号转换为机械振荡。在某些情况下，让电极或换能器与样品物理接触是不可取的或不切实际的。在这里，我们展示了一种用于产生和测量材料中声学共振的非接触式技术。Dobbs 3 描述了使用螺线管和静磁场在金属中产生声学共振。电磁信号与机械振动之间的耦合是通过磁场产生的洛伦兹力实现的，从而无需使用压电材料。洛伦兹力发生在金属表面或射频 (RF) 穿透深度内，从而在体内产生声学模式。通过这种方法，我们研究了硅晶片中的高谐波声学模式，精确测量了纵向和横向声速并计算了相应的弹性常数。我们的样品是一块 [001] 单晶硅晶片，一侧覆盖有 Nb 薄膜。样品从最初直径为 15 厘米的商用晶片上切割下来，尺寸为 4mmx 4mmx 330 µ m（浮区，电阻率 > 10,000 Ωcm）。本文详细描述的结果针对的是厚度为 155 nm 的 Nb 薄膜，由 Rigetti Computing 采用高功率脉冲磁控溅射 (HiPIMS) 制备。高达 14 T 的高磁场敏感度测量
![arXiv:2106.08394v4 [quant-ph] 2022 年 9 月 15 日](/simg/g:\will\search\icon\source\5\5551e825bc98050d31cc77830cc78299673676fa.webp)
arXiv:2106.08394v4 [quant-ph] 2022 年 9 月 15 日
我们展示了在数字量子计算机上对量子场论非平衡动力学的模拟。作为一个代表性的例子，我们考虑 Schwinger 模型，这是一个 1+1 维 U(1) 规范理论，通过 Yukawa 型相互作用耦合到标量场理论描述的热环境。我们使用在空间晶格上离散化的 Schwinger 模型的哈密顿量公式。通过追踪热标量场，Schwinger 模型可以被视为一个开放的量子系统，其实时动力学由马尔可夫极限中的 Lindblad 方程控制。与环境的相互作用最终使系统达到热平衡。在量子布朗运动极限中，Lindblad 方程与场论 Caldeira-Leggett 方程相关。通过使用 Stinespring 膨胀定理和辅助量子比特，我们使用 IBM 的模拟器和量子设备研究了 Schwinger 模型中的非平衡动力学和热态准备。作为开放量子系统的场论的实时动力学和此处研究的热态准备与核物理和粒子物理、量子信息和宇宙学中的各种应用相关。
![arXiv:2209.13529v1 [q-bio.NC] 2022 年 9 月 13 日](/simg/g:\will\search\icon\source\d\d730240faa47ca5024c3571e0d7b1d02fc162902.webp)
arXiv:2209.13529v1 [q-bio.NC] 2022 年 9 月 13 日
摘要。连接脑模板 (CBT) 捕获给定脑连接组群中所有个体的共同特征，从而充当指纹。从脑图来自不同神经成像模式（例如功能和结构）和不同分辨率（即节点数）的群体中估计 CBT 仍然是一项艰巨的挑战。这种网络整合任务允许学习跨不同模式和分辨率的丰富且通用的脑连接表示。由此产生的 CBT 可大量用于生成全新的多模态脑连接组，这可以促进下游任务（例如脑状态分类）的学习。在这里，我们提出了多模态多分辨率脑图集成器网络（即 M2GraphIntegrator），这是第一个将给定连接组群映射到中心良好的 CBT 的多模态多分辨率图集成框架。 M2GraphIntegrator 首先利用特定于分辨率的图形自动编码器统一脑图分辨率。接下来，它将生成的固定大小的脑图集成到位于其种群中心的通用 CBT 中。为了保持种群多样性，我们进一步设计了一种新颖的基于聚类的训练样本选择策略，该策略利用最异构的训练样本。为了确保学习到的 CBT 的生物学健全性，我们提出了一种拓扑损失，以最小化真实脑图和学习到的 CBT 之间的拓扑差距。我们的实验表明，从单个 CBT 中，可以生成真实的连接组数据集，包括不同分辨率和模态的脑图。我们进一步证明，我们的框架在重建质量、增强任务、中心性和拓扑健全性方面明显优于基准。
![arxiv：2409.10380v2 [cond-mat.mes-hall] 24年9月24日2024](/simg/g:\will\search\icon\source\6\669cc5e60579e0516e6a48d7c6b8bce3cd3d77e4.webp)
arxiv：2409.10380v2 [cond-mat.mes-hall] 24年9月24日2024
我们提出了一项有关通过任意极化光照射增强双层石墨烯（BLG）的热电（TE）性能的综合研究，重点是具有锯齿形边缘的AA和AB堆放的配置。利用紧密结合理论和密度功能理论（DFT）的结合，我们系统地分析了光照射对电子和语音传输特性的影响。光照射改变了电子跳跃参数，创造了不对称的传输函数，从而显着增加了Seebeck系数，从而增强了功绩（FOM）的整体形象。对于语音贡献，DFT计算表明，与AA相比，ABSTACKSTACKSTACKENSTACK STACKENS呈现较低的晶格导热率，这归因于增强的Anharmonic散射和声子组速度。组合分析表明，在两种堆叠类型中，FOM都超出了统一性，在辐射引起的间隙附近有了显着改善。此外，我们探讨了FOM对系统尺寸和温度的依赖性，这表明光辐射的BLG对有效的热电学转换和废热恢复具有很大的希望。我们的结果显示在广泛的辐照参数中的响应良好。这些发现提供了通过光引起的修改为高级TE应用优化BLG的关键见解。
![arxiv：2409.09972v1 [cs.ro] 16 Sep 2024](/simg/g:\will\search\icon\source\f\ff362a65c62a58b59167bf67a65f0972591c084a.webp)
arxiv：2409.09972v1 [cs.ro] 16 Sep 2024
摘要。人工智能的整合，尤其是机器人技术中的大型语言模型，导致了该领域的快速发展。我们现在正在观察我们日常生活中机器人使用前所未有的激增。机器人的开发和持续改进正在以惊人的速度移动。尽管这些显着的改进促进了我们的生活，但尚未解决一些安全和隐私问题。因此，在改善我们的经验的同时，应对机器人系统的隐私和安全威胁至关重要。在本文中，我们旨在介绍机器人技术的现有应用和威胁，预期未来的进化以及它们可能暗示的安全性和隐私问题。我们提出了一系列的开放问题，供研究人员和从业人员进一步探索。
![arxiv：2308.05659V2 [CS.CV] 16 9月16日2024](/simg/g:\will\search\icon\source\3\30a46ac880935730bedbb8cdc7f572bd0c181275.webp)
arxiv：2308.05659V2 [CS.CV] 16 9月16日2024
尽管深度学习模型在监督的学习任务上表现出了令人印象深刻的表现，但在培训（源）和测试（目标）域不同时，它们通常会努力概括地概括。无监督的域适应性（DA）已成为解决此问题的流行解决方案。但是，当前的DA技术依赖于视觉主干，这可能缺乏语义丰富。尽管大规模视觉语言基础模型（如剪辑）有潜力，但其对DA的有效性尚未得到充分探索。为了打扮这个差距，我们介绍了AD-CLIP，这是一种域名迅速学习策略，旨在解决及时空间中的DA问题。我们利用夹子的冷冻视频主干来提取图像样式（域）和内容信息，我们将其应用于学习提示令牌。我们的提示是通过同时调节图像样式和内容功能的及时学习的，以域名为域不变且可将其归纳。我们在源域中使用标准监督的对比度学习，同时提出熵最小化策略以使嵌入空间中的域中的域与焦油域数据相结合。我们还考虑了一个方案，其中仅在测试过程中仅可用目标域样本，并带有任何源域数据，并提出了一个跨域样式映射网络以使幻觉域 - agnoftic to-kens。我们在三个基准DA数据集上进行的广泛实验证明了与现有文献相结合的AD-CLIP的有效性。代码可从https：//github.com/mainaksingha01/ad-clip
学位作品学生教育规划师（SEP）
学生教育计划简介 什么是学生教育计划 (SEP)？ 学生教育计划 (SEP) 是 Degree Works 的一项功能，可帮助顾问和学生共同规划每个学期的课程，以确保学生取得成功。 通过制定计划，学生将有一条按顺序排列的清晰的每学期所需课程路径。 学生越能规划好自己的学业历程，就越有可能保持正轨并实现学业目标。 此外，顾问可以使用计划中的功能来确定对学生及时完成学位至关重要的课程。 最后，SEP 最终将为我们提供良好的数据来预测时间安排需求。 SEP 允许您跟踪所有要求或仅跟踪您归类为关键的要求，然后显示其跟踪状态。 如果学生在一个或多个可跟踪要求中被视为“偏离轨道”，则该学期（甚至可能是学生计划）将被视为“偏离轨道”，然后可以采取适当的干预措施来帮助学生取得成功。
![arxiv：2401.01757v4 [Math.pr] 12月12日2024](/simg/g:\will\search\icon\source\7\73756ba68cb9cdad0fa644bb2d27f2ed5e110168.webp)
arxiv：2401.01757v4 [Math.pr] 12月12日2024
1。简介。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。2 2。简短的历史概述。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4 2.1。物理起源。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>4 2.2。 div>进入数学。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>5 2.3。 div>综合优势的兴起。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。6 2.4。概率罢工。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。7 2.5。纸的轮廓。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。8 3。弱和强烈的混乱。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>8 3.1。 div>一般框架和一些基本结果。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>8 3.2。 div>β2和βCE的随机步行固定模型和非固定模型。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>14 3.3。 div>弱小混乱制度的转弯表征。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>17 3.4。 div>非常强大的下降和女性的分数力矩方法。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。23 4。维度2中的中间疾病和相变。。。。。。。。。。。。。28 4.1。一般框架。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。28 4.2。字段相关。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。30 4.3。方法的某些点。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。32 5。重型尾部疾病。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。37 5.1。沉重的尾巴和中间障碍相图。。。。。。。。。。。。。。。。。。。。。。。37 5.2。沉重的尾巴和弱对疾病。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。42 6。在更多一般图上的聚合物。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。43参考。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。44