XiaoMi-AI文件搜索系统
World File Search SystemSimulators
使用电式前庭刺激运动提示增强驱动模拟器的现实主义
这种刺激源自Fitzpatrick的模型，但已调整为与SDA的不一致有关。从假设的头部反应中，使用两个同类电流刺激剂对参与者进行了这种刺激，并具有3MA的直流刺激。结果表明，ODA与LDA和SDA一样强烈，所有三个刺激都诱导了头角变化，统计显着性为p <0.01。应注意，LDS，SDA和ODA进行了独立测试，如果与驾驶刺激器一起使用，则该配置中的两个刺激器将无效。如果在LDS期间乳突之间存在电势差，则寺庙之间的随后差异必须更大，而ODA可能会导致磷酸 - 在这种情况下流经电流神经。在研究论文中没有提及此Phe-Nomenon。
使用 Matlab/Simulink 和飞行模拟器进行飞行控制联合仿真的教程和评论
摘要：在真实的三维虚拟环境中进行飞行测试越来越多地被认为是一种安全且经济高效的评估飞机模型及其控制系统的方法。本文首先回顾并比较了迄今为止最流行的个人计算机飞行模拟器，这些模拟器已成功与 MathWorks 软件对接。这种联合仿真方法可以将 Matlab 工具箱的功能优势（包括导航、控制和传感器建模）与专用飞行仿真软件的高级仿真和场景渲染功能相结合。然后可以使用此方法验证飞机模型、控制算法、飞行处理特性，或根据飞行数据执行模型识别。然而，缺乏足够详细的分步飞行联合仿真教程，而且很少有人尝试同时评估多种飞行联合仿真方法。因此，我们使用 Simulink 和三种不同的飞行模拟器（Xplane、FlightGear 和 Alphalink 的虚拟飞行测试环境 (VFTE)）演示了我们自己的分步联合仿真实现。所有这三种联合仿真都采用实时用户数据报协议 (UDP) 进行数据通信，每种方法都有各自的优势，具体取决于飞机类型。对于 Cessna-172 通用航空飞机，Simulink 与 Xplane 的联合仿真演示了成功的虚拟飞行测试，可以精确地同时跟踪高度和速度参考变化，同时在任意风况下保持侧倾稳定性，这对单螺旋桨 Cessna 来说是一个挑战。对于中等续航能力的 Rascal-110 无人机 (UAV)，Simulink 使用 MAVlink 协议与 FlightGear 和 QGroundControl 连接，从而能够在地图上精确跟踪无人机的横向路径，并且此设置用于评估基于 Matlab 的六自由度无人机模型的有效性。对于较小的 ZOHD Nano Talon 微型飞行器 (MAV)，Simulink 与专为此 MAV 设计的 VFTE 连接，并与 QGroundControl 连接，以使用软件在环 (SIL) 仿真测试先进的基于 H-infinity 观察器的自动驾驶仪，从而在有风条件下实现稳健的低空飞行。然后，最终使用控制器局域网 (CAN) 数据总线和带有模拟传感器模型的 Pixhawk-4 迷你自动驾驶仪将其扩展到 Nano Talon MAV 上的硬件在环 (HIL) 实现。
量子计算机和模拟器在生命科学中的应用：当前趋势和未来前景
研究诚信 我们的使命是通过研究和分析帮助改善政策和决策，这得益于我们的核心价值观：质量和客观性，以及我们对最高诚信和道德行为的坚定承诺。为确保我们的研究和分析严谨、客观、不偏不倚，我们对研究出版物进行了严格而严格的质量保证流程；通过员工培训、项目筛选和强制披露政策，避免出现财务和其他利益冲突的表象和现实；并通过承诺公开发表我们的研究结果和建议、披露已发表研究的资金来源以及确保知识独立的政策，追求研究工作的透明度。有关更多信息，请访问 www.rand.org/about/principles。
对临床电生理学中模拟器的利用和感知需求：EHRA医师调查的结果
1心脏中心，心脏病学系，阿姆斯特丹UMC，位于荷兰阿姆斯特丹的阿姆斯特丹大学AMC地点； 2 FEHRA，心律失常单位，大学医院Careggi，EP Lab，Largo Brambilla 3，50134意大利佛罗伦萨； 3 FEHRA，德国帕德尔伯恩的圣文森兹医院心脏病学和重症监护医学系； 4 Fehra，汉诺威心律中心，德国汉诺威汉诺威医学院心脏病学和血管病学系； 5 FEHRA，荷兰马斯特里奇特大学医学中心的心血管研究所心脏病学系（Carim）； 6 FEHRA，心脏病学 - 法国图卢兹的Clinique Pasteur的心律节奏管理部； 7 Fehra，CCB，心脏病学，医学。 Klinik III，Markuskrankenhaus，德国法兰克福；和8 Fehra，医学系Huddinge，Karolinska Institutet，Karolinska大学医院Huddinge，斯德哥尔摩，瑞典，1心脏中心，心脏病学系，阿姆斯特丹UMC，位于荷兰阿姆斯特丹的阿姆斯特丹大学AMC地点； 2 FEHRA，心律失常单位，大学医院Careggi，EP Lab，Largo Brambilla 3，50134意大利佛罗伦萨； 3 FEHRA，德国帕德尔伯恩的圣文森兹医院心脏病学和重症监护医学系； 4 Fehra，汉诺威心律中心，德国汉诺威汉诺威医学院心脏病学和血管病学系； 5 FEHRA，荷兰马斯特里奇特大学医学中心的心血管研究所心脏病学系（Carim）； 6 FEHRA，心脏病学 - 法国图卢兹的Clinique Pasteur的心律节奏管理部； 7 Fehra，CCB，心脏病学，医学。Klinik III，Markuskrankenhaus，德国法兰克福；和8 Fehra，医学系Huddinge，Karolinska Institutet，Karolinska大学医院Huddinge，斯德哥尔摩，瑞典，Klinik III，Markuskrankenhaus，德国法兰克福；和8 Fehra，医学系Huddinge，Karolinska Institutet，Karolinska大学医院Huddinge，斯德哥尔摩，瑞典，
通过测量数字量子模拟器的孔波信息揭示量子操作员
量子操作员争先恐后地描述了Heisenberg Evolution的情况，将本地操作员的扩散到整个系统中，这通常是通过操作员的尺寸增长来量化的。在这里，我们提出了一种通过操作员的孔隙信息进行量子运算符的量度，该量子以其本地区分操作员信息的能力。我们表明，操作员的尺寸与操作员的特殊漏洞信息密切相关。此外，我们提出了一项可行的协议，用于根据随机状态在数字量子模拟器上测量操作员的孔波信息。我们的数值模拟表明，可以通过测量孔信息信息的时空模式来告知可集成系统。此外，我们发现需要缓解误差来恢复可集成系统的孔波信息的时间振荡行为，这是与混乱的系统不同的关键特征。我们的工作提供了一种新的观点，可以从操作员的孔信息信息的各个方面理解信息争夺的信息和量子混乱。
通过使用SUMO和OMNET ++模拟器对车辆网络进行模拟和建模交通事故检测的估值
伊拉克摩苏尔大学工程学院电气工程系电子邮件：mtyaseen@uomosul.edu.iq（M.T.Y.）; aminaalrawy@uomosul.edu.iq（a.a.f.）; fawaazyasen@uomosul.edu.iq（F.Y.A。）*通讯作者摘要 - 该论文提出了增加导致道路事故的车辆总数的问题。车辆临时网络（VANET）已在基础设施中开发。本研究建议使用Vanet网络与车辆，路边单元（RSU）和网络服务器进行通信。提出的方法通过基于Omnet ++和Sumo Simulators内部框架（静脉）的地图执行IEEE 802.11p的基本参数来正确模拟Vanet，以实现和模拟车辆路线的规划流量策略。建议的技术的主要优势是使车辆能够相互通信或在基础架构上进行交流，以发送和接收各种类型的警告和信息消息。在本文中做出了两项重大贡献：通过减少车辆的CO 2排放和减少道路拥堵的CO 2来降低空气的污染水平，以及模拟车辆路线计划流量的技术贡献。我们的技术能够监视在高速公路上和紧急制动的情况下测试的空气污染和建筑模拟。每辆车可以通过向网络服务器发送数据包请求并等待包含新路径的响应来请求最短路由。主要的性能参数指标是指在不同时间在不同时间的速度和加速器等车辆中的数据交换。在每种情况下更改路径长度时，分析了车辆的速度，加速度，CO 2发射和RSU的总丢失数据包。在模拟中，使用100辆车在3,400米长的高速公路上以14 km/h的速度行驶，网络尺寸为（3000×3000）m。通过100辆车的旅行时间为300秒，RSU的总丢失的数据包为61，总CO 2排放量为3,1548 gm/英里，获得了仿真结果。模拟结果的优点为预防事故，增强无线基础设施和降低污染水平的车辆提供了更安全的道路。
在腹腔镜培训中使用触觉反馈与盒子培训师（BT）比较虚拟现实（VR）模拟器的学习成果：系统的RE
在2023年12月至2024年4月的系统审查和荟萃分析的首选报告项目之后，进行了系统的审查和荟萃分析。研究数据库，例如PubMed，Embase，Cinahl和Web of Science，寻找随机对照试验（RCT），将VR模拟器与触觉反馈与BT与培训医学生的BT进行比较。七个RCT符合纳入标准，荟萃分析中包括四个RCT。主要结果是学习曲线和学习效果，而次要结果包括技能转移到手术环境。评论分析了整个研究中125名参与者的数据。的结果表明，BTS表现出优异的学习曲线，参与者比使用VR的学习速度更快。两个模拟器都显示出显着的学习效果。但是，BTS在更多的性能参数上取得了更大的改进。关于技能转移到手术环境，两组之间没有显着差异，这两种方法都有效地支持了手术技能转移。总体而言，BT具有更有效的学习曲线，并且在技能掌握方面的表现略有更好。虽然带有触觉反馈的VR提供了增强的现实主义，但它并未完全复制BT提供的自然触觉反馈。需要进一步的研究来改善VR触觉反馈及其在培训计划中的整合以增强学习成果。
使用 IBM 量子计算机模拟器和 IBM 量子计算机硬件将量子机器学习应用于 LHC 的高能物理分析
我们小组率先在 LHC 的高能物理分析中使用量子机器学习 (QML)。我们已在门模型量子计算机模拟器和硬件上成功将几种 QML 分类算法应用于 ttH（与顶夸克对相关的希格斯粒子生成）和希格斯粒子到两个μ子（希格斯粒子与第二代费米子的耦合）这两项最近的 LHC 旗舰物理分析。模拟研究已使用 IBM Quantum Framework、Google Tensorflow Quantum Framework 和 Amazon Braket Framework 进行，并且我们已实现良好的分类性能，其性能类似于目前在 LHC 物理分析中使用的经典机器学习方法，例如经典 SVM、经典 BDT 和经典深度神经网络。我们还使用 IBM 超导量子计算机硬件进行了研究，其性能令人鼓舞，并且接近 IBM 量子模拟器的性能。此外，我们将研究扩展到其他 QML 领域，例如量子异常检测和量子生成对抗，并已取得一些初步成果。此外，我们还使用 NVIDIA cuQuantum 和 NERSC Perlmutter HPC 克服了大量子比特（25 个量子比特或更多）和大量事件情况下的密集计算资源挑战。
在自定义RISC-V ASIPS上嵌入机器学习的挑战
Solution: End-to-End TinyML Deployment and Benchmarking Flow • [MLIF] (Machine Learning Interface) • Framework/target-independent abstraction layers for Target SW • [MLonMCU] • Provides support for • 15+ targets (mainly RISC-V simulators) • 6 backends ([TVM] and TFLM) • Handling of Dependencies • Analysis and Exploration methods • Designed with并行性/可重复性