XiaoMi-AI文件搜索系统
World File Search SystemSymmetry
![具有轴手性和对称性的双苯并[rst]五芬……](/simg/1/122466e03902cc11f82375947dca685fb2d691a5.webp)
具有轴手性和对称性的双苯并[rst]五芬……
探索由两个多环芳烃 (PAH) 单元组成的新型联芳烃是进一步开发具有独特性能的有机材料的重要策略。在本研究中，采用一种高效、通用的方法合成了具有两个苯并[rst]五芬 (BPP) 单元的 5,5′-联苯并[rst]五芬 (BBPP)，并通过 X 射线晶体学明确阐明了其结构。BBPP 表现出轴手性，通过手性高效液相色谱法拆分 (M)- 和 (P)-对映体，并通过圆二色光谱法进行研究。根据密度泛函理论计算，这些对映体具有相对较高的异构化能垒，为 43.6 kcal mol − 1。单体 BPP 和二聚体 BBPP 用紫外可见吸收和荧光光谱、循环伏安法和飞秒瞬态吸收光谱进行表征。结果表明，BPP 和 BBPP 均从形式上暗的 S 1 电子态发出荧光，这是通过借用相邻的亮 S 2 态的 Herzberg-Teller 强度实现的。虽然 BPP 表现出相对较低的光致发光量子产率 (PLQY)，但由于借用了更大的 S 2 强度，BBPP 表现出显著增强的 PLQY。此外，在不同极性溶剂中进行的光谱研究表明 BBPP 中存在对称性破坏电荷转移。这表明通过适当的分子设计，此类 𝝅 延伸的联芳烃具有很高的单重态裂变潜力。
GESUS，一款用于教授和学习对称空间群的交互式计算机应用程序
摘要：本文介绍了一款专为学习空间对称群 (SGS) 而设计的数字应用程序。它教您如何识别对称元素执行的操作，包括点（或 2D）运算符（正确和不正确的旋转，包括镜像、反转和其他旋转版本）和空间（或 3D）运算符（螺旋轴和滑移平面），以及它们与晶格平移的组合。该软件应用 3D 空间视觉来识别与所提出的结构模型兼容的对称元素。使用国际公认的表示符号。解决与所提出的模型一致的晶体系统、类和空间群。在单斜系统中考虑了两种设置。该应用程序会自我评估和评估所获得的知识，允许重新完成每个练习，直到正确完成并遵循适当的建议。此应用程序是 SGS 学习的有用且易于使用的工具。它针对的是晶体学的初学者，具有关于对称元素、布拉维晶格、晶体类别和壁纸组的基本知识。
数字图像中的镜像对称检测 - SciTePress
对称性是解决数字图像和视频分析与识别各种问题的重要分类特征。镜像对称性可用于分割和分类对象。通过找到的对称轴，可以在图像上确定对称对象的方向。例如，可以在通过分割远程图像中的图像获得的众多对象中确定飞机的对称轮廓及其方向（图 1）。确定图像中对称对象的方法可以在各种设置中解决问题，例如，它们寻找具有轴向或中心、全局或局部对称性的对象（Liu 等人，2010 年）、（Lee 和 Liu，2012 年）、（Widynski 等人，2014 年）。该方法的另一个重要方面是使用图像中对象的初步分割或直接处理图像而无需初步处理。我们考虑确定分割图像的全局轴对称性的问题。假设对物体进行了分割，但这种分割的质量不是很高。图 1 显示了一个例子。在分析通过地球遥感获得的图像时会出现这样的问题。图像尺寸非常大，在没有初步分割的情况下寻找对称物体需要大量的计算时间。根据阈值或使用训练有素的神经网络对源图像进行分割。结果是二进制图像，其中
利用反射配准技术在脑病变分割中发挥双侧对称性
摘要：脑病变（包括中风病变和肿瘤）在位置、大小、强度和形式方面具有高度可变性，这使得自动分割变得困难。我们建议通过利用健康大脑的双侧准对称性来改进现有的分割方法，当存在病变时，这种对称性就会消失。具体而言，我们使用神经图像与其反射版本的非线性配准（“反射配准”）来确定每个体素在另一半球的同源（对应）体素。同源体素周围的斑块作为一组新特征添加到分割算法中。为了评估这种方法，我们实现了两种不同的基于 CNN 的多模态 MRI 中风病变分割算法，然后使用上面描述的反射配准方法通过添加额外的对称特征来增强它们。对于每种架构，我们在 2015 年缺血性中风病变分割挑战赛 (ISLES) 的 SISS 训练数据集上比较了有对称性增强和没有对称性增强的性能。使用线性反射配准可以提高基线的性能，但非线性反射配准可以带来更好的结果：一种架构的 Dice 系数比基线提高了 13 个百分点，另一种架构的 Dice 系数提高了 9 个百分点。我们认为在现有分割算法中添加对称特征具有广泛的适用性，特别是使用所提出的非线性、无模板方法。
物质量子相中的对称保护符号问题和魔法
我们引入对称保护符号问题和对称保护魔法的概念来研究物质对称保护拓扑 (SPT) 相的复杂性。具体而言，如果由对称门组成的有限深度量子电路无法将状态转换为非负实波函数或稳定器状态，我们称该状态具有对称保护符号问题或对称保护魔法。我们证明属于某些 SPT 相的状态具有这些性质，这是它们在边界处的异常对称作用的结果。例如，我们发现一维 Z 2 × Z 2 SPT 态（例如团簇态）具有对称保护符号问题，二维 Z 2 SPT 态（例如 Levin-Gu 态）具有对称保护魔法。此外，我们评论了对称保护符号问题与一维 SPT 态的计算线性质之间的关系。在附录中，我们还介绍了 SPT 相的明确装饰畴壁模型，这可能具有独立的兴趣。
对称能量和
对称能量及其密度依赖性是许多核物理和天体物理学应用的关键输入，因为它们确定了从核的中子皮肤厚度到外壳厚度到中子星的半径。最近，Prex-II报告的值为0。283±0。071 FM的中子皮肤厚度为208 pb，这意味着斜率参数106±37 MEV，比从显微镜计算和其他核实验获得的大多数范围大。我们使用基于高斯过程的状态表示的非参数方程来限制对称能量S 0，L和R 208 Pb皮肤直接从具有最小建模假设的中子星的观察结果中观察到。产生的天体物理约束来自重脉冲质量，Ligo/处女座，而较好的人显然偏爱中子皮肤和L的较小值，以及负对称性不压缩性。将天体物理数据与prex-II和手性效能的结构理论约束结合得出S 0 = 33。0 +2。0-1。8 MeV，L = 53 +14-15 MeV，R 208 Pb Skin = 0。17 +0。04-0。04 FM。
对称保护的量子计算
我们考虑一种使用量子比特的量子计算模型，其中可以测量给定的一对量子态是处于单重态（总自旋为 0）还是三重态（总自旋为 1）。其物理动机是，只要哈密顿量中的所有项都是 SU (2) 不变的，我们就可以以一种不会泄露其他信息的方式进行这些测量。我们推测这个模型等价于 BQP。为了实现这一目标，我们证明了：（1）如果补充单量子比特 X 和 Z 门，该模型能够以多对数开销进行通用量子计算。（2）在没有任何额外门的情况下，它至少与 Jordan 的弱“置换量子计算”模型一样强大 [ 14 , 18 ]。（3）通过后选择，该模型等价于 PostBQP。不完美的物理门是构建可扩展量子计算机的主要挑战。克服这一挑战的一种可能方法是使用纠错码从低保真度物理门构建高保真度逻辑门 [10]。另一种方法是使用拓扑有序状态来存储和操纵量子信息，直接获得良好的逻辑门 [17]。在这里，我们提出了第三种方法，通过物理哈密顿量的对称性保护操作。特别地，我们考虑在量子自旋中编码的量子位，并且我们假设哈密顿量和任何噪声项都遵循同时作用于所有量子位的 SU (2) 对称性。我们需要快速介绍一下 SU (2) 的表示理论。SU (2) 的不可约表示由一个量 S ∈{0, 1 / 2, 1, 3 / 2, ... } 来索引，称为自旋。自旋 S 的表示维数为 2 S + 1 。自旋 1 / 2 的表示维数为
基于2 ...
摘要 - 对称检测是一种从脑磁共振（MR）图像中提取理想的中型平面（MSP）的方法，可以显着提高脑部疾病的诊断准确性。在本文中，我们提出了一种基于2通道卷积神经网络（CNN）的2D切片中脑MR图像的自动符号检测方法。不同于主要依赖本地图像特征（渐变，边缘等）的现有检测方法为了确定MSP，我们使用基于CNN的模型来实现大脑对称性检测，该检测不需要任何局部特征检测和功能匹配。通过训练以学习大脑图像中的各种基准测试，我们可以进一步使用2通道CNN来评估脑斑块对之间的相似性，这些相似性是根据泊松采样从整个大脑切片中随机提取的。最后，使用评分和排名方案来识别每个输入脑MR SLICE的最佳对称轴。在2166个人工合成脑图像和3064中收集的体内MR图像中评估了我们的方法，其中包括健康和病理病例。实验结果表明，我们的方法在对称性检测中实现了出色的性能。与最先进方法的比较还证明了与以前的竞争对手相比，我们在获得更高准确性方面的有效性和优势。
利用光谱π介子比探测对称能量
1 密歇根州立大学国家超导回旋加速器实验室，美国密歇根州东兰辛 48824 2 密歇根州立大学物理系，美国密歇根州东兰辛 48824 3 日本理化学研究所仁科中心，广泽 2-1，埼玉县和光市 351-0198 4 京都大学物理系，京都北白川市 606-8502，日本5 高丽大学物理系，首尔 02841，大韩民国 6 达姆施塔特工业大学核物理学研究所，D-64289 达姆施塔特，德国 7 GSI Helmholtzzentrum für Schwerionenforschung, Planckstrasse 1, 64291 达姆施塔特，德国 8 物理、天文学和应用计算机科学学院，雅盖隆大学,波兰克拉科夫 9 克罗地亚萨格勒布 Rudjer Boskovic 研究所实验物理部 10 日本东京西池袋 3-34-1 立教大学物理系 171-8501 11 韩国大田 34047 基础科学研究所稀有同位素科学项目 12 日本仙台 980-8578 东北大学物理系 13 日本东京工业大学物理系 152-8551 14 日本核物理研究所 PAN，ul。 Radzikowskiego 152, 31-342 克拉科夫，波兰 15 德克萨斯 A&M 大学回旋加速器研究所，德克萨斯州学院站 77843，美国 16 尼凯夫国家亚原子物理研究所，阿姆斯特丹，荷兰 17 清华大学物理系，北京 100084，中国 18 德克萨斯 A&M 大学化学系，德克萨斯州学院站 77843，美国 19 IFIN-HH，Reactorului 30，077125 Mˇagurele-Bucharest，罗马尼亚（日期：2021 年 3 月 17 日）
对称性与人工智能相遇 摘要 目录 1 简介
电磁学的麦克斯韦方程、爱因斯坦的狭义和广义相对论以及粒子物理学中基本力的规范理论。从更务实的角度来看，对称性有很多应用，例如晶体学中的应用或它们为问题研究带来的简化：对称性是手头信息背后的组织结构。因此，发现这种模式可以加深理解，就像罗夏赫测试的简单情况一样：注意到墨迹的反射对称性可以帮助孩子猜测这些图画是如何制作的，即通过将吸墨纸折叠起来。这种理解使我们能够简化处理数据的方式，并且在更深层次上可以表明存在更高层次的原理。对称性与简单性甚至优雅之间的这种联系在理论物理学中经常出现。在艺术中，对称性也经常与优雅的概念联系在一起。这并不是说对称的艺术品更美丽，因为众所周知，大多数人更喜欢对称性不是完全对称，而是略有不完美或破碎的面孔、乐曲、绘画和照片 [ 1 , 2 ] 。在物理学中，对称情况的偏差通常被认为是一种有用的近似技术，因为在自然界中很少发现完美的对称性。发现对称性的一个物理学例子是火星的运动。天文学家第谷·布拉赫在 1601 年去世前，收集了它在夜空中位置的最精确记录。这些数据中有一个底层结构，约翰尼斯·开普勒花了很多年才将其梳理成椭圆形 1 。从这种更简单的数据表示中，艾萨克·牛顿能够推导出引力定律，该定律表现出中心对称性，毫无疑问，与最初的观测集合相比，它更简单、更深入、更普遍地描述了天体的运动。快进许多年，我们现在明白，牛顿定律可以通过将对称性强加于一个称为作用的抽象对象上来获得。我们在本文中的想法是为布拉赫和牛顿之间的开普勒中间步骤的自动化或人工智能 (AI) 版本奠定基础。面向任务的功能性 AI 一般概念实现称为机器学习 (ML)。它涉及为计算机提供一般处方的算法，以便逐步逼近（或学习）适当的规则来重现特定的观察结果。这与传统程序形成了鲜明对比，传统程序缺乏这里所需的表达能力。目前，科学，尤其是物理学，正在经历一场革命 [ 3 ] ，因为在具有大数据集的实验领域中采用的 ML 方法被应用于更正式的领域，甚至用于符号数学 [ 4 ] 。ML 确实特别擅长模式识别，因此我们提出一个问题：当这些方法用于从数据中提取信息时，它们是否也能检测到它们所接触的数据中对称性的存在？如果可以，它们会自动这样做吗？它们是否自然地根据对称模式组织信息？在本文中，我们迈出了回答上述问题的第一步。除了好奇心和想要了解自然法则和机器学习的发展方式的愿望之外，我们还运用我们的方法来研究物理和艺术之间的深层联系。在第 2 节中基于物理的设置上训练算法之后，我们在第 3 节中将它们应用于艺术品并评估它们的对称性。这项工作可以进行许多扩展和应用，在第 4 节中我们将讨论这个方向的一些想法。