XiaoMi-AI文件搜索系统
World File Search SystemTeraction
![arxiv：2501.19245v2 [cs.ai] 2025年2月3日](/simg/7\711899e037503ed2de58fab9945933deb363a3a8.webp)
arxiv：2501.19245v2 [cs.ai] 2025年2月3日
强化学习（RL）提供了一种通用方法，用于建模和培训AI代理，包括人类互动方案。在本文中，我们提出了Sharpie（hared Human-a i r einformention学习p latform for Iteractive e xperiments），以满足对一般框架的需求，以支持RL代理和人类的实验。它的模型设计由用于RL环境和算法库的多功能包装器组成，这是一个面向参与者的Web Interface，Lotogging Utilities，在流行云和参与者招聘平台上的部署。它使研究人员能够研究与人与RL药物之间的反应有关的各种研究问题，包括与交互式奖励规范和学习的研究，从人类的反馈，行动授权，偏好，用户模型，用户模型和人类团队中学习。该平台基于人类RL相互作用的通用界面，旨在标准化人类文本中RL的研究领域。
绝对间接触摸交互：触觉标记和动画视觉反馈对可用性和用户体验的影响
摘要。本文的目的是研究用户无法直接交互的触摸式用户界面控制的可用性和用户体验 (UX)。例如，用户通过遥控器上的触摸交互控制电视屏幕，或者汽车驾驶员使用触摸来控制方向盘上的中控台屏幕输入。基于一项研究有触觉标记和无触觉标记的触摸式交互的受试对象内控制实验，我们重复了可用性研究结果，即在触摸区域有触觉标记的情况下完成任务的速度明显快于没有触觉标记的情况。对于用户体验，带有触觉标记的触摸输入在实用质量和吸引力方面的评分更高。用于目标选择的用户界面动画的变化对用户体验没有显著影响，表明触觉反馈是决定用户体验的最重要因素。本文最后讨论了研究的重复如何成为以用户为中心的设计和开发过程的一部分，以应对由于技术变化而导致的研究过时的威胁。
一个光子同时激发超强耦合光物质系统中的两个原子
这些系统利用一维谐振腔中的高电磁场和人造原子的巨大偶极矩，实现了比裸原子或谐振腔频率更大的光物质相互作用[7–11]。这种超强（深强）相互作用可能带来许多有前景的应用，如高速、高效的量子信息处理设备[12–15]，以及观测独特的物理现象，如量子真空辐射和基态纠缠[16，17]。超强耦合机制中最有趣的理论预测之一是，当系统的宇称对称性破缺时，一个光子可以同时激发两个原子[18]。与拉比振荡类似，这个由虚激发介导的过程是一个相干、幺正过程，原子可以联合发射一个光子。目前，特定的光谱仪采用的是原子或分子的双光子激发这一逆现象 [ 19 , 20 ]。同样，我们相信双原子激发过程可以打开新的应用大门。
对治疗和预防的影响
摘要：DNA碱基三重态的短距离电荷转移在生物电子设备中具有广泛的应用前景，用于识别DNA碱基和临床诊断，其开发的关键是了解短距离电子动力学的机制。然而，追踪在DNA碱基三胞胎的短距离电荷传输中如何传递电子仍然是一个巨大的挑战。在此，通过从头算分子动力学和eHrenfest动力学，胸腺氨酸 - 腺苷 - 胸腺氨酸（TAT）电荷转移过程的核电子介入成功地成功模拟了。结果表明，TAT的电子转移具有10 fs的振荡现象。电荷密度差证明，在50 fs时，电荷转移比例高达59.817％。氢键的峰位置定期在-0.040和-0.056之间闪烁。时间依赖性的Marcus – Levich-Jortner理论证明，核与电子之间的振动耦合会在TAT中诱导相干电子转移。这项工作提供了DNA碱基三重态的短距离相干电子转移的实时证明，并为新型生物学探针分子的设计和开发建立了理论基础。
STAG1 的脆弱性使 STAG2 缺乏的癌症中黏连蛋白的合成致死率上升
黏连蛋白亚基 STAG2 已成为人类癌症中反复失活的肿瘤抑制因子。最近的研究使用候选方法揭示了 STAG2 与其同源物 STAG1 之间的合成致死相互作用。为了系统地探究 STAG2 缺失下的遗传脆弱性，我们在同源细胞系中进行了全基因组 CRISPR 筛选，并确定 STAG1 是 STAG2 缺陷细胞中最突出和最具选择性的依赖性。使用可诱导的降解系统，我们表明 STAG1 蛋白的化学遗传降解会导致 STAG2 缺陷细胞中姐妹染色单体黏连性丧失和细胞快速死亡，而 STAG2 野生型细胞则不会受到影响。生化分析和 X 射线晶体学确定了与黏连蛋白复合物的 RAD21 亚基相互作用的 STAG1 区域。消除这种相互作用的 STAG1 突变会选择性地损害 STAG2 缺陷细胞的生存能力。我们的工作强调了 STAG1 的降解和抑制其与 RAD21 的相互作用是一种有前途的治疗策略。这些发现为开发 STAG1 导向的小分子以利用 STAG2 突变肿瘤中的合成致死性奠定了基础。
补充材料
2π，其中k是x方向上的波形，n是频带索引。要考虑到自旋轨道的影响，我们将假设ψk，n和u k，n都是二维旋转器。我们将幅度E的电场施加到平行于边缘（即X方向）的方向上，即，汉密尔顿人受到潜在项EE ˆ X的扰动，其中 - e是电子电荷，而位置操作员ˆ x。对于具有锯齿形和胡须边缘（保留山谷数）的石墨烯纳米替宾，坐标（x，y）的作用由单位单元格L和组合索引（M，σ）播放，其中m = 1。。。n表示每个单位单元格中的两个原子水平行，其中σ原子（a或b）中的两个原子行（见图1（a），（c）在主文本中）。请注意，一排可能会错过任何一个sublattice的原子，如图1（c），在每个单元单元的第1行中错过了一个A原子。在显示纳米孔中的密度和电流的结果时，在Y轴上的位置只能解析到行数中。 因此，Y坐标将被离散索引所取代，该索引将采用整数值，以在一行中标记位置，并在行之间标记位置（中途）。在Y轴上的位置只能解析到行数中。因此，Y坐标将被离散索引所取代，该索引将采用整数值，以在一行中标记位置，并在行之间标记位置（中途）。
使用无向神经网络建模结构
神经网络是强大的函数估计器，这使其成为结构化数据建模的首选范例。然而，与其他强调问题模块性的结构化表示（例如因子图）不同，神经网络通常是从输入到输出的整体映射，具有固定的计算顺序。这一限制使它们无法捕捉不同方向的计算以及建模变量之间的交互。在本文中，我们结合因子图和神经网络的表示优势，提出了无向神经网络（UNN）：一个灵活的框架，用于指定可按任何顺序执行的计算。对于特定的选择，我们提出的模型包含并扩展了许多现有架构：前馈网络、循环网络、自注意网络、自动编码器和具有隐式层的网络。我们展示了无向神经架构（包括非结构化和结构化）在一系列任务上的有效性：树约束依赖性解析、卷积图像分类和注意序列完成。通过改变计算顺序，我们展示了如何将单个 UNN 用作分类器和原型生成器，以及如何填充输入序列的缺失部分，使其成为进一步研究的一个有前途的领域。
WP-08设计基于认知案例的家庭服务机器人的计划框架
摘要 - 预计家庭服务机器人将执行在家庭环境中通常遇到的广泛任务。对于自主操作，应能够计划其行为以提前执行这些任务，并且至少应该能够计划在操作过程中进行其他任务。是由于环境中的可变性和不确定性，最好将机器人赋予基于学习的任务计划能力，该功能取决于人类机器人的影响（HRI）。我们采用一种基于案例的推理（CBR）方法来进行家庭服务 - 机器人学习，并对认知HRI范式进行评估，其中包括四个Cog-Nitive模型（需求，任务，交互和用户模型），以适应给定情况。给出了用户的新命令，机器人从已经存在的任务中找到了最接近的任务案例，以从计划开始并修改它（即动作序列）根据认知模型适应给定情况。为了促进我们CBR方法中使用的任务案例的可重复性和灵活性，机器人任务说明语言（RTDL）旨在使用原子行动分类法表示任务[1]。所提出的方法应用于“带我的可乐”场景，并在我们的机器人系统IDRO中实现。
干燥综合征的发病机制：2024 年年度回顾
摘要 干燥综合征 (SjD) 的发病机制仍不清楚；然而，人们普遍认为这种疾病是一种由环境、激素和遗传因素相互作用而引发的多步骤疾病。先天免疫系统在炎症过程的启动中起着至关重要的作用，但自身免疫过程的扩增和延续需要先天免疫系统和适应性免疫系统之间的持续相互作用。由于新兴技术的出现，最近发表了几篇阐明 SjD 发病机制的重要论文。本综述概述了最近的文献，第一部分重点关注遗传和表观遗传学研究的新见解。在第二部分，我们将讨论与唾液上皮腺细胞及其与其他免疫细胞、I 型干扰素特征和先天免疫的相互作用相关的新发现。最后，由于 SjD 患者唾液腺中的异位生发中心（类似结构）与自身反应性 B 细胞激活密切相关，并且与 B 细胞淋巴瘤的进展有关，我们将重点关注其在 SjD 中的调节作用的新见解以及向淋巴瘤转变的新见解。希望对 SjD 复杂性的更好理解将为高度针对性的治疗策略铺平道路。
TIM：一种用于 Spiking Transformer 的高效时间交互模块
作为第三代神经网络，脉冲神经网络 (SNN) 因其生物学合理性和计算效率而备受关注，尤其是在处理各种数据集方面。受到神经网络架构进步的启发，注意力机制的整合导致了脉冲变压器 (Spiking Transformers) 的发展。这些在增强 SNN 能力方面显示出希望，特别是在静态和神经形态数据集领域。尽管取得了进展，但这些系统仍然存在明显的差距，特别是在脉冲自注意力 (SSA) 机制在利用 SNN 的时间处理潜力方面的有效性方面。为了解决这个问题，我们引入了时间交互模块 (TIM)，这是一种新颖的基于卷积的增强功能，旨在增强 SNN 架构中的时间数据处理能力。 TIM 与现有 SNN 框架的集成无缝且高效，只需要极少的附加参数，同时显著提升了其时间信息处理能力。通过严格的实验，TIM 证明了其在利用时间信息方面的有效性，从而在各种神经形态数据集中实现了最先进的性能。代码可在 https://github.com/BrainCog-X/Brain-Cog/tree/main/examples/TIM 上找到。