XiaoMi-AI文件搜索系统
World File Search SystemTransformer
AI在URI 2.0 突发学习音频谱图变压器 转移入学快速事实2025–2026
•科学发现：ASTS可用于分析和理解复杂的音频信号，从而在声学，神经科学和语言学等领域引起新的科学发现。•医疗应用：AST可以应用于医学研究，例如根据心脏，肺部或其他器官的音频信号诊断疾病。•教育工具：ASTS可用于开发教育音乐理论，语音疗法和其他与音频相关的学科的教育工具。总而言之，迅速训练的音频谱图变压器系统的开发有可能彻底改变音频处理和分析领域，并在各个行业和研究领域之间产生深远的影响
AtomGPT：用于...的原子生成预训练转换器
图 1：AtomGPT 工作流程的示意图。AtomGPT 既可用于正向模型（原子结构到属性）预测，也可用于使用 LLM 的逆向设计（属性到原子结构生成）。a) 集成文本到材料属性预测、文本输入到原子结构生成、预筛选、统一机器学习力场 (MLFF) 优化和基于密度泛函理论 (DFT) 计算/实验 (Exp) 的验证过程 b) BCS 超导体 MgB 2 (JVASP-1151) 的示例晶体结构，c) 使用 ChemNLP 对 MgB 2 原子结构进行文本描述，包括明确的原子结构以及化学信息，d) 使用 Alpaca 格式的文本提示到明确的原子结构生成示例。
油冷变压器整流器 - Hockway
我们的油冷变压器整流器系列专门用于码头、管道和油库等钢结构的阴极保护。它们的设计符合最严格的行业规范，可在恶劣的环境条件下运行，在这些条件下，操作员的持续安全性和可靠性至关重要。
用于多模态学习的多路多模态 Transformer
多模态学习研究的核心在于有效利用多模态之间的融合表示。然而，现有的双向跨模态单向注意力只能利用从一个源到一个目标模态的模态间相互作用。在模态数量有限且交互方向固定的情况下，这确实无法释放多模态融合的全部表达能力。在本文中，提出了多路多模态变换器（MMT），通过单个块而不是多个堆叠的跨模态块同时探索每个模态的多路多模态互相关。MMT 的核心思想是多路多模态注意力，其中利用多种模态来计算多路注意张量。这自然有利于我们开发全面的多对多多模态交互路径。具体而言，多路张量由多个相互连接的模态感知核心张量组成，这些核心张量由模态内交互组成。此外，张量收缩操作用于研究不同核心张量之间的模态间依赖关系。本质上，我们基于张量的多路结构允许将 MMT 轻松扩展到与任意数量的模态相关的情况。以 MMT 为基础，进一步建立分层网络，以递归方式将低级多路多模态交互传输到高级交互。实验表明，MMT 可以实现最先进或相当的性能。
将图像压缩到视觉变压器的补丁
Vision Transformer（VIT）在计算机视觉领域取得了重大步骤。然而，随着模型的深度和输入图像的重新分配增加，与培训和运行的VIT模型相关的计算成本急剧上升。本文提出了一个基于CNN和Vision Trans-trans-trans的混合模型，称为CI2P-VIT。该模型包含一个称为CI2P的模块，该模块利用Compressai编码来压缩图像，然后通过一系列连接生成一系列贴片。CI2P可以替换VIT模型中的贴片嵌入组件，从而无缝集成到现有的VIT模型中。与VIT-B/16相比，CI2P-VIT具有减少到原始四分之一的自我发项层的斑块输入数量。此设计不仅显着降低了VIT模型的计算成本，而且还通过引入CNN的电感偏置特性有效地提高了模型的准确性。VIT模型的精度显着提高。在Animal-10数据集的地面上接受训练时，CI2P-VIT的准确率为92.37％，比VIT-B/16基线提高了3.3％。此外，该模型的计算操作以每秒浮点操作（FLOPS）测量，减少了63.35％，并且在相同的硬件配置上的训练速度增加了2倍。
与CHAT生成预训练的变压器
聊天生成的预训练的变压器（CHATGPT）是一种人工智能技术，它与人类进行对话，能够以微叙事的形式生成配方，这些形式可以在虚拟空间中成为一种学习工具。这项研究旨在了解如何将ChatGpt用于教师培训中，以作为教师培训，以通过微叙事来促进虚拟空间中的学习。，我们使用动作研究方法对巴西州立大学的研究生课程的巴西学生进行了定性研究。该研究由五个阶段组成：诊断，其中涉及一份混合问卷，以评估有关使用Chatgpt生成微叙事的先验知识；行动计划，涉及制定培训计划；该动作的实施，其中包括练习使用Chatgpt来生成微叙事并在虚拟空间中的教学角度与它们合作；评估，其中涉及共享微叙事并就它们进行循环讨论；和学习，其中涉及记录微叙事的教育可能性和局限性。使用Iramuteq处理的结果表明，有关Chatgpt的先验知识有限，微型叙事对于教育工作的重要性以及通过有意识利用来在虚拟空间中学习的富有成果的教学用途。
Brainnpt：用于大脑的预训练变压器网络...
深度学习方法在过去几年中在大脑成像分析中迅速发展，但通常会受到有限的标记数据的限制。未标记数据的预训练模型在许多领域（包括自然语言处理和计算机视觉）的特征学习方面提高了有希望的改进。但是，该技术在大脑网络分析中尚未探索。在本文中，我们专注于具有变压器网络的预训练方法，以利用现有的未标记数据进行大脑功能网络分类。首先，我们提出了一个基于变压器的神经网络，称为Brainnpt，用于大脑功能网络分类。提出的方法利用令牌作为变压器模型的分类嵌入向量，以有效捕获大脑网络的表示。第二，我们为Brainnpt模型提出了一个预训练框架，以利用未标记的大脑网络数据来了解大脑网络的结构信息。分类实验的结果证明了Brainnpt模型而没有预训练，从而通过最新模型实现了最佳性能，并且具有预训练的Brainnpt模型强烈胜过最先进的模型。与模型相比，预训练的Brainnpt模型提高了精度的8.75％，而没有预训练。我们进一步比较了训练策略，分析了模型参数的影响，并解释了训练有素的模型。
经济型 LED 变压器 60W 24VDC
本文提供的信息如有变更，恕不另行通知。Signify 不对本文所含信息的准确性或完整性做出任何陈述或保证，并且不对任何依赖此信息而采取的行动承担任何责任。除非 Signify 另有约定，否则本文档中提供的信息不构成任何商业要约，也不构成任何报价或合同的一部分。
使用...实现变压器的自动负载分配
该项目的目的是在过载情况下自动分配变压器的负载，保护变压器免受损坏并提供不间断电源。由于过载，电流过大，绕组过热，可能烧毁，因此效率会下降。因此，通过微控制器并联另一个相同额定值的变压器，通过分配负载来保护变压器。微控制器将第一个变压器上的负载与参考值进行比较。当负载超过参考值时，第二个变压器将共享额外的负载。因此，两个变压器高效工作并防止损坏。在这个项目中，三个模块用于控制负载电流。第一个模块是传感单元，用于感测负载电流，第二个模块是控制单元。最后一个模块是微控制器单元，它将读取来自传感器模块的模拟信号并执行一些计算，最后向继电器发出控制信号。该项目的优点是保护变压器、不间断电源、短路保护和维护目的。
变压器心脏病预测的优化
针对最新的粒子群优化算法，本文提出了一种改进的跨前模型，以提高心脏病预测的准确性，并基于粒子群优化（PSO）提供了一种新的算法想法。我们首先使用三个主流机器学习分类算法 - 决策树，随机森林和XGBoost，然后输出这三个模型的混淆矩阵。结果表明，随机森林模型在预测心脏病的分类方面具有最佳性能，精度为92.2％。然后，我们将基于PSO算法的变压器模型应用于分类实验的同一数据集。结果表明，该模型的分类精度高达96.5％，比随机森林高4.3％，这验证了PSO在优化变压器模型中的有效性。上述研究表明，PSO在心脏病预测中显着改善了变压器的性能。提高预测心脏病的能力是全球优先事项，对所有人类的益处。准确的预测可以增强公共卫生，优化医疗资源并降低医疗保健成本，从而导致更健康的社会。这一进步为更有效的健康管理铺平了道路，并为更健康，更具韧性的全球社区的基础提供了帮助。