XiaoMi-AI文件搜索系统
World File Search SystemTransformer
Bourns释放新的增强门驱动器变压器
具有N加固的绝缘材料，可用于高可靠性和紧凑尺寸n，用于与Allegro Micro Model AHV85000＆AHV85040 GAN FET隔离的栅极驱动器芯片组N完全自动化的过度销售工艺N完全自动化的钢筋绝缘材料：高达1000 V和10 mm mm min。蠕变和间隙n崩溃测试电压> 5.7 kVDC，60 s和8.0 kV振兴脉冲脉冲免疫n 1.5 pf最大互动电容和1.5 µH的最大泄漏电感n ferrite n ferrite n ferrite n pwm信号传递以及提供的闸门驱动器偏见偏见和符合偏差*
使用视觉和语言变压器模型的视频摘要
工具。最初，通过使用OpenCV从监视视频中提取帧进行数据预处理。动态调整框架提取的间隔，以平衡细节水平与处理时间。然后使用Davit Vision Transformer处理每个提取的框架，以生成有意义的文本注释，描述素材的关键元素。使用BART模型将注释进一步凝结成简洁而相干的叙述摘要。整个管道都集成到基于交互式的级应用程序中，使用户可以上传视频，查看注释并查看摘要。通过测量注释准确性，摘要连贯性和用户满意度来评估系统的表现。
用于解码人脑EEG信号的门控变压器
摘要 - 在这项工作中，我们建议使用一个深入的学习框架来解码人脑活动的脑电图（EEG）信号。更具体地，我们学习了一个端到端模型，该模型通过从人类神经活动中收集的脑电图数据识别自然图像或运动图像。为了捕获长脑电图序列中编码的时间信息，我们首先在脑电图信号上采用增强版本的变压器，即门控变压器，以学习沿一系列嵌入式的特征代表。然后，使用完全连接的软磁层来预测解码表示的分类结果。为了证明封闭式变压器方法的有效性，我们针对人脑视觉数据集的图像分类任务进行了实验，以及针对运动图像数据集的分类任务。实验结果表明，与广泛用于脑电图分类的多种现有方法相比，我们的方法实现了新的状态性能。
蛋白质特异性de的变压器神经网络...
蛋白质靶标的药物发现是一个非常费力，漫长且昂贵的过程。机器学习方法，尤其是深层生成网络可以大大减少开发时间和成本。然而，大多数方法意味着蛋白质粘合剂的先验知识，其物理化学特征或蛋白质的三维结构。这项工作中提出的方法生成具有预测能力结合靶蛋白的新分子，仅依靠其氨基酸序列。，我们将靶标特异性药物设计视为氨基酸“语言”和简化分子输入线进入系统表示分子的转化问题。为了解决这个问题，我们应用了变压器神经网络体系结构，这是一种序列转导任务的最新方法。变压器基于一种自我发项技术，该技术允许按顺序捕获项目之间的远程依赖性。该模型具有结构性新颖性的逼真的多样化化合物。药物发现中使用的计算出的物理化学特性和常见的指标属于合理的药物相似的值范围。
SM43001EL 10 GBE芯片LAN变压器模块
其数据表中列出的Bourns®产品的特征和参数是基于实验室条件，并且有关产品适用于某些类型应用程序的陈述是基于Bourns对通用应用中典型要求的了解。用户应用程序中Bourns®产品的特性和参数可能因（i）Bourns®产品与用户应用程序中其他组件的组合而变化，或者（II）用户应用程序本身的环境。Bourns®产品的特性和参数在不同的应用中也可以并且确实有所不同，并且实际性能可能会随着时间而变化。用户应始终在其特定设备和应用程序中验证Bourns®产品的实际性能，并就其在其设备或应用中设计的额外测试保证金的数量做出独立的判断，以补偿实验室和现实世界中的差异。
通过控制大功率转换器的运行模式来控制变压器过载
摘要 —。随着可再生能源和能源存储的日益普及，包括电压源转换器 (VSC) 和直流/直流转换器在内的高功率转换器在电网中占有相当大的份额。这些高功率转换器可用于通过控制其运行模式来控制变压器的过载。对于 VSC，运行模式包括整流和逆变操作，对于直流/直流转换器，运行模式包括降压和升压操作。这些操作模式由提出的算法管理，该算法感应配电变压器处理的功率并将其保持在指定的阈值内。该算法通过控制从电网到电池存储的功率流来实现所有这些。所有功率转换器都在闭环中运行，其中使用 PI 控制跟踪参考。在本文中，作者通过引入模糊控制提高了功率转换器的性能。在 MATLAB/Simulink 环境中开发了一个包括电网、变压器、交流母线、动态负载、VSC、直流/直流转换器和电池存储的仿真模型。模拟变压器过载测试案例，评估功率变换器PI控制和模糊控制的性能。结果表明，模糊控制的性能优于PI控制。
基于量子退火的 Transformer 微调实例选择方法
摘要 目前，深度学习（DL）被广泛用于解决非常复杂的任务。然而，DL模型的训练需要庞大的数据集和漫长的训练时间。我们引入了一种新颖的量子实例选择（IS）方法，该方法将训练数据集的大小减少了多达 28%，同时保持了有效性，提高了训练效率和可扩展性。我们的方法利用量子退火（QA），一种特定的量子计算范式，可以解决优化问题。这是首次尝试使用 QA 解决 IS 问题，我们为其提出了一种新的二次无约束二元优化（QUBO）公式。对多个自动文本分类（ATC）数据集进行的大量实验表明，我们的解决方案是可行的，并且与当前最先进的 IS 解决方案具有竞争力。
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。
视觉变压器的解释性和透明度...
问题尽管可以通过计算机视觉区域的视觉变压器取得进展，但这些模型存在决定性的问题：它们缺乏透明度。这导致原因，尤其是在模型出乎意料的情况下找到原因。，并开发了消融研究的方法来解决它们。
