XiaoMi-AI文件搜索系统
World File Search SystemTrivial
![arXiv:2005.13635v1 [cs.AI] 2020 年 5 月 27 日](/simg/9\9e84e1eeb3e21de3231d6303124bae5b0c6d7257.png)
arXiv:2005.13635v1 [cs.AI] 2020 年 5 月 27 日
摘要。人工智能系统以越来越自主的方式做出影响我们日常生活的决策。他们的行为可能会导致事故、伤害，或者更普遍地说，违反法规——无论是有意还是无意。因此，人工智能系统可能被视为各种事件的嫌疑人。因此，将特定事件与人工智能、其所有者和其创造者联系起来至关重要。鉴于来自多个制造商的大量人工智能系统可能被其所有者更改或通过自学而改变，这似乎并不是一件容易的事。本文讨论了如何识别对事件负责的人工智能系统以及它们可能“设计恶意”的动机。除了概念化之外，我们还进行了两个基于强化学习和卷积神经网络的案例研究，以说明我们提出的方法和挑战。我们的案例表明，“捕捉人工智能系统”似乎往往并非易事，需要丰富的机器学习专业知识。强制在人工智能系统运行期间收集强制性信息的立法措施以及唯一识别系统的方法可能会缓解这一问题。
所有关于界面的信息：在高质量H-BN单层二酰亚胺界面处的残留污染物是否会导致电荷捕获？
为了表征有机sem iConductor中的内在电荷传输过程，必须最小化外部效应（例如接触电阻，非理想的污染物和外部污染物）的外在效应的影响。[1–3]半导体介电界面对于电荷传输至关重要，因为陷阱和表面粗糙可以阻止有效的电荷转移。[4,5]虽然表面粗糙度易于表征，例如，使用原子力显微镜（AFM）及其来源很容易识别，但[6]对于电活动陷阱而言，这是高度无琐的。此类陷阱通常与有机场效应晶体管（OFET）中使用的介电的影响有关，因为介电常数和其他内在特性会影响电荷转运。[4,5,7-10]为了减少半导体 - 二元界面处的捕获（例如，水和其他固有或外在陷阱），典型的是，表面是由于使用自组装单层（SAMS）而被钝化的。[11]最近还用本质上惰性的六角硼（H-BN）用作介电，其目标是实现无陷阱界面。[12–14]
利用生理数据检测强直信息处理活动
通过可穿戴传感器捕捉的生理信号来表征信息处理活动 (IPA)，例如阅读、聆听、说话和写作，可以拓宽对人们如何产生和消费信息的理解。然而，传感器对外部条件高度敏感，而这些条件并不容易控制——即使在实验室用户研究中也是如此。我们进行了一项初步研究 (𝑁 = 7)，以评估使用多个传感器的四种 IPA（阅读、聆听、说话和写作）中生理信号的稳健性和灵敏度。收集的信号包括皮电活动、血容量脉搏、凝视和头部运动。我们观察到参与者之间的一致趋势，以及四种 IPA 之间具有统计学上显着差异的十个特征。我们的结果为用户遇到 IPA 时生理反应的差异提供了初步的定量证据，揭示了根据 IPA 分别检查信号的必要性。本研究的下一步将进入特定的环境，即信息检索，并且 IPA 被视为与搜索系统的交互方式，例如通过说话或打字提交搜索查询。
基于深度强化学习的空间非合作物体主动跟踪
摘要——空间非合作物体的主动视觉跟踪对于未来智能航天器实现空间碎片清除、小行星探索、自主交会对接具有重要意义。然而，现有的工作通常将此任务视为不同的子问题（例如图像预处理、特征提取和匹配、位置和姿态估计、控制律设计）并单独优化每个模块，这些模块是琐碎且次优的。为此，我们提出了一种基于 DQN 算法的端到端主动视觉跟踪方法，称为 DRLAVT。它可以仅依靠彩色或 RGBD 图像来引导追逐航天器接近任意空间非合作目标，其性能明显优于采用最先进的 2D 单目跟踪器 SiamRPN 的基于位置的视觉伺服基线算法。使用不同的网络架构、不同的扰动和多个目标进行的大量实验证明了 DRLAVT 的先进性和鲁棒性。此外，我们进一步证明我们的方法确实通过数百次反复试验利用深度强化学习学习到了目标的运动模式。
使用深度突变扫描预测耐药性
1946 年，亚历山大·弗莱明 (Alexander Fleming) 指出：“在适当的情况下，细菌可能对任何化疗药物都能够产生反应，以某种方式获得‘坚韧’[耐药性]”[1]。如今，耐药性已被视为不可避免的问题，因为多重耐药性感染已成为一个严重问题，并可能标志着后抗生素时代的到来 [2,3]。这种不可避免的耐药性引发了一场军备竞赛，新一代药物不断被开发出来，但一旦目标系统产生耐药性，这些药物就会变得毫无用处。这一药物开发周期需要大量的时间和资金，因为必须从该领域自发出现的最初轶事事件中破译耐药机制（图 1）。在发现确切的耐药机制后，必须对原始药物的新化合物或分子衍生物进行针对野生型和耐药突变体的有效性测试。最后，选定的抑制剂必须接受监管审查，直到最终获得批准。随着简单的解决方案被用尽，每个后续周期都比前一个周期更难、更昂贵，需要新药对野生型和每种耐药形式都有效。
2001年年度报告 - 物理化学1
catanionic表面活性剂混合物。与充电表面活性剂（Catanionic混合物）的混合物具有新颖的溶液和界面特性。静电效应与表面活性剂分子几何形状之间的相互作用允许相位行为的多样性。已经探索了几种catanionic混合物的相行为和微观结构，包括十二烷基硫酸钠（SDS） - 二二烷基二甲基溴化铵（DDAB）；气溶胶OT-DDAB;胆汁盐dab;以及氯化二甲基铵的氯化二甲基铵，具有变化的链长的氢化和氟钠羧酸盐。在高水含量，稳定的囊泡，沉淀（catanionic固体）或两个共存液体的情况下，可能会根据系统而形成。在较高的表面活性剂浓度下，相位行为由几个新的液晶相的外观主导。混合系统的一个特征是，通过使用表面活性剂混合比和总浓度以及烷基链长度的对称性/不对称效应，跨越从胶束到囊泡再到液晶的一系列骨料结构是一个琐碎的问题。（A. Khan，E。Marques（Porto），H。Edlund（Sundsvall），C。LaMesa（罗马））。
机器学习和人工智能在采矿地质科学中的应用
简介 机器学习和深度学习在过去五年中越来越受关注（图 1），我们经常看到这些术语应用于矿产勘探、矿山开采和地球科学研究。此外，“人工智能”一词经常与机器学习和深度学习互换使用。这些新技术和方法由全球科技公司和国际研究团队开发，用于解决琐碎和复杂的问题，并且通常超越人类在特定任务上的表现。在采矿业，无论是新成立的初创公司还是成熟的采矿和服务公司都在其工作的各个方面实施机器学习。据预测，矿产勘探将通过这些算法对历史数据的新实施而发生革命性变化，并且未来矿山将使用自动驾驶卡车自动运行。这些实施有望带来令人印象深刻的价值收益，但对于不了解自动化基础技术的普通公众来说，如何实现这些收益尚不清楚。此外，这些技术在专业任务中超越人类表现的潜力引发了人们对失业和重组的担忧，促使一些人完全拒绝它们。
神经科学家使用小鼠大脑图谱进行高效分析和透明报告的指南
脑图谱在神经科学中被广泛用作开展实验研究以及整合、分析和报告动物模型数据的资源。有各种各样的脑图谱可供选择，找到适合特定目的的最佳脑图谱并进行有效的基于脑图谱的数据分析可能具有挑战性。比较使用不同脑图谱报告的结果也并非易事，并且是可重复科学的障碍。通过这篇观点文章，我们提供了如何使用小鼠和大鼠脑图谱来分析和报告数据，符合 FAIR 原则，该原则提倡数据可查找、可访问、可互操作和可重复使用。我们首先介绍如何解释脑图谱并将其用于导航到大脑位置，然后讨论如何将它们用于不同的分析目的，包括空间配准和数据可视化。我们提供了有关神经科学家如何比较映射到不同脑图谱的数据并确保透明地报告结果的指导。最后，我们总结了选择图集时需要考虑的关键因素，并对基于图集的工具和工作流程对于 FAIR 数据共享的相关性进行了展望。
在异质排队系统中用于路由工作的有效强化学习
我们考虑了有效探索作业的问题，该问题到达中央队列到异质服务器系统。与ho-mogeneous Systems（一种阈值策略）不同，当队列长度超过一定阈值时，它将作业路由到慢速服务器，这对于一对一的一对一s-Slow两个服务器系统是最佳的。但是，多服务器系统的最佳策略是未知的，并且不琐碎。在强化学习（RL）被认为在这种情况下具有学习政策的巨大潜力，但我们的问题具有指数较大的状态空间规模，使标准RL效率低下。在这项工作中，我们提出了ACHQ，这是一种有效的基于策略梯度的算法，具有低维软阈值策略参数，利用了基本的排队结构。我们为一般情况提供了固定点的保证，尽管较低的参数化证明ACHQ对两台服务器的特殊情况有收敛到近似值的全局最佳最佳。模拟证明了预期的响应时间比贪婪政策的预期响应时间最高约30％，该政策将路由到最快的服务器。
一个统一的布局模式分析框架，具有深度因果估计
摘要 - 特征大小的减小和制造过程的增长会导致制造半导体设备的更多故障。因此，识别失败的根本原因布局模式变得越来越多地提高产量。在本文中，提出了一个基于布局感知诊断的新型布局模式分析框架，以有效地确定根本原因。在框架的第一个阶段，使用对比度学习训练的编码网络用于提取布局片段的表示形式，这些片段不变到琐碎的变换，包括偏移，旋转，旋转和镜像，然后将其聚类以形成布局模式。在第二阶段，我们通过结构性因果模型对任何潜在的根本原因布局模式与系统缺陷之间的因果关系进行建模，然后将其用于估计候选候选候选缺陷模式的平均因果效应（ACE），以识别真正的根本原因。对实际工业案例的实验结果表明，我们的框架的表现要优于具有更高准确性的商业工具，并且平均速度约为8.4加速。