XiaoMi-AI文件搜索系统
World File Search Systemapproximation
具有电动动力学的锂离子电池模型预测控制的基于神经网络的近似
摘要 - 锂离子电池是复杂的系统，需要合适的管理策略才能正常工作，实现快速充电，减轻老化机制并确保安全。在不同的基于模型的充电策略中，使用预测控制已显示出令人鼓舞的结果，因为它可以处理受安全限制的非线性系统。然而，尽管文献中已经提出了许多实施，但很少关注其实际可行性，这受到在线所需的高计算成本的限制。在本文中，我们首次在电池字段中利用了通过使用深神经网络获得的预测控制的近似。提议的解决方案适用于实时电池充电，因为大多数计算负担都脱机解决。结果突出了提出的方法在近似标准模型预测控制解决方案中的有效性。
超越偶极子近似的量子控制领域：可控性、奇异控制和资源
我们通过在哈密顿量中加入极化项来研究超出偶极近似的封闭 n 级量子系统的控制景观。后者在控制场中是二次的。对奇异控制进行了理论分析，奇异控制是产生景观陷阱的候选对象。将考虑奇异控制存在的结果与偶极近似（即没有极化）中的结果进行了比较。在加入极化项后，对控制景观中陷阱的存在进行了数值分析，以产生超出偶极近似的幺正变换。通过创建许多随机哈密顿量（在单个控制场中包含线性和二次项），对这些控制景观进行了广泛的探索。发现的奇异控制都不是局部最优的。这一结果扩展了最近关于进行偶极近似的量子系统典型景观的大量研究。我们进一步研究了极化率的大小与优化产生的控制通量之间的关系。结果还表明，在原本不可控的偶极耦合系统中加入极化率项可以通过恢复可控性从相应的控制景观中移除陷阱。我们用数字方式评估了极化率项对特定三级 3 系统已知示例的影响，该系统的控制景观中有一个二阶陷阱。结果发现，极化率的增加会从景观中移除陷阱。讨论了这些模拟的一般实际控制含义。
通过ϵ -greedy探索了解强化学习中的深神经功能近似
本文提供了对强化学习（RL）深处神经功能近似（RL）的理论研究。此问题设置是由属于该制度的成功深Q-Networks（DQN）框架所激发的。在这项工作中，我们从函数类别和神经网络体系结构（例如宽度和深度）的角度从“线性”制度之外的角度提供了对理论理解深度RL的初步尝试。是具体的，我们专注于基于价值的算法，分别通过BESOV（和Barron）函数空间赋予的深（和两层）神经网络进行了to -greedy探索，旨在近似D -Dimensional特征空间中近似α -Smooth Q -unction。我们证明，随着t发作，缩放宽度m = e O（t d2α + d），而神经网络的深度l = o（log t）的深度RL足以在Besov空间中以sublinear遗憾地学习。此外，对于由Barron空间赋予的两层神经网络，缩放宽度ω（√
智能手机摆的定量分析超出线性近似：锁定实际作业
如今可以直接访问传感器数据的应用程序，用于用于高中和大学生的实践教学练习。振荡运动是物理学的基石，许多论文都发表了使用智能手机来访问古典实验1或提出创新的习惯实践。2,3个简单摆4-6或复合摆7的不同配置已被赋予。其他研究涉及水平振荡质量8,9以及可能的耦合系统。8,10的信息，但是可以使用其他传感器，例如磁场，12,13光强度9,14和旋转15。此外，某些应用程序允许进行合并的磁盘和加速度记录，从而进行了有趣的研究。15最后，还使用了其他开放平台，例如Arduino 7或视频录制16。最近出现在本期刊上的有关移动设备和物理教学传感器的详尽资源信函。17
FastField：用于有效近似深部脑刺激电场的开源工具箱
深部脑刺激 (DBS) 是一种通过电调节神经组织来缓解某些脑部疾病症状的外科疗法。预测电场和激活组织体积的计算模型是有效参数调整和网络分析的关键。目前，我们缺乏支持复杂电极几何形状和刺激设置的高效灵活软件实现。现有工具要么太慢（例如有限元法 - FEM），要么太简单，对基本用例的适用性有限。本文介绍了 FastField，一个用于 DBS 电场和 VTA 近似的高效开源工具箱。它根据叠加原理计算可扩展的电场近似，并根据脉冲宽度和轴突直径计算 VTA 激活模型。在基准测试和案例研究中，FastField 的求解时间约为 0.2 秒，比使用 FEM 快 ∼ 1000 倍。此外，它几乎与使用 FEM 一样准确：平均 Dice 重叠度为 92%，这大约是临床数据中发现的典型噪声水平。因此，FastField 有潜力促进有效的优化研究并支持临床应用。
标题：基于小波的变分近似功能磁共振成像中的脑活动联合检测-估计
自从首次报道人类的血氧水平依赖性 (BOLD) 效应 (Ogawa 等人，1990) 以来，功能性磁共振成像 (fMRI) 就成为一种强有力的工具，可以非侵入性地研究感觉运动或认知任务与间接反映诱发神经活动的血流动力学 BOLD 反应之间的关系。fMRI 使我们能够确定当人类受试者受到特定刺激时哪些皮质区域会引起激活。fMRI 的主要目标之一是通过探索接受相同实验范式的一组受试者 (通常约 15 个) 来显示共同认知功能的存在。组级分析很大程度上依赖于公平的受试者内统计分析。后者传统上是使用基于实验设计矩阵的一般线性模型 (GLM) 进行的，该矩阵指定了对每个刺激的预期 BOLD 响应。这种 GLM 还假定了所谓的血流动力学响应函数 (HRF) 的预设形式。然而，将后者函数固定为某种规范形状似乎过于严格且具有误导性。事实上，正如各种实验所证明的那样，HRF 可能因受试者而异，甚至可能因给定受试者大脑皮层区域而异。
通过二元碰撞近似代码评估 keV 离子的轨迹相关电子能量损失
高能离子的非弹性能量沉积是许多工业规模应用（如溅射和离子注入）的决定性量，但其由动态多粒子过程控制的底层物理通常仅被定性地理解。最近，对单晶靶材进行的透射实验（Phys. Rev. Lett. 124, 096601 和 Phys. Rev. A 102, 062803）揭示了沿不同轨迹的低能离子（比质子重）的非弹性能量损失的复杂能量缩放。我们使用类似蒙特卡洛的二元碰撞近似代码，并配备与撞击参数相关的非弹性能量损失模型，以评估这些情况下局部贡献对电子激发的作用。我们将计算出的轨迹的角强度分布与实验结果进行了比较，其中 50 keV 4 He 和 100 keV 29 Si 离子在飞行时间装置中传输通过单晶硅 (001) 箔（标称厚度分别为 200 和 50 nm）。在这些计算中，我们采用了不同的电子能量损失模型，即轻弹丸和重弹丸的局部和非局部形式。我们发现，无论晶体相对于入射光束的排列如何，绝大多数弹丸最终都会沿着它们的轨迹被引导。然而，只有当考虑局部电子能量损失时，模拟的二维图和能量分布才会与实验结果高度一致，其中引导会显著减少停止，特别是对于较重的弹丸。我们通过评估离子范围与随机表面层厚度的非线性和非单调缩放来证明这些影响与离子注入的相关性。
相对于连续尺度空间的近似属性，用于高斯导数算子的混合离散
本文基于与归一化采样的高斯核或综合高斯内核的卷积，对高斯衍生物的两种混合离散方法的性质进行了分析。研究这些离散方法的动机是，在相同规模水平上需要多个阶的多个空间衍生物时，与基于更直接的衍生近似值相比，它们基于基于更直接的衍生近似值而具有更高的效率相比，它们基于具有较高的衍生性速率，以示例性衍生性衍生性不能衍生性不能进行。我们根据定量绩效指标来表征这些混合离散方法的特性，同意它们所暗示的空间平滑量，以及它们从量表 - 流动特征探测器的相对一致性以及从自动量表选择中获得的量表的相对一致性，从尺度上的量表与尺度相关的量度相差很大，该尺度的范围与尺度的相差相差，该尺度的尺度是有效的。理论以及不同类型的离散方法之间。在设计和解释以非常精细的水平运行的规模空间算法的实验结果时，提出的结果旨在作为指导。
组装理论是基于LZ压缩的算法复杂性的近似值，无法解释选择或进化
1 Oxford Immune Algorithmics, Oxford University Innovation, Oxford, United Kingdom, 2 Center for Logic, Epistemology and the History of Science, University of Campinas (UNICAMP), Brazil, 3 DEXL, National Laboratory for Scientific Computing (LNCC), Brazil, 4 Department of Oncology-Pathology, Center for Molecular Medicine, Karolinska Institutet, Sweden, 5算法动力学实验室，分子医学中心，Karolinska Institutet，瑞典，6个生活系统实验室，阿卜杜拉国王科学技术大学，托瓦尔，沙特阿拉伯王国，艾伦·图灵研究所，英国图书馆，伦敦，英国，英国，国王，国王，国王国王，国王，国王，国王，英国国王，英国图书馆，英国国王8号。伦敦大学，英国
使用耦合张量多线性近似对大脑 3D 磁共振图像进行超分辨率重建
磁共振成像 (MRI) 是一种多功能医学成像方式，可在软组织之间提供出色的对比度。可以调整采集参数，以使这种对比度对各种组织特性敏感，例如质子密度以及纵向和横向弛豫时间（分别为 T 1 和 T 2 ）。MRI 采集包括使用各种电磁脉冲反复激发人体内质子，并从图像中获取少量傅里叶样本。然后通过逆傅里叶变换运算将频域中的观测值重铸到空间域。典型的 MRI 数据包括任意方向的 2D 或 3D 图像。后者具有两个平面内空间维度和切片方向的第三个空间维度，因此它们可以看作张量。然而，MRI 的采集时间相对较慢，通常需要几分钟的时间。这种技术限制会阻碍 3D 高分辨率图像的采集。为了避免这个缺点，超分辨率技术已被证明在许多情况下是有效的 [1]，[2]，[3]。它们包括从一个或多个低分辨率观测中恢复 3D 高分辨率图像。最近，有人提出使用深度学习从单个低分辨率观测中恢复高分辨率图像 [4]，[5]。然而，对于小病变，最好考虑多个观测以用于图像的诊断。这些观测可以合并到融合模型中，从而提供比单独处理更多的信息 [6]。使用融合范式避免了依赖外部患者数据库来获取先验信息。因此，在剩下的文章中，我们将重点关注从多个观测中进行超分辨率重建的问题，也称为多帧超分辨率。