XiaoMi-AI文件搜索系统
World File Search Systemarchitectures
预测编码和主动推理的大脑结构的演变 Giovanni Pezzulo 1、Thomas Parr 2、Karl Friston 2 1. 国家研究
摘要 本文探讨了预测处理的大脑结构的进化。我们认为，预测感知和行动的大脑机制不是我们这些高级生物在进化后期添加的。相反，它们是从简单的预测回路（如自主神经反射和运动反射）逐渐发展而来的，这些预测回路是我们早期进化祖先的遗产，也是解决其自适应调节基本问题的关键。我们用包含不断增加的层次宽度和深度的预测回路的生成模型来正式描述从简单到复杂的大脑。这些可能从一个简单的稳态主题开始，并在进化过程中以四种主要方式进行阐述：包括预测控制多模态扩展为异质回路；其复制形成多个感觉运动回路，从而扩展了动物的行为范围；并逐渐赋予生成模型层次深度（以处理在不同空间尺度上展开的世界的各个方面）和时间深度（以面向未来的方式选择计划）。反过来，这些阐述为解决日益复杂的动物所面临的生物调控问题提供了保障。我们的提议将有关预测处理的神经科学理论与不同动物物种大脑结构的进化和比较数据结合起来。关键词：预测处理；主动推理；大脑进化；大脑结构；模型选择；自然选择。
通过约束闭包搭建分层控制架构：洞察大脑进化和发展
哺乳动物大脑的功能组织可以被认为是一种分层控制结构，但这种复杂系统是如何在进化过程中出现并在发育过程中构建的仍然是一个谜。在这里，我们通过约束闭包框架来考虑大脑组织，约束闭包被视为生命系统的一般特征，即它们由多个子系统组成，这些子系统在不同的时间尺度上相互约束。我们通过开发一种新的约束闭包形式来实现这一点，这种形式受到先前模型的启发，该模型展示了生命周期内动态如何约束生命周期间动态，并且我们展示了这种相互作用如何推广到多层系统。通过这个模型，我们在两个主要的约束闭包例子——生理调节和视觉定向的背景下考虑大脑组织。我们的分析引起了人们对分层大脑结构在多个时间尺度上自我支撑的能力的关注，包括皮质过程限制皮层下过程进化的能力，以及后者限制皮层系统自我组织和完善的空间的能力。本文是“通过进化论的视角看系统神经科学”专题的一部分。
算法和并行VLSI架构III
本书中的材料基于在第三届算法和平行VLSI架构的国家间研讨会上提出的作者贡献，该研讨会在卢文（Leuven）举行，Au-Gust 29-31，1994。该研讨会部分由Eurasip和Belgian NFWO（国家科学研究基金）赞助，并与IEEE BENELUX信号处理章节，IEEE BENELUX CIRCETITS和SYSSPEL CAPLER和法国INRIA，法国的IEEE BENELUX信号处理章节合作。这是1990年6月在法国的Pont - ＆ - Mousson举行的两个同名讲习班[1]和法国Bonas，1991年6月[2]。所有这些研讨会都是在EC基础研究行动Nana和Nana2的框架内组织的，这是新的Real.Time Architectures的新型并行算法，由欧洲委员会的ESPRIT计划赞助。NANA承包商是IMEC，Leuven，Belgium（F. Catthoor），K.U。卢文，鲁汶，比利文（J. Vandewalle），恩斯尔，里昂，法国（Y。Robert），tu代代尔特，代尔夫特，代尔夫特，荷兰（P。Dewilde和E. Deprete），Irisa，Irisa，Rennes，Rennes，Rennes，Francance（P. Quinton）。这些项目中的目标是贡献适用于平行体系结构实现的算法，另一方面，设计方法和综合技术，这些方法和综合技术解决了从真实行为到系统的平行体系结构的设计轨迹。因此，这显然与研讨会和书籍的范围重叠。
基于信号概率的多数表决架构设计探索，用于空间应用中的 TMR 策略优化
摘要 – 硬件冗余是一种众所周知的容错技术，用于安全和任务关键型系统。然而，这种技术的强化效率依赖于多数表决电路的稳健性。本摘要提供了用于辐射环境（例如太空任务）的多数表决架构的设计探索。提出了一种基于信号概率的特定应用单事件瞬态 (SET) 特性，以优化三模冗余 (TMR) 块插入方法。结果表明，复杂门架构的 SET 横截面表现出较低的输入依赖性，而对于基于 NOR/NAND 的架构，由于逻辑掩蔽效应，观察到更高的依赖性。此外，与其他架构不同，NAND 表决器显示，随着信号概率的增加，SET 率会降低。考虑到信号概率 p = 0.1、p = 0.5 和 p = 0.9，两个分析轨道的最佳设计分别是 NOR、CMOS1 和 NAND 表决器。
碳气凝岩，具有集成工程的大型架构，可改善质量运输
免责声明本文件是作为由美国政府机构赞助的工作的帐户准备的。美国政府和劳伦斯·利弗莫尔国家安全，有限责任公司，或其任何雇员均不对任何信息，设备，产品或流程的准确性，完整性或有用性承担任何法律责任或责任，或承担任何法律责任或责任，或者代表其使用不会侵犯私有权利。以本文提及任何特定的商业产品，流程或服务，商标，制造商或其他方式不一定构成或暗示其认可，建议或受到美国政府或Lawrence Livermore National Security，LLC的认可。本文所表达的作者的观点和意见不一定陈述或反映美国政府或劳伦斯·利弗莫尔国家安全，有限责任公司的观点和观点，不得用于广告或产品代表目的。
NISQ 架构及其他架构的相位多项式合成算法
量子电路优化对于提高量子计算的实用性和效率至关重要。特别是，为了满足量子电路急需的紧凑性，可逆电路的合成正在被深入研究。由于 T 门具有较高的容错实现成本 [1]，因此人们投入了大量工作来最小化 T 数量 [2–9] 和 T 深度 [10–13]。相比之下，CNOT 门的实现成本较低，因为它是 Clifferd 群的一部分 [14]。尽管如此，基于 T 门的度量的使用有局限性，事实证明，电路中 CNOT 门的数量是一个不容忽视的度量，因为它会对电路的实现成本产生重大影响 [15]。除此之外，噪声中尺度量子 (NISQ) 时代的量子计算机 [16] 具有架构限制。具体而言，这些计算机中的量子比特并非以全对全的方式连接。这意味着具有 2 的元数的逻辑门（例如 CNOT 门）只能应用于某些量子比特对之间。因此，使电路符合给定架构不可避免地会导致 CNOT 计数增加 [17]。处理架构约束的一种常见方法是插入 SWAP 门来路由逻辑量子比特 [18–21]。另一种方法是执行架构感知合成 [22]，这种方法通常会产生具有低得多的 CNOT 计数的电路，同时满足架构约束。这种方法通常应用于可以用高级构造（例如线性可逆函数）表示的电路子集。然后可以将这些电路组合在一起以形成完整的架构兼容量子电路 [23, 24]。此编译方案中的一个重要构建块是合成仅由 CNOT 和 RZ 门组成的电路。这些电路可以用称为相位多项式的高级构造来表示。在这项工作中，我们解决了相位多项式合成问题，并针对受限和完全连接的情况提出了有效的算法。
使用跨越生命的王国的重试改善了柔性DNA生产的体系结构
图1。对影响RT-DNA产生的反性NCRNA的修改。a。下面的Eco1 119反元操作子的示意图，以及上面的NCRNA（粉红色）转换为RT-DNA（蓝色）。b。分析120的内源性RT-DNA在BL21-AI野生型细胞（WT）中产生的内源性RT-DNA和RetroN 121操纵子（KO）的敲除。c。 RT-DNA的QPCR分析示意图。蓝色/黑色底漆对将使用122 RT-DNA和质粒的MSD部分作为模板进行扩增。红色/黑色底漆对仅使用123作为模板进行扩增。d。 QPCR仅在质粒上富集RT-DNA/质粒模板，相对于未诱导的条件，124。圆圈显示三个生物学重复中的每一个。e。 125个变体库构建和分析的示意图。f。 RT-DNA测序准备管道的示意图。g。 126每个茎长度变体的相对RT-DNA丰度占WT的百分比。圆圈代表三个127个生物学重复中的每一个。wt长度以蓝色显示，并以100％的虚线显示。h。示意图说明128 reton ncRNA的A1和A2区域。i。 A1/A2区域的变体与129 MSD环中的条形码链接用于测序。j。每个A1/A2长度变体的相对RT-DNA丰度占WT的百分比。130个圆圈代表三个生物学重复中的每一个。wt长度以蓝色显示，并以131％的虚线100％显示。补充表1中的所有统计数据。132
标题跨架构和记录模式的神经解码的深度学习方法。
直接从神经信号解码行为、感知或认知状态对于脑机接口研究至关重要，也是系统神经科学的重要工具。在过去十年中，深度学习已成为从语音识别到图像分割等许多机器学习任务的最新方法。深度网络在其他领域的成功引发了神经科学领域新一轮的应用浪潮。在本文中，我们回顾了深度学习的神经解码方法。我们描述了用于从从脉冲到 fMRI 的神经记录模式中提取有用特征的架构。此外，我们探索了如何利用深度学习来预测包括运动、语音和视觉在内的常见输出，重点是如何将预训练的深度网络作为复杂解码目标（如声学语音或图像）的先验。深度学习已被证明是一种有用的工具，可用于提高广泛任务中神经解码的准确性和灵活性，我们指出了未来科学发展的领域。
深度学习方法用于跨体系结构和记录方式∗
直接来自神经信号的解码行为，感知或认知状态对于脑部计算机界面研究和系统神经科学的导入工具至关重要。在过去的十年中，深度学习已成为许多机器学习任务的最新方法，从语音识别到图像。深层网络在其他领域的成功导致了神经科学中的新应用。在本文中，我们回顾了神经解码的深度学习方法。我们描述了用于从峰值到fMRI的神经记录方式中提取有用特征的架构。此外，我们还介绍了如何利用深度学习来预测包括运动，言语和视觉的共同产量，重点是如何将预告片的深网纳入诸如声音或图像之类的复杂解码目标的先验。深度学习已被证明是提高各种任务中神经解码的准确性和灵活性的有用工具，我们指出了未来科学发展的领域。
使用 3D-UNet 架构进行 MRI 脑肿瘤分割和不确定性估计
摘要。3D 磁共振图像 (MRI) 中的脑肿瘤分割自动化是评估疾病诊断和治疗的关键。近年来，卷积神经网络 (CNN) 在该任务中表现出更好的效果。然而，高内存消耗仍然是 3D-CNN 的一个问题。此外，大多数方法不包括不确定性信息，这在医学诊断中尤其重要。这项工作研究了使用修补技术训练的 3D 编码器-解码器架构，以减少内存消耗并降低不平衡数据的影响。然后使用不同的训练模型来创建一个利用每个模型属性的集成，从而提高性能。我们还分别使用测试时间丢失 (TTD) 和数据增强 (TTA) 引入了体素不确定性信息，包括认知和随机信息。此外，提出了一种有助于提高分割准确性的混合方法。本论文提出的模型和不确定性估计测量已在 BraTS'20 挑战赛中用于肿瘤分割和不确定性估计的任务 1 和 3。