XiaoMi-AI文件搜索系统
World File Search Systemautoma
投资组合更新——自动化与航空航天分离
我们在本报告中描述了推动我们业务和未来业绩的许多趋势和其他因素。此类讨论包含《1934 年证券交易法》（经修订）（《交易法》）第 21E 条所定义的前瞻性陈述。前瞻性陈述涉及管理层打算、期望、项目、相信或预期未来将发生或可能发生的活动、事件或发展，包括与拟议将公司先进材料业务分拆为独立上市公司以及拟议分离自动化和航空航天业务相关的陈述。它们基于管理层根据过去的经验和趋势、当前经济和行业状况、预期未来发展和其他相关因素做出的假设和评估，其中许多因素难以预测且不受我们控制。它们不是对未来业绩的保证，实际结果、发展和业务决策可能与我们的前瞻性陈述所设想的结果、发展和业务决策存在重大差异。除非适用证券法要求，否则我们不承诺更新或修改我们的任何前瞻性陈述。我们的前瞻性陈述还受重大风险和不确定性的影响，包括持续的宏观经济和地缘政治风险，例如 GDP 增长放缓或衰退、供应链中断、资本市场波动、通货膨胀和某些地区冲突，这些风险可能会影响我们的短期和长期业绩。此外，我们无法保证本演示文稿中提出的任何计划、举措、预测、目标、承诺、期望或前景能够或将会实现。这些前瞻性陈述应结合本演示文稿中包含的信息、我们的 10-K 表格和向美国证券交易委员会提交的其他文件进行考虑。本文所述的任何前瞻性计划都不是最终版本，可能会随时修改或放弃。
职位： 研究人员小组副教授（卫星数据处理） 学科： 自动化，电子，电气工程和
AGH 空间技术中心研究人员团队的全职副教授职位。该职位的任务是开发基于创新思维和科学卓越的研究计划，以补充目前在卫星数据处理、卫星数据采集方法改进和卫星图像处理算法开发方面的专业知识。担任此职位的人员将负责国际层面的研究计划，设计和实施卫星数据处理和广义上的学术创业研究，并为基于国家和国际基金的项目筹集资金，包括来自航天工业实体的资金。作为研究活动的一部分，他或她将与学术单位、利益相关者和行业伙伴建立国际伙伴关系。该职位的候选人应具有建立和加速初创企业的经验。主题领域：卫星数据处理、卫星图像处理算法、光学传感器开发全职工作，固定期限合同至 2025 年 12 月 31 日，可延长，包括永久合同延长。计划从 2025 年 3 月 24 日起就职。
识别核心 MRI 序列以实现可靠的自动脑转移分割
a 慕尼黑工业大学伊萨尔医院放射肿瘤学系；b 德国转化放射治疗联盟 (DKTK)，慕尼黑合作伙伴网站；c 慕尼黑亥姆霍兹中心放射医学研究所 (IRM)、放射科学系 (DRS)；d 信息学系；e 德国慕尼黑工业大学 TranslaTUM - 中央转化癌症研究所；f 瑞士苏黎世苏黎世大学医院放射肿瘤学系；g 马格德堡大学医院放射肿瘤学系；h 德国耶拿弗里德里希席勒大学耶拿大学医院放射治疗和放射肿瘤学系；i 瑞士苏黎世苏黎世大学医院定量生物医学系；j 诊断和介入神经放射学系； k 慕尼黑工业大学伊萨尔右翼医院神经外科系，慕尼黑；l 海德堡大学医院放射肿瘤学系；m 海德堡放射肿瘤学研究所 (HIRO)，国家放射肿瘤学中心 (NCRO)，海德堡；n 德国哥廷根大学医学中心放射肿瘤学系；o 瑞士阿劳州立大学阿劳分校 KSA-KSB 放射肿瘤学中心；p 富尔达综合医院放射肿瘤学系，富尔达；q 基尔石勒苏益格-荷尔斯泰因大学医学中心放射肿瘤学系；r 弗莱堡大学医学中心放射肿瘤学系；s 德国癌症联盟 (DKTK)，弗莱堡合作伙伴中心，弗莱堡，德国；t 塞浦路斯利马索尔欧洲大学德国肿瘤中心放射肿瘤学系； u 法兰克福及德国北部 Saphir 放射外科中心，Guestrow；v 法兰克福大学医院神经外科系，法兰克福；w 慕尼黑工业大学医学人工智能与信息学研究所，慕尼黑；x 亥姆霍兹人工智能，亥姆霍兹慕尼黑中心，诺伊尔贝格，德国
用于自动可再生能源资源评估和基础设施优化的 GIS 和 Gen-AI 驱动框架
随着全球转向可再生能源，最大限度地利用可再生资源和加强基础设施管理是传统方法难以成功处理的重要问题。本文提出了一种新方法，将地理信息系统 (GIS) 与生成人工智能 (Gen-AI) 相结合，以提高可再生能源系统的效率。此外，GIS 具有强大的地理问题分析工具，而 Gen-AI 则具有增强的能源率预测、适合能源生产的区域选择和设施控制功能。这些技术已被提议协同工作以解决一些复杂问题，例如确定场地的确切位置、随时估计能源生产量和控制实时能源需求。此外，它还用于预测和改进智能电网的维护以及正确配置，使其成为更有效、更环保的能源分配系统。该框架的应用包括许多 REN 领域，例如太阳能、风能、水力和生物能源，解决了种植损失、环境影响和不同的能源需求问题。通过解决这些紧迫的问题，GIS 与 Gen-AI 的集成为更可持续、更稳健的未来能源结构奠定了基础。
由机器学习驱动的端到端自动缓存攻击
信息或电磁发散。自1996年第一次出版关于时机攻击的首次出版物以来，这种称为侧道攻击的新一代攻击在很大程度上引起了研究界的关注[20]。攻击的可能性很多，鉴于在敏感计算过程中设备可以披露的各种信号：功耗[19，24]，磁场[11]，温度[5]甚至声音[1]。 读者被转介给[15]，以进行有关侧通道攻击的广泛介绍。 本文重点介绍了一个特定类别的侧通道攻击：恰当的攻击。 这些攻击是基于从CPU缓存内存泄漏的定时信息。 的确，当目标算法使用SEN-SINDIVE信息时，它将秘密数据加载到缓存内存中。 可以利用间谍保护的攻击者间接检查缓存mem-yry的内容，可以推断出目标算法已操纵哪些数据。 Tsunoo等人首先引入了缓存攻击。 在[35]中打破DES。 后来，在流行的缓存攻击中，使用缓存信息来打破AES [3]，以及RSA的RSA：Flush+Reload [38]。 在本文中，我们将使用后一种攻击的改进：冲洗+冲洗攻击[14]，它更隐形，产生更多的结果。 更具体地，我们在本文中研究了对ECDSA的OpenSSL实现的缓存时间攻击，ECDSA是用于数字签名的椭圆曲线算法。 OpenSSL [27]是用于实现加密协议的开源工具包。攻击的可能性很多，鉴于在敏感计算过程中设备可以披露的各种信号：功耗[19，24]，磁场[11]，温度[5]甚至声音[1]。读者被转介给[15]，以进行有关侧通道攻击的广泛介绍。本文重点介绍了一个特定类别的侧通道攻击：恰当的攻击。这些攻击是基于从CPU缓存内存泄漏的定时信息。的确，当目标算法使用SEN-SINDIVE信息时，它将秘密数据加载到缓存内存中。可以利用间谍保护的攻击者间接检查缓存mem-yry的内容，可以推断出目标算法已操纵哪些数据。缓存攻击。在[35]中打破DES。后来，在流行的缓存攻击中，使用缓存信息来打破AES [3]，以及RSA的RSA：Flush+Reload [38]。在本文中，我们将使用后一种攻击的改进：冲洗+冲洗攻击[14]，它更隐形，产生更多的结果。更具体地，我们在本文中研究了对ECDSA的OpenSSL实现的缓存时间攻击，ECDSA是用于数字签名的椭圆曲线算法。OpenSSL [27]是用于实现加密协议的开源工具包。使用C实现的功能库通常用于实现安全套接字层和传输层安全协议，还用于启用OpenPGP和其他加密标准。
使用重叠块和多类加权交叉熵的基于深度学习的选择性注意的全自动脑肿瘤分割
Mostefa Ben Naceur、Mohamed Akil、Rachida Saouli、Rostom Kachouri。使用重叠块和多类加权交叉熵，通过基于深度学习的选择性注意实现全自动脑肿瘤分割。医学图像分析，2020 年，�10.1016/j.media.2020.101692�。�hal-02533454�
视觉变压器用于角膜共聚焦显微镜图像中糖尿病周围神经病的自动检测
糖尿病周围神经病（DPN）的早期检测和管理对于降低相关的发病率和死亡率至关重要。角膜共聚焦显微镜（CCM）促进了角膜神经的成像，以检测DPN的早期和进行性神经损伤。然而，它的更广泛的采用受到手动神经量化的主观性和时间密集型性质的限制。这项研究研究了CCM图像的二元分类，以区分健康对照和DPN个体的二元分类，研究了最先进的视觉变压器（VIT）模型的诊断实用性。还将VIT模型的性能与先前使用CCM图像用于DPN检测的卷积神经网络（CNN）进行了比较。使用大约700 ccm图像的数据集，VIT模型达到了0.99的AUC，灵敏度为98％，特定的92％，而F1得分为95％，超过了先前报道的方法。这些发现突出了VIT模型作为基于CCM的DPN诊断的可靠工具的潜力，从而消除了对耗时的手动图像分割的需求。此外，结果增强了CCM作为检测神经损伤的非侵入性和精确成像方式的价值，尤其是在神经病相关的疾病（例如DPN）中。
粗粒度量子细胞自动机
可以将某些物理演化视为微观离散模型的突发有效结果。受经典粗粒化程序的启发，我们提供了一种遵循 Goldilocks 规则的粗粒化色盲量子细胞自动机的简单程序。该程序包括 (i) 将量子细胞自动机 (QCA) 在时空上分组为大小为 N 的细胞；(ii) 将细胞的状态投射到其边界上，并将其与精细动力学联系起来；(iii) 通过边界状态描述整体动力学，我们称之为信号；(iv) 为不同大小为 N 的细胞构建粗粒化动力学。这个简单的玩具模型的副产品是斯托克斯定律的一般离散模拟。此外，我们证明在时空极限中，自动机收敛到狄拉克自由哈密顿量。我们在这里介绍的 QCA 可以通过当今的量子平台实现，例如里德堡阵列、捕获离子和超导量子比特。我们希望我们的研究能够为更深入地理解这些分辨率有限的系统铺平道路。
对比后 MRI 上原发性脑淋巴瘤自动分割的边界不规则损失
与其他脑肿瘤不同，关于原发性中枢神经系统 (CNS) 淋巴瘤的自动分割研究很少。这是一项具有挑战性的任务，因为肿瘤及其边界的模式高度多变。在这项工作中，我们提出了一种新的损失函数来控制边界不规则性，用于基于深度学习的原发性 CNS 淋巴瘤自动分割。我们引入了一种边界不规则损失，它基于分割和平滑版本的比较。边界不规则损失与之前提出的拓扑损失相结合，以更好地控制不同的连通分量。该方法是通用的，可以用于任何分割网络。我们研究了 99 名原发性 CNS 淋巴瘤患者。从一开始就分离出 40 名患者并形成独立测试集。分割是在对比后 T1 加权 MRI 上进行的。MRI 是在临床常规中获得的，并且高度异质。所提出的方法在各种评估指标上的表现都大大优于基线（Dice 分数高出 6 个百分点，Hausdorff 距离高出 40 毫米，平均表面距离高出 6 毫米）。然而，总体表现一般，突显出自动分割原发性中枢神经系统淋巴瘤是一项艰巨的任务，尤其是在处理临床常规 MRI 时。代码可在此处公开获取：https://github.com/rosanajurdi/LymphSeg 。
Alpha Mesh Swc：根据脑细胞骨架描述自动生成稳健的表面网格
图 1：(a) SWC 文件的说明性示例（不是真实细胞）。从左到右，各列分别表示节点索引、神经元区室类型、x、y、z 坐标、半径和父节点索引。例如，第二个节点表示位于 [0, 0, 8] 处半径为 2 µm 的顶端树突（类型 4）部分。它连接到其父节点（第一个节点）。如果父索引为 -1，则当前节点为根节点。(b) (a) 中 SWC 文件定义的神经元骨架的可视化表示。红色 ⊗ 符号表示体细胞节点，神经突节点用红色 + 表示。长度为 l 1 , . . . , l 4 的蓝线绘制了神经元骨架。虚线以 3D 形式说明了神经元的形态。(c) 可用于连接两个连续节点的圆锥