XiaoMi-AI文件搜索系统
World File Search Systembinary
使用实验室（HAXPE）和飞行次级离子质谱（TOF-SIMS）
如今，“更多的摩尔”和“超过摩尔”设备体系结构已大大提高了新型材料的重要性，从而需要提供适当的表征和计量，以实现可靠的过程控制。 例如，在多通道场效应设备或升高来源中使用的SIGE或SIP化合物的引入导致需要确定所得膜的精确组成。 在这项工作中，已经使用主要无损haxpes和TOF-SIMS研究了二进制材料（例如SIP和SIGE）的定量。 的确，虽然使用RB的主要障碍是薄膜的表征，但具有适当定量功能（例如Atom探针断层扫描和传输电子显微镜）的技术既耗时又耗时，并且由于其高度局部的分析量而缺乏灵敏度。 对于定量表征，常规的X射线光电子光谱（XPS）是一个强大的工具。 然而，其低分析深度仍然是研究掩埋界面的主要限制因素，尤其是在本研究中，因为所获得的基于SI的层在环境条件下被氧化（或者应该受到一些纳米计的金属层保护）。 ，由于电子在二元材料表面的化学组成和SIO 2在层中的深入分布，因此使用了一种基于实验室的硬X射线源（HAXPE），这既要归功于层次的SIO 2的深度分布，这要归功于电子的非弹性平均自由路径随光子能量增加的增加（铬Kα，Hν= 5414.7 ev）[1] [1]。如今，“更多的摩尔”和“超过摩尔”设备体系结构已大大提高了新型材料的重要性，从而需要提供适当的表征和计量，以实现可靠的过程控制。例如，在多通道场效应设备或升高来源中使用的SIGE或SIP化合物的引入导致需要确定所得膜的精确组成。在这项工作中，已经使用主要无损haxpes和TOF-SIMS研究了二进制材料（例如SIP和SIGE）的定量。的确，虽然使用RB的主要障碍是薄膜的表征，但具有适当定量功能（例如Atom探针断层扫描和传输电子显微镜）的技术既耗时又耗时，并且由于其高度局部的分析量而缺乏灵敏度。对于定量表征，常规的X射线光电子光谱（XPS）是一个强大的工具。然而，其低分析深度仍然是研究掩埋界面的主要限制因素，尤其是在本研究中，因为所获得的基于SI的层在环境条件下被氧化（或者应该受到一些纳米计的金属层保护）。，由于电子在二元材料表面的化学组成和SIO 2在层中的深入分布，因此使用了一种基于实验室的硬X射线源（HAXPE），这既要归功于层次的SIO 2的深度分布，这要归功于电子的非弹性平均自由路径随光子能量增加的增加（铬Kα，Hν= 5414.7 ev）[1] [1]。确认通过HAXPES测量获得的感兴趣材料的组成并计算出适当的相对灵敏因子（RSF），相同的膜以TOF-SIMS为特征。但是，例如Haxpes，SIP/SIGE层的次级离子质谱法（SIMS）表征通常由于p/ge含量的电离产量的非线性变化而受到基质效应。通过分析参考样本，遵循MCS 2+辅助离子或使用完整的光谱协议[2]，可以通过分析参考样品来超越此限制。最后，计算了次级离子束的P和GE（Si）组成，并将其与X射线衍射确定的参考组成进行比较。还研究了测量值的可重复性和层氧化的影响。得出结论，通过将haxpes结果与TOF-SIM耦合，准确评估了层的深入组成和表面氧化物的厚度。
开发了基于形态学的预测模型，用于考虑界面效应的二元信用聚合物混合物的机械性能
这项研究旨在开发一种基于形态学的模型，以预测聚合物与相分离结构的聚合物混合物的模量和拉伸强度。分析模型采用了打结和互连的骨骼结构（KISS）模型的几何方法，结合了不混合聚合物混合物的形态变化和组件的渗透阈值。通过假设各个形态态的特定厚度的薄界面层，可以解释聚合物/聚合物界面对机械性能的影响。使用IPP/PA，PP/PET和LDPE/PP聚合物混合物的实验数据评估了所提出的模型的预测能力，这些数据来自现有文献。结果在预测数据和观察到的数据之间建立了合理的规定。该模型的预测也与已建立的抗拉强度和杨氏混合物混合物模量的模型的预测进行了比较，这表明了其有效性。将界面区域纳入机械性能的建模过程中代表了所提出的模型的关键区别特征，从而增强了其与聚合物混合物的实际微结构的兼容性。此外，该模型对相对简单的数学计算的依赖提出了另一个关键优势。
放松和惩罚：一种新型的双重二元超参数优化方法
近年来，双重方法已经非常受欢迎，可以在机器学习模型的有效估计高维超参数上。迄今为止，二进制pa-Rameters是通过连续放松和四舍五入策略来处理的，这可能导致解决方案不一致。在这种情况下，我们通过基于适当的罚款术语求助于等效的连续二线重新构造，以应对混合二元超参数的挑战优化。我们提出了一个算法框架，在合适的假设下，可以保证提供混合二进制解决方案。此外，该方法的一般性允许在提议的框架内安全地使用现有的连续折叠求解器。我们评估了两个特定的机器学习问题的方法的性能，即，回归问题中的群 - 符号结构的估计和数据蒸馏问题。报告的结果表明，我们的方法具有基于放松和舍入的最新方法竞争。
算术自相关和二进制序列的模式分布
其中n i = | {t≤n≤2t - 1：s n，τ= i} | ，i = 0，1。与经典的自相关相比，算术自相关是伪随机序列的携带相关函数。Goresky和Klapper [3]将算术自相关扩展到互相关，并给出了具有理想算术交叉相关性的二进制序列的大家族。后来，他们将算术自相关推广到[4，5]中的非二元序列。对于更多背景，读者被转介给[6]。序列的算术相关性预计将尽可能小。在[2]中提出了legendre序列算术自相关的非平凡结合。Hofer，M´erai和Winterhof [7]证明了算术自相关性和较高订单的相关度量的关系如下：
空间旋转：带有Spintronics实施的基于空间辍学的二进制贝叶斯神经网络
摘要 - 机器学习系统在实时，关键的决策领域（例如自动驾驶和工业自动化）中获得了突出性。他们的实现应通过不确定性估计来避免过度自信的预测。贝叶斯神经网络（Baynns）是估计预测不确定性的原则方法。但是，它们的计算成本和功耗阻碍了它们在Edge AI中的广泛部署。利用辍学作为后验分布的近似值，将贝恩的参数进行二进制，以及在基于Spintronics基于旋转的计算中（CIM）硬件阵列中实现它们的进一步，可以提供可行的解决方案。但是，设计用于卷积神经网络（CNN）拓扑的硬件辍学模块是具有挑战性且昂贵的，因为它们可能需要大量的辍学模块，并且需要使用空间信息来删除某些元素。在本文中，我们引入了MC-SpatialDropout，这是一种基于空间辍学的近似贝恩，带有Spintronics的新兴设备。我们的方法利用Spintronic设备的固有随机性与现有实现相比有效地实现了空间辍学模块。此外，每个网络层的辍学模块的数量减少了9倍，能量消耗量为94。11×，同时与相关工作相比仍能实现可比的预测性能和不确定性估计。
非二进制字母上的可定向序列
本文涉及到有限序列的周期性序列，其元素是从有限字母的属性中绘制出的，该特性对于正整数n（阶）（阶）的任何子序列（n-元组）的任何子序列仅在一个时期出现一次。此类序列的一个重要的极端类是de bruijn序列 - 例如，请参见[10，20]。这些序列有时被称为移位寄存器序列（请参见Golomb，[12]），已经进行了广泛的研究，并具有一系列应用，包括在编码和加密中。这里特定相关性的一种应用是位置位置。这涉及将这样一个序列编码到线性表面上，该序列仅通过检查序列的连续n个连续条目就可以在表面上的任何位置进行编码（例如，参见burns和Mitchell [4，5]和Petriu [18]）。有关位置序列使用序列的最新工作包括B Chris J. Mitchell me@chrismitchell.net
了解二进制二进制解码
ghosh – Verbauwhede论文涉及Cryptosys-Tem [47，算法3]的恒定时间硬件实现，以及对基于代码的加密术的Overbeck-Sendrier调查[69，第139-140页]。所有这些来源（以及更多）都描述了Patterson [72，V节]引入的算法，以纠正由无方面的多项式定义的二进制GOPPA代码的T错误。McEliece的纸介绍了Mceliece Cryptosystem [63]也指出了Patterson的算法。但是，帕特森的算法不是最简单的快速二进制二进制解码器。这里的一个问题是，简单性与纠正的错误数量之间存在折衷（这反过来影响了所需的mceliece密钥大小），如以下变体所示：帕特森的论文包含了更简单的算法以纠正⌊t/ 2⌋错误；从苏丹[84]开始，然后是Guruswami – Sudan [50]，更复杂的“列表解码”算法，校正略多于T错误。，但让我们专注于快速算法，以纠正传统上使用McEliece Cryptosystem中使用的T错误。主要问题是，在这些算法中，Patterson的算法并不是最简单的。GOPPA已经在GOPPA代码的第一篇论文中指出了[48，第4节]，二进制GOPPA代码由平方英尺定义的多项式G也由G 2定义。校正由G 2定义的代码中T错误的问题立即减少到用T错误（即Reed – Solomon解码）的多项式插值问题。生成的二进制二进制解码器比Patterson的解码器更简单。简单性的好处超出了主题的一般可访问性：简单算法的软件倾向于更易于优化，更容易防止定时攻击，并且更易于测试。在伯恩斯坦– Chou-Schwabe [16]，Chou [34]和Chen – Chou [32]的最先进的McEliece软件中使用了相同的简单结构并不是一个巧合。该软件消除了与数据有关的时机，同时包括子例程中的许多加速度。避免帕特森的算法也可能有助于正式验证软件正确性，这是当今量词后加密术的主要挑战。也许有一天为Patterson的算法软件赶上了这些其他功能，也许它会带来进一步的加速，或者可能不会。Patterson的算法用于某些计算，使用度t而不是度量2 t，但还包括额外的计算，例如反转模量G；文献尚未明确速度是否大于放缓。，即使帕特森的算法最终更快，肯定会有一些应用程序更重要。只有Patterson的算法才想到Knuth的名言[55，第268页]，即“过早优化是所有邪恶的根源”。对于熟悉编码理论的受众来说，“ G 2的GOPPA代码与G 2的GOPPA代码相同；对于更广泛的受众来说，可以通过说“以下关于编码理论的课程”来减少上一句话。，但对于观众来说，将重点放在这种解码器上的小道路上是更有效的，而且文学中似乎没有任何如此的小型言语。总而言之，本文是对由无方面的多项式定义的二进制GOPPA代码的简单t eRROR解码器的一般性介绍，并通过证明了t -reed reed – solomon解码器的证明。
太阳能辅助二进制蒸气的热力学分析...
本评论文章的主要重点是检查用于从蒸汽主导的资源中发电的电源周期。它讨论了跨批判性CO 2（T-CO 2）功率周期和兰金周期的现象，这些循环已由许多学者进行了广泛的研究。该文章还使用双元周期，地热发电厂和太阳能辅助发电厂简要探索了基于燃料电池的发电厂。本文介绍了这些植物的发电，热效率，能效和发电效率的信息。调查表明，地热发电厂的热效率从6.5％到16.63％，并且驱动效率从7.95％到82％不等，在199.1 kW到19,448 kW的范围内产生功率。太阳能发电厂生产的电源在550.9 kW至4500 kW之间，能源效率在21.93％至57％之间，并且发电效率在50.5％至64.92％之间。使用NH 3 +H 2 O作为工作流体的燃料电池发电厂从1015 kW到20125 kW，热效率在25.4％至70.3％，并且热效率在12.1％和36％之间。本文在这些情况下强调了卡利纳周期的使用。
BT-CNN：一种利用 MRI 成像对脑肿瘤进行分类的平衡二叉树架构
深度学习是当今世界临床诊断和治疗中非常重要的技术。卷积神经网络 (CNN) 是深度学习的最新发展，用于计算机视觉。我们的医学研究重点是脑肿瘤的识别。为了提高脑肿瘤分类性能，提出了一种以二叉树结构为框架的平衡二叉树 CNN (BT-CNN)。它有两个不同的模块 - 卷积和深度可分离卷积组。使用卷积组可实现更短的时间和更高的内存，而深度可分离卷积组则相反。这种平衡二叉树启发的 CNN 平衡了两个组以在时间和空间方面实现最佳性能。在公共数据集上对所提出的模型以及 CNN-KNN 等最先进的模型以及 Musallam 等人、Saikat 等人和 Amin 等人提出的模型进行了实验。在将数据输入模型之前，我们使用 CLAHE、去噪、裁剪和缩放对图像进行预处理。预处理后的数据集根据 5 倍交叉验证分为训练数据集和测试数据集。对所提出的模型进行训练，并将其性能与 CNN-KNN 等最新模型以及 Musallam 等人、Saikat 等人和 Amin 等人提出的模型进行比较。与其他模型相比，所提出的模型报告的平均训练准确率为 99.61%。所提出的模型实现了 96.06% 的测试准确率，而其他模型分别实现了 68.86%、85.8%、86.88% 和 90.41%。此外，所提出的模型在所有折叠中获得了训练和测试准确率的最低标准差，使其对于数据集不变。
通过非二元治疗和效果的因果关系的概率
事实证明，因果关系的概率在现代决策中至关重要。本文涉及估计治疗和效果不是二元时因果关系概率的问题。珍珠定义了因果关系的二进制概率，例如必要性和充分性的概率（PNS），足够的概率（PS）和必要性的概率（PN）。tian和Pearl随后使用实验和观察数据得出了这些因果关系的尖锐边界。在本文中，我们定义并为各种因果关系的概率提供了理论上的界限，并提供了多价处理和效果。我们进一步讨论了示例，我们的界限指导实际决策并使用仿真研究来评估各种数据组合的界限的信息。