XiaoMi-AI文件搜索系统
World File Search Systemconstrained
结构限制有效大脑连接
结构和功能之间的关系是许多涉及复杂生物过程研究的研究领域中令人感兴趣的问题。特别是在神经科学中，结构和功能数据的融合有助于理解大脑中操作网络的基本原理。为了解决这个问题，本文提出了一个受约束的自回归模型，该模型可以表示有效连接，可用于更好地理解结构如何调节功能。或者简单地说，它可以用于寻找表征受试者群体的新型生物标记。在实践中，初始结构连接表示被重新加权以解释功能共激活。这是通过最小化受结构连接先验约束的自回归模型的重建误差来获得的。该模型还设计为包括间接连接，允许在功能连接中分离直接和间接组件，并且可以与原始和反卷积的 BOLD 信号一起使用。
千个大脑：迈向生物约束的人工智能
摘要 本文回顾了人工智能 (AI) 的现状以及创建具有类人认知能力的通用 AI 的探索。尽管现有的 AI 方法已经产生了在特定有界领域超越人类的强大应用程序，但这些技术具有阻碍通用智能系统创建的根本局限性。与此同时，在过去的几十年里，神经科学实验技术的爆炸式增长大大提高了我们对人脑的理解。本文认为，使用数学或逻辑技术改进当前 AI 不太可能带来通用 AI。相反，AI 社区应该结合神经科学对大脑皮层（人类大脑的智能中心）的发现。本文解释了当前 AI 技术的局限性。然后，它重点介绍了描述大脑皮层计算原理的生物学约束千脑理论。未来的 AI 系统可以结合这些原理来克服当前系统的局限性。最后，本文得出结论，AI 研究人员和神经科学家应该在特定主题上合作，以实现具有类人能力的生物学约束 AI。
通过随机多周期交流安全约束最优潮流设想可再生能源主导电力系统的安全控制
摘要 — 可再生能源 (RES) 渗透率的加速带来了环境效益，但代价是增加了运营成本并削弱了 N-1 安全标准的满足。为了解决后一个问题，本文设想通过随机多周期交流安全约束最优潮流 (SCOPF) 实现 RES 主导电力系统中的 N-1 安全控制。本文扩展了最先进的确定性和单时间段交流 SCOPF，以捕捉两个新维度，即 RES 随机性和多时间段，以及新兴的灵活性来源，如灵活负载 (FL) 和储能系统 (ESS)。因此，本文首次提出并解决了一种新的问题公式，即随机多周期交流 SCOPF (S-MP-SCOPF)。S-MP-SCOPF 被公式化为非线性规划 (NLP) 问题。它计算灵活性资源和其他常规控制手段的最优设定点，用于日前运行中的拥塞管理和电压控制。本文的另一个显着特点是全面而准确的建模，使用：用于预应急和后应急状态的交流电力流模型，24 小时时间范围内的 FL 和 ESS 等资源的跨时间约束以及 RES 不确定性。通过直接方法将问题规模推至求解器极限，在两个分别有 5 个节点和 60 个节点的测试系统上说明了所提出的模型的重要性和性能，而未来的工作将开发一种易于处理的算法。索引术语 — 拥塞管理、储能系统、灵活性、灵活负载、安全约束最优电力流、电压控制
![用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。](/simg/d/d0b24e3de4e984953fcbe1080336ba472eefd4f9.png)
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
人类核仁由多个受限区域组成，与单个染色体相连
核仁是核糖体生物合成的位点，形成于位于五条人类近端着丝粒染色体 HSA13、HSA14、HSA15、HSA21 和 HSA22 的 p 臂上的 NOR 周围（图 1A；McStay 2016）。rDNA 阵列序列以及近端和远端连接（PJ 和 DJ）在所有五个近端着丝粒之间共享（Floutsakou 等人 2013；van Sluis 等人 2019）。DJ 是功能性 NOR 元件，嵌入核仁周围异染色质 (PNH) 中（Floutsakou 等人 2013）。在中期，NOR 由 UBF（上游结合因子）标记，UBF 是一种核仁 HMG 盒蛋白，可广泛结合 rDNA 阵列（Grob 等人 2014）。当细胞退出后期时，RNA 聚合酶 I (RNA Pol I) 的转录恢复，并在单个 NOR 周围形成核仁 (Hernandez-Verdun 2011; van Sluis 等人 2020)。这些核仁融合成由三个不同区室组成的成熟核仁，反映了核糖体生物发生的阶段 (Ra š ka 等人 2006)。纤维中心 (FC) 单元包含一个或几个 UBF 负载的 rDNA 重复序列 (Yao 等人 2019)。转录发生在 FC 与新生转录本上形成的周围致密纤维成分 (DFC) 之间的界面上。
量子甲虫天线搜索：一种解决约束投资组合优化问题的新技术
摘要 在本文中，我们制定了量子甲虫触角搜索 (QBAS)，一种元启发式优化算法，以及甲虫触角搜索 (BAS) 的一种变体。我们将其应用于投资组合选择，这是一个众所周知的金融问题。量子计算在效率和速度上超越了传统计算，因此在科学界越来越受欢迎。所有传统计算算法都不直接与量子计算机兼容，因此我们需要使用量子力学原理来制定它们的变体。在投资组合优化问题中，我们需要找到一组最优股票，使其风险因子最小化并最大化投资组合的平均收益。据我们所知，目前还没有量子元启发式算法被用来解决这个问题。我们将 QBAS 应用于现实世界的股票市场数据，并将结果与其他元启发式优化算法进行比较。结果表明，QBAS 优于粒子群优化 (PSO) 和遗传算法 (GA) 等群体算法。
使用数据约束的复发神经网络模型推断大脑互动
4加利福尼亚州帕萨迪纳市加州理工学院 *通信：kanaka.rrajan@mssm.edu抽象行为来自许多解剖学和功能上不同的大脑区域的协调活动。现代的实验工具允许空前访问跨越许多相互作用区域的大型神经种群。然而，了解这样的大规模数据集需要两个可扩展的计算模型来提取区域通信的有意义的特征和原则性理论来解释这些特征。在这里，我们引入了基于电流的分解（CurbD），这是一种使用数据约束的复发性神经网络模型来推断大脑相互作用的方法，该模型直接重现实验性的神经数据。Curbd利用了此类模型推断出的功能相互作用，以揭示多个大脑区域之间的定向电流。我们首先表明Curbd准确地隔离了具有已知动力学的模拟网络中的区域间电流。然后，我们将路缘应用于跑步过程中从小鼠获得的多区域神经记录，在帕夫洛维亚调节过程中的猕猴以及记忆回收期间的人类，以证明Curbd在各种神经数据集中脱离了Curbd对脑部互动的广泛适用性。在发育过程中引入，即使是小生物的神经系统也会组织成非常复杂的结构。大脑具有结构模块性（例如，脑区域，层状组织，细胞类型），具有系统发育跨模块的专业化。大脑区域具有惊人的专业化和独特的功能特征。但是，单个大脑区域也经常与整个大脑中的许多其他区域相互作用2。这些宏观电路通过直接投影，多节日回路和更广泛的间接效应（例如NeuroModulator版本3）反复连接。因此，在理论上，大脑甚至在简单的行为中都处于活跃状态，从理论上讲，只有一个较小的区域4-6介导的大脑。得出对行为神经基础的理解需要考虑大脑活动的分布性质。，尽管现代实验技术提供了大规模的多区域数据集，但研究人员仍缺乏一种全面的，统一的方法来推断全脑部相互作用和信息流。在这里，我们引入了基于电流的分解（CURBD），这是一个计算框架，利用多区域神经记录的复发性神经网络（RNN）模型来推断
评论文章资源受限环境下的胃肠内窥镜人工智能：现实检验
人工智能 (AI) 在胃肠病学的不同领域得到了越来越多的探索，特别是在内窥镜图像分析、癌症筛查和预测模型方面。考虑到内窥镜医师处理的大量数据和所进行的关键分析的复杂性，人工智能被广泛吹捧为常规内窥镜检查不可或缺的一部分。然而，在资源受限的环境中将人工智能应用于内窥镜检查仍然充满问题。我们使用 PubMed 数据库对涵盖人工智能在内窥镜检查中的应用以及在资源受限的环境中遇到的困难的文章进行了广泛的文献综述。我们试图在本综述中总结可能阻碍人工智能在此类环境中应用的潜在问题。希望这篇综述能让内窥镜医师和卫生政策制定者在尝试将人工智能在技术先进的环境中的进步推广到在多个层面受到限制的环境中之前，对这些问题进行思考。关键词：人工智能、自动检测、计算机辅助检测、深度学习、发展中国家、病变检测、卫生资源、卫生服务可及性。欧亚肝胃肠病学杂志 (2020): 10.5005/jp-journals-10018-1322
使用数据约束的复发神经网络模型推断大脑互动
4加利福尼亚州帕萨迪纳市加州理工学院 *通信：kanaka.rrajan@mssm.edu抽象行为来自许多解剖学和功能上不同的大脑区域的协调活动。现代的实验工具允许空前访问跨越许多相互作用区域的大型神经种群。然而，了解这样的大规模数据集需要两个可扩展的计算模型来提取区域通信的有意义的特征和原则性理论来解释这些特征。在这里，我们引入了基于电流的分解（CurbD），这是一种使用数据约束的复发性神经网络模型来推断大脑相互作用的方法，该模型直接重现实验性的神经数据。Curbd利用了此类模型推断出的功能相互作用，以揭示多个大脑区域之间的定向电流。我们首先表明Curbd准确地隔离了具有已知动力学的模拟网络中的区域间电流。然后，我们将路缘应用于跑步过程中从小鼠获得的多区域神经记录，在帕夫洛维亚调节过程中的猕猴以及记忆回收期间的人类，以证明Curbd在各种神经数据集中脱离了Curbd对脑部互动的广泛适用性。在发育过程中引入，即使是小生物的神经系统也会组织成非常复杂的结构。大脑具有结构模块性（例如，脑区域，层状组织，细胞类型），具有系统发育跨模块的专业化。大脑区域具有惊人的专业化和独特的功能特征。但是，单个大脑区域也经常与整个大脑中的许多其他区域相互作用2。这些宏观电路通过直接投影，多节日回路和更广泛的间接效应（例如神经调节剂释放3）反复连接。因此，在理论上，大脑甚至在简单的行为中都处于活跃状态，从理论上讲，只有一个较小的区域4-6介导的大脑。得出对行为神经基础的理解需要考虑大脑活动的分布性质。，尽管现代实验技术提供了大规模的多区域数据集，但研究人员仍缺乏一种全面的，统一的方法来推断全脑部相互作用和信息流。在这里，我们引入了基于电流的分解（CURBD），这是一个计算框架，利用多区域神经记录的复发性神经网络（RNN）模型来推断
约束优化的零空间梯度流及其在形状优化中的应用
摘要。本文旨在介绍一种梯度流算法，用于解决等式和不等式约束优化问题，该算法特别适用于形状优化应用。我们依靠 Yamashita (Math. Program. 18 (1980) 155–168) 提出的用于等式约束问题的常微分方程 (ODE) 方法的变体：搜索方向是零空间步长和范围空间步长的组合，旨在分别降低最小化目标函数的值和违反约束的程度。我们的第一个贡献是提出将这种 ODE 方法扩展到具有等式和不等式约束的优化问题。在文献中，一种常见的做法是通过引入额外的松弛变量将不等式约束简化为等式约束。在这里，我们通过计算目标函数梯度在可行方向锥上的投影来解决它们的局部组合特性。这是通过求解对偶二次规划子问题来实现的，该子问题的大小等于活动或违反约束的数量。这个问题的解决方案允许确定优化轨迹应保持切线的不等式约束。我们的第二个贡献是在无限维希尔伯特空间的背景下以及在更一般的优化集（例如形状集）的背景下对梯度流的公式化，因为它出现在 Hadamard 边界变分法框架内的形状优化中。该公式的基石是形状导数的经典扩展和正则化操作。我们的算法的数值效率和易实现性在实际的形状优化问题上得到了证明。