XiaoMi-AI文件搜索系统
World File Search Systemfields
隐藏的马尔可夫链和田地，在Riemannian歧管中进行观测
[1] R. J. Elliot，L。Aggoun和J.B. Moore。 隐藏的马尔可夫模型：估计和控制。 Springer Science+商业媒体，1995年。 [2] O. Capp´e，E。Moulines和T. Ryd´en。 在隐藏的马尔可夫模型中推断。 Springer Science+商业媒体，2005年。 [3] L. R. Rabiner。 关于隐藏的马尔可夫模型和语音识别中选定应用的教程。 （在语音识别中的读数中）。 Morgan Kaufmann Publishers，Inc，1990。 [4] R. Durbin，S。Eddy，A。Krogh和G. Mitchison。 生物序列分析。 剑桥大学出版社，1998年。 [5] S. Z，li。 图像分析中的马尔可夫随机字段建模。 Springer Publishing Company，2009年。 [6] A. Zare，M。Jovanovic和T. Georgiou。 湍流的颜色。 流体力学杂志，812：630–680，2017。 [7] B. Jeuris和R. Vandebril。 带有toeplitz结构块的块toeplitz矩阵的khler平均值。 SIAM关于矩阵分析和应用的杂志，37：1151–1175，2016。 [8] A. Barachant，S。Bonnet，M。Congedo和C. Jutten。 通过Riemannian几何形状进行多类脑部计算机界面分类。 IEEE生物培训工程交易，59：920–928，2012。 [9] O. Tuzel，F。Porikli和P. Meer。 通过分类的人行人进行探测。 IEEE关于模式分析和机器智能的交易，30：1713–1727，2008。 [10] S. Said，H。Hajri，L。Bombrun和B. C. Ve-Muri。 熵，2016年18月18日。B. Moore。隐藏的马尔可夫模型：估计和控制。Springer Science+商业媒体，1995年。[2] O. Capp´e，E。Moulines和T. Ryd´en。在隐藏的马尔可夫模型中推断。Springer Science+商业媒体，2005年。[3] L. R. Rabiner。关于隐藏的马尔可夫模型和语音识别中选定应用的教程。（在语音识别中的读数中）。Morgan Kaufmann Publishers，Inc，1990。[4] R. Durbin，S。Eddy，A。Krogh和G. Mitchison。生物序列分析。剑桥大学出版社，1998年。[5] S. Z，li。图像分析中的马尔可夫随机字段建模。Springer Publishing Company，2009年。[6] A. Zare，M。Jovanovic和T. Georgiou。湍流的颜色。流体力学杂志，812：630–680，2017。[7] B. Jeuris和R. Vandebril。带有toeplitz结构块的块toeplitz矩阵的khler平均值。SIAM关于矩阵分析和应用的杂志，37：1151–1175，2016。[8] A. Barachant，S。Bonnet，M。Congedo和C. Jutten。通过Riemannian几何形状进行多类脑部计算机界面分类。IEEE生物培训工程交易，59：920–928，2012。[9] O. Tuzel，F。Porikli和P. Meer。通过分类的人行人进行探测。IEEE关于模式分析和机器智能的交易，30：1713–1727，2008。[10] S. Said，H。Hajri，L。Bombrun和B. C. Ve-Muri。熵，2016年18月18日。Riemannian对称空间上的高斯分布：结构化协方差矩阵的统计学习。信息理论交易，64：752–772，2018。[11] E. Chevallier，T。Hose，F。Barbaresco和J. Angulo。对Siegel空间的内核密度估计，并应用于雷达处理。[12] A. Banerjee，I。Dhillon，J。Ghosh和S. Sra。使用Von Mises-Fisher分布在单位过度上进行促进。机器学习研究杂志，6：1345–1382，2005。
野生黑猩猩的高尿氧化DNA损害在乌干达塞比蒂利地区的农田附近
Sabrina Krief，Petra Spirhanzlova，Shelly Masi，ChloéCouturier，Eric Okwir等。环境科学与污染研究，2023，30（51），第110600-110611页。10.1007/s11356-023-30187-3。hal-04697556
土壤有机碳及相关特性在保护农业和马拉维北部的传统领域
保护农业（CA）被广泛推广为基于农业生态学的土壤保护方法。几项研究集中在撒哈拉以南非洲的CA对农作物产量和土壤水分动态的影响上，对CA对土壤有机碳（SOC）和相关分数的影响的关注有限。我们收集了马拉维以北的Mzimba区的30个配对农场的代表性土壤样品，以确定耕作和土壤深度对土壤物理化学特性，总SOC和有机碳分数的影响。未受干扰的土壤核心进行批量密度测量。使用土壤分馏方法确定不同的SOC池，而土壤物理化学分析是使用障碍土壤样品的标准实验室方法进行的。土壤有机碳含量的范围为CA图的0.4-1.8％。这显着大于在常规耕种图下测得的0.4-1.5％的SOC含量。耕作类型和土壤深度对SOC具有显着的相互作用。例如，在0-10 cm的深度与CA图下的10-30 cm相比，在0-10 cm的深度下测量了较大的SOC含量。土壤深度对大多数土壤特性具有显着影响。示例包括重颗粒有机物 - 碳（POM-C）馏分，矿物相关有机物 - 碳（MAOM-C），MAOM级分的氮和氮中的氮。在0-10 cm的土壤深度中，它们比10-30 cm的土壤深度大。但是，相比之下，耕作类型仅对较重的POM-C和MAOM-C级分有显着影响，而POM-C和MAOM-C级分比CA的大于常规耕地。保护农业显示出改善SOC及其相关分数的能力，这是针对理解土地管理对碳存储的影响的发现。
实空间量子场的纠缠
我们引入了一种新方法，可以分析确定两个不同空间位置的量子场配置之间的纠缠熵（和相关量），量子场要么是自由的，要么与经典源相互作用。我们展示了如何用二分连续高斯系统描述这种设置。这使我们能够仅根据场的傅里叶空间功率谱推导出纠缠熵、互信息和量子不和谐的明确和精确公式。这与以前的研究形成了鲜明对比，以前的研究主要依赖于数值考虑。为了说明这一点，我们将我们的形式化应用于平坦空间中的无质量场，其中导出的精确表达式仅涉及场粗粒度区域的大小与这些区域之间的距离之比。特别是，我们恢复了一个众所周知的事实，即互信息在远距离处以该比率的四次方衰减，正如之前在数值研究中观察到的那样。我们的方法导致了这个结果的第一次分析推导，以及一个也适用于任意距离的精确公式。最后，我们确定了量子不和谐并发现它完全消失了（除非在涂抹球体上进行粗粒化，在这种情况下它遵循与互信息相同的远距离抑制）。
测量机器学习力场中的可传递性问题：与线性电势的金铁相互作用的示例
原子建模通常分为两种不同类型的模拟。一方面，包括Hartree -Fock和密度功能理论（DFT）方法在内的量子方法被认为是最准确的，几乎用于任何类型的化学物种[1，2]。另一方面，经典力场用于执行精度较低的大规模和长期模拟[3，4]。但是，仍然很难连接这两种方法，直到现在，人们几乎无法执行涉及数百万个原子的纳秒原子的模拟，同时保留量子方法的准确性。在这种情况下，近年来已经提出了机器学习互动电位（MLIP），并显示出实现此类模拟的巨大潜力[5-7]。目前考虑了许多方法，包括人工神经网络[8]，高斯近似方法[9]，线性电位[10，11]，频谱邻域分析电位[12]，对称梯度域机器学习[13，14]和矩张量张量的电位[15]。这些技术的成功得到了成功解决的各种材料的认可：纯属金属[16-20]，有机分子[21-24]，氧化物[25，26]，水[27 - 31]，无定形材料[32 - 37]和HYBRIDPEROVSKITES [32 - 37]和HYBRIDERIDPEROVSKITES [38]。对于所有这些技术，主要过程包括对力场使用非常通用的分析公式，然后将其进行参数化以匹配DFT计算数据库，包括总能量，力和应力张量。但是，人们承认MLIP有时会显示出对学习数据库中未包含的系统的可传递性。在最坏的情况下，MLIP SO-WELL拟合到其学习数据库中，可以在其外观察到非物理行为。为了解决此问题，主要建议是定期检查电位的准确性，因为进行了机器学习分子动力学模拟并改善MLIP“ fly the Fly” [38 - 40]。，据我们所知，这种方法的这种缺陷从未经过定量调查，而在被用户和开发人员承认的同时。
激光驱动准静态 B 场用于磁化高...
1 波尔多大学-CNRS-CEA，激光强度与应用中心 (CELIA)，UMR 5107，F-33405 Talence，法国 2 等离子体物理与激光研究所，大学研究与创新中心，希腊地中海大学，74100 Rethymno，克里特岛，希腊 3 希腊地中海大学工程学院电子工程系，73133 Chania，克里特岛，希腊 4 CEA、DAM、DIF，F-91297 Arpajon，法国 5 萨拉曼卡大学基础物理系，37008 Salamanca，西班牙 6 巴黎萨克雷大学，CEA、LMCE，91690 Bruyères-le-Châtel，法国 7 约克大学物理、工程与技术学院约克等离子体研究所，YO10 5DD，英国 8 巴利亚多利德大学理论、原子和光学物理系，47011 巴利亚多利德，西班牙 9 脉冲激光中心，M5 号楼，科学园，37185 Villamayor，萨拉曼卡，西班牙 10 LULI - CNRS、CEA、索邦大学、巴黎综合理工学院、巴黎综合理工学院，F-91120 Palaiseau Cedex，法国 11 普林斯顿等离子体物理实验室，普林斯顿，新泽西州 08543，美国 12 阿尔伯塔大学电气与计算机工程系，埃德蒙顿，T6G1R1 阿尔伯塔，加拿大 13 加州大学圣地亚哥分校能源研究中心，拉霍亚，CA 92093，美国 14 劳伦斯利弗莫尔国家实验室，利弗莫尔，加利福尼亚州94550，美国 15 iUNAT–拉斯帕尔马斯大学物理系，35017 拉斯帕尔马斯，西班牙 16 伦敦帝国理工学院布莱克特实验室等离子体物理组，伦敦，SW7 2AZ，英国 17 通用原子公司，加利福尼亚州圣地亚哥 92121，美国。 18 等离子体物理与激光微聚变研究所，01-497，华沙，波兰 19 等离子体物理研究所，捷克科学院，182 00，布拉格，捷克共和国 20 艾克斯马赛大学，CNRS，PIIM，F-13013 马赛，法国 21 极端光基础设施 ERIC，ELI-Beamlines 设施，25241 Dolní Brezany，捷克共和国（日期：2024 年 2 月 6 日）
混合短脉冲场中的中子检测，具有强烈的光子闪光，用于利纳克的主动询问应用
高能光子审讯已成为检测特殊核材料和表征核废料的宝贵工具。先前的研究主要使用大约9-MV线性电子加速器（Linac）作为光子源和有限的探索，并且在使用有机闪光器的使用时，在光子和中子辐射中确定沉积的能量，并分离光子和中子辐射，当光子疑问是基于中子构度的测量值时，至关重要的。挑战是由电子加速器通常产生的强烈光子通量引起的，导致脉搏堆积，检测器饱和度和次优信号背景比等问题。这项研究旨在通过引入一种新方法来扩展常规活动光子询问（API）技术的适用性，从而使检测能够除核材料外，对光元素（特定的氮，氧气和碳）（特定于氮气，氧气和碳），以常规的炸药，Narcotics和化学武器的形式存在。该方法依赖于高于12 MeV的高能量的活动光子询问，并加上光欧图隆光谱法。使用有机液体闪烁体的22兆瓦电子LINAC，脉冲形状歧视表现出有希望的性能。我们的结果表明，有机闪光灯的常规脉冲形状歧视能力和快速的时间尺度操作可以使（γ，XN）反应的快速中子检测，即使在具有强烈光子闪光的光子和中子辐射的混合短脉冲中，也能够检测到中子。关键字：国土安全性，中子，闪烁体，脉冲歧视，LINAC，BC501A对高能量光子诱导的光onutron检测的初始实验方面的探索为检测非法材料的新方法建立了基础。
外部磁场对 STT-MRAM 的影响
根据常见的外部磁场强度，我们在下面显示，一旦芯片安装在印刷电路板 (PCB) 上或插入其工作环境中，STT-MRAM 的磁抗扰度足以满足大多数用途。这一说法得到了 60 年使用磁性硬盘驱动器 (HDD) 的经验支持，其中包括 20 年使用包含磁隧道结的读取器的 HDD、20 多年在汽车行业中用作位置编码器的磁场传感器以及 15 多年使用 MRAM。主要是在处理芯片期间需要小心谨慎，以避免将芯片暴露在过高的磁场中。MRAM 将数据位存储在磁隧道结 (MTJ) 中。它们由两个由氧化物隧道屏障隔开的磁性层组成。其中一个磁性层称为自由层（或存储层），具有可切换的磁化，
使用生成人工智能模拟地震波场
模拟现实的地震波场对于一系列地震任务至关重要，包括采集设计，成像和反转。传统的数值地震波模拟器对于大型3D模型在计算上昂贵，并且模拟和观察到的波形之间的差异来自波方程选择和输入物理参数，例如地下弹性模型和源参数。为了应对这些挑战，我们采用了数据驱动的人工智能方法，并提出了一个有条件的生成建模（CGM）框架，以进行地震波模拟。新颖的CGM框架工作从观察到的数据中学习复杂的3D波物理学和地下杂音，而无需依赖明确的物理约束。因此，经过训练的基于CGM的模型充当随机波传播操作员，该操作员用局部地下模型和由训练数据集定义的局部矩张量解决方案编码。给定这些模型，我们可以使用源和接收器的几何形状和源参数作为输入条件变量，以模拟观察区域内任意采集设置的多组件地震数据。在这项研究中，我们在CGM框架内开发了四个模型 - CGM-GM-1D/3D，CGM-WAVE和CGM-FAS，并使用两个地震数据集证明了它们的性能：从San Francisco湾区，具有高地震风险的高密度的高密度的高密度的自然地震波形的少量低密度数据集，并具有高密度的数据，并具有高密度的数据，这些密度是高密度的，这些密度是众所周知的，并构成了高密度的信息，这些密度是高密度的，这些密度是高密度的，这些密度是高密度的，这些杂志的范围是高密度的，并构成了良好的杂货。 场地。CGM框架重现了真实观测值的波形，光谱和运动学特征，证明了为任意源位置，接收器位置和源参数生成波形的能力。我们应对关键挑战，包括数据密度，采集几何形状，缩放和发电变异性，并概述了未来的方向，以促进地震应用及其他地区的CGM框架。
使用生成人工智能模拟地震波场
模拟现实的地震波场对于一系列地震任务至关重要，包括采集设计，成像和反转。传统的数值地震波模拟器对于大型3D模型在计算上昂贵，并且模拟和观察到的波形之间的差异来自波方程选择和输入物理参数，例如地下弹性模型和源参数。为了应对这些挑战，我们采用了数据驱动的人工智能方法，并提出了一个有条件的生成建模（CGM）框架，以进行地震波模拟。新颖的CGM框架工作从观察到的数据中学习复杂的3D波物理学和地下杂音，而无需依赖明确的物理约束。因此，经过训练的基于CGM的模型充当随机波传播操作员，该操作员用局部地下模型和由训练数据集定义的局部矩张量解决方案编码。给定这些模型，我们可以使用源和接收器的几何形状和源参数作为输入条件变量，以模拟观察区域内任意采集设置的多组件地震数据。在这项研究中，我们在CGM框架内开发了四个模型 - CGM-GM-1D/3D，CGM-WAVE和CGM-FAS，并使用两个地震数据集证明了它们的性能：从San Francisco湾区，具有高地震风险的高密度的高密度的高密度的自然地震波形的少量低密度数据集，并具有高密度的数据，并具有高密度的数据，这些密度是高密度的，这些密度是众所周知的，并构成了高密度的信息，这些密度是高密度的，这些密度是高密度的，这些密度是高密度的，这些杂志的范围是高密度的，并构成了良好的杂货。 场地。CGM框架重现了真实观测值的波形，光谱和运动学特征，证明了为任意源位置，接收器位置和源参数生成波形的能力。我们应对关键挑战，包括数据密度，采集几何形状，缩放和发电变异性，并概述了未来的方向，以促进地震应用及其他地区的CGM框架。