XiaoMi-AI文件搜索系统
World File Search Systemformer
重新布线蛋白质序列和结构生成模型以增强蛋白质稳定性预测
快速增长的数据需要可靠且持久的存储解决方案。DNA由于其高信息密度和长期稳定性而成为一种有希望的媒介。但是，DNA存储是一个复杂的过程，每个阶段都会引入噪声和错误，包括合成错误，存储衰减和测序错误，它需要对错误校正的代码（ECC）才能获得可靠的数据恢复。要设计一种最佳数据恢复方法，对DNA数据存储通道中噪声结构的综合理解至关重要。由于在体外运行DNA数据存储实验仍然很昂贵且耗时，因此必须进行模拟模型，以模仿真实数据中的误差模式并模拟实验。现有的仿真工具通常依赖固定的误差概率或特定于某些技术。在这项研究中，我们提出了一个基于变压器的生成框架，用于模拟DNA数据存储通道中的错误。我们的模拟器将寡素（DNA序列写入）作为输入，并生成错误的输出DNA读取，与常见DNA数据存储管道的真实输出非常相似。它捕获了随机和有偏见的误差模式，例如K-MER和过渡错误，无论过程或技术如何。我们通过分析两个使用不同技术处理的数据集来证明模拟器的有效性。在第一种情况下，使用Illumina Miseq处理，由DDS-E-SIM模拟的序列显示出与原始数据集的总误率偏差仅为0.1％。第二次使用牛津纳米孔技术进行的偏差为0.7％。基本级别和K-MER错误与原始数据集紧密对齐。此外，我们的模拟器从35,329个序列中生成100,743个独特的橄榄岩，每个序列读取五次，证明了其同时模拟偏置错误和随机属性的能力。我们的模拟器以优越的精度和处理多种测序技术的能力优于现有的模拟器。
使用 transformers 根据 DNA 序列和转录后信息预测基因表达水平
背景与目标：近年来，由于基因表达水平的潜在临床应用，预测基因表达水平至关重要。在此背景下，Xpresso 和其他基于卷积神经网络和 Transformer 的方法首次被提出用于此目的。然而，所有这些方法都使用标准的独热编码算法嵌入数据，从而产生非常稀疏的矩阵。此外，该模型没有考虑基因表达过程中最重要的转录后调控过程。方法：本文提出了 Transformer DeepLncLoc，一种通过处理基因启动子序列来预测 mRNA 丰度（即基因表达水平）的新方法，将该问题作为回归任务进行管理。该模型利用基于 Transformer 的架构，引入 DeepLncLoc 方法执行数据嵌入。由于 DeepLncloc 基于 word2vec 算法，因此它避免了稀疏矩阵问题。结果：该模型包含了与 mRNA 稳定性和转录因子相关的转录后信息，与最先进的方法相比，其性能显著提高。Transformer DeepLncLoc 的 R 2 评估指标达到 0.76，而 Xpresso 的 R 2 评估指标为 0.74。结论：Transformer 方法中的多头注意力机制适用于对 DNA 位置之间的相互作用进行建模，从而克服了循环模型。最后，在管道中整合转录因子数据可显著提高预测能力。
triffid：提高第一响应者效率的自动机器人辅助
摘要 - 视觉变压器（VIT）在各种计算机视觉任务中都表现出最先进的性能，但是其高计算需求使其对于资源有限的边缘设备不切实际。本文介绍了Microvit，这是一种轻巧的视觉变压器体系结构，通过显着降低计算复杂性，同时保持高精度，从而优化了边缘设备。Microvit的核心是有效的单头注意（ESHA）机制，该机制利用组卷积减少特征冗余，并且仅处理一小部分通道，从而降低了自我注意力的负担。Microvit是使用多阶段元式构建结构设计的，堆叠了多个微型编码器以提高效率和性能。Imagenet-1k和可可数据集上的全面实验表明，微型电视可以达到竞争精度，同时显着改善了3。6×更快的推理速度和降低效率高40％的效率的速度比移动设备系列高40％，这使其适合在资源受限环境（例如移动设备和边缘设备）中部署。索引术语 - 分类，自我注意力，视觉跨前，边缘设备。
在神经形态硬件上实施的新皮层的生物学现实计算原始素改善视觉变压器性能
恶意化）。此外，此SWTA图案的稀疏耦合也能够模拟TN芯片上的两态神经状态机，从而复制了对认知任务必不可少的工作记忆动力学。此外，将SWTA计算作为视觉变压器（VIT）中的预处理层的整合，增强了其在MNIST数字分类任务上的性能，证明了改进的概括性对以前看不见的数据进行了改进，并提出了类似于零量学习的机制。我们的方法提供了一个将大脑启发的计算转换为神经形态硬件的框架，并在英特尔的Loihi2和IBM的Northpole等平台上使用了潜在的应用。通过将生物物理精确的模型与神经形态硬件和高级机器学习技术集成，我们是将神经计算嵌入神经ai系统中的全面路线图。
配电变压器自动负荷分配（IOT）
VN Chatse 1、GD Shingade 2 电气工程系，MGM'S 大学 MGM 大学，Cidco，Chh. Sambhajinagar，马哈拉施特拉邦 印度 摘要：随着我们进入人工智能、自动化和创新基础设施的新时代，在过去一个世纪中，对电力的需求呈指数级增长。人口增加也是需求增长的主要原因。使用物联网实现配电变压器的自动负载共享 当今能源危机（如电力需求和变压器保护，最终可以解决配电系统保护）的方法之一。负载分配的主要目标是防止变压器过载。由于过载，变压器的效率会降低，结果经常发生电源故障，绕组过热并可能烧毁。结果变压器故障率增加。更换新变压器是一项主要任务，需要大量资金和人力。保护配电免受过载、维持对工业和家庭的可靠电力供应是配电公司要处理的重点任务。自动负载共享是最好的解决方案之一，这将通过使用微控制器来实现。两个配电变压器通过并联连接，包括微控制器的主动作用。微控制器将第一个变压器上的负载与参考值进行比较。当负载超过参考值时，第二个变压器将分担额外的负载。关键词：DHT11-数字湿度温度传感器，ESP8266微控制器
![arxiv：2502.10437v1 [q-bio.pe] 2025年2月9日](/simg/5/5ee1b28253fd57f67c8de75bac41fc3c62096654.webp)
arxiv：2502.10437v1 [q-bio.pe] 2025年2月9日
摘要 - 基于变压器的模型主导了NLP和视觉应用，其基本机制却尚不清楚为标签空间映射到标签空间的基本机制。在本文中，我们研究了视觉变压器（VIT）的已知表示形式漏洞的来源，其中感知相同的图像可以具有非常不同的表示，而语义上无关的图像可以具有相同的表示形式。我们的分析表明，对输入的不可感知的变化可能会导致显着的表示变化，尤其是在以后的层中，这表明VIT的性能中的潜在不稳定性。我们的全面研究表明，在早期层中微妙的较微妙的效果通过网络传播和放大，在中间到晚层中变得最明显。这种洞察力激发了神经维特 - 武器的发展，这是一种新型的防御机制，在战略上使早期层中脆弱的神经元中和脆弱的神经元，以防止一系列对抗性效应。我们在各种攻击中展示了神经果赛的有效性，尤其是在强烈的迭代攻击中出色，并展示了其非凡的零弹性概括能力。在没有微调的情况下，我们的方法在对抗性示例中实现了77.8％的效率精度，超过了常规的鲁棒性方法。我们的结果为对抗性效应如何通过VIT层传播，同时提供了一种有希望的方法来增强视觉变压器对对抗性攻击的鲁棒性。此外，它们还提供了一种有希望的方法来增强视力变压器对对抗攻击的鲁棒性。索引术语 - 代表脆弱性，对抗性攻击，视觉变压器，可靠的嵌入
基于序列到序列变压器结构
摘要：近年来，图像复制移动伪造（CMFD）的检测已成为验证数字图像的真实性的关键挑战，尤其是随着图像操纵技术的迅速发展。虽然深度卷积神经网络（DCNN）已被广泛用于CMFD任务，但它们通常受到一个显着限制的阻碍：编码过程中空间分辨率的逐步减少，这导致了关键图像细节的丢失。这些细节对于图像复制移动伪造的准确检测和定位至关重要。为了克服现有方法的局限性，本文提出了一种基于变压器的CMFD和本地化方法，作为传统DCNN技术的替代方法。所提出的方法采用变压器结构作为编码器来以序列到序列方式处理图像，用自我发项计算代替以前方法的特征相关计算。这使该模型可以捕获图像中的远程依赖性和上下文细微差别，从而保留了通常在基于DCNN的方法中丢失的更细节。此外，还利用了适当的解码器来确保图像特征的精确重建，从而提高了检测准确性和定位精度。实验结果表明，所提出的模型在USCISI等基准数据集上实现了出色的性能，用于图像复制移动伪造的检测。这些结果表明了变压器体系结构在推进图像伪造检测领域的潜力，并为未来的研究提供了有希望的方向。
多个对象跟踪的变压器：探索视觉
多对象跟踪（MOT）是各个领域的关键任务，例如官能分析，监视和自动驾驶汽车。联合检测和追踪范式已经进行了广泛的研究，在训练和部署经典的逐个检测范式的同时，在实现先进的性能的同时，训练和部署更快，更方便。本文通过利用现行的卷积神经网络（CNN）和新型视觉变压器技术局部性来探讨增强MOT系统的可能性。在计算机视觉任务中采用的变压器中有几种延期。虽然变形金刚擅长建模全局信息以进行长时间的嵌入，但缺少学习本地特征的局部机器。这可能导致小物体的疏忽，这可能会导致安全问题。我们将TransTrack MOT系统与localvit所赋予的局部性机制相结合，并发现该位置增强系统在MOT17数据集上比基线TransTrack优于基线转移。
基于稀疏视图计算机断层扫描
摘要提出了一种新的稀疏 - 视图计算机断层扫描重建方法，该方法利用了变压器网络的恢复能力，特别是基于Swin Transformer的图像重建网络SWINIR。我们的方法包括三个关键块：通过线性插值来提高采样，使用两者中深度学习的初始重建以及残留的细化。测试了两个架构：一个长期的架构，该结构在残留细化块的两个域中使用神经网络，而在正式结构域中仅使用网络的网络进行了简短。用swinir和u-net测试了每种方法，从而产生了四种变体，所有这些方法在PSNR和SSIM方面都优于FBP和SIRT（例如FBP和SIRT）。使用Swinir的短体系结构取得了最佳结果，其训练和计算时间小于基于Swinir的长架构，但比两个基于U-NET的变体都大。