XiaoMi-AI文件搜索系统
World File Search Systemgraphs
官方二合字母和三合字母 - 行政服务局
在 CATMS、暂记报告和 SD 表格 391 中分配行动时，CMD 将酌情使用表 26 中的二合字母和三合字母作为 DoD 和 OSD 组件负责人。有关问题可直接联系 CMD，邮箱为 whs.pentagon.esd.mbx.cmd-correspondence@mail.mil。
官方二合字母和三合字母 - 行政服务局
在 CATMS、暂记报告和 SD 表格 391 中分配行动时，CMD 将酌情使用表 26 中的二合字母和三合字母作为 DoD 和 OSD 组件标题。有关它们的问题可直接发送到 CMD，邮箱为 whs.pentagon.esd.mbx.cmd-correspondence@mail.mil。
文章人工智能 (AI) 驱动的磨牙角度测量可预测全景 X 光片上的第三磨牙萌出
摘要：所提出的人工智能 (AI) 工具的目的是自动分割全景 X 光片上的下颌磨牙并提取磨牙方向，以预测第三磨牙的萌出潜力。总共使用 838 张全景 X 光片进行网络的训练 (n = 588) 和验证 (n = 250)。具有 ResNet-101 主干的全卷积神经网络联合预测了磨牙分割图和方向线估计值，然后通过对分割轮廓的近中和远中侧进行回归迭代细化。准确度被量化为与人类参考测量值相比的正确角度 (具有预定义的误差间隔) 的分数。使用 Bland-Altman 图直观地评估网络和参考测量值之间的性能差异。自动磨牙分割的定量分析导致平均 IoU 约为 90%。第一和第二磨牙的平均 Hausdor ffi 距离最小。网络角度测量的准确度达到 79.7% [ − 2.5 ◦ ; 2.5 ◦ ] 和 98.1% [ − 5 ◦ ; 5 ◦ ]，同时临床上显著减少了 53% 以上的用户时间。总之，本研究验证了一种独特的新型 AI 驱动工具，可快速、准确、一致地自动测量全景 X 光片上的磨牙角度。为牙科医生提供精确的 AI 工具将促进和优化牙科护理，并协同提高诊断准确性。
人工智能通过眼底照片检测视乳头水肿
结果 来自 6779 名患者的训练和验证数据集包括 14,341 张照片：9156 张正常视盘、2148 张有视乳头水肿的视盘和 3037 张有其他异常的视盘。分类为正常的百分比在各个部位从 9.8% 到 100% 不等；分类为有视乳头水肿的百分比在各个部位从 0 到 59.5% 不等。在验证集中，系统以 AUC 为 0.99（95% 置信区间 [CI]，0.98 至 0.99）区分有视乳头水肿的视盘与正常视盘以及有非视乳头水肿异常的视盘，以 AUC 为 0.99（95% CI，0.99 至 0.99）区分正常视盘与异常视盘。在 1505 张照片的外部测试数据集中，该系统对视乳头水肿检测的 AUC 为 0.96（95% CI，0.95 至 0.97），灵敏度为 96.4%（95% CI，93.9 至 98.3），特异性为 84.7%（95% CI，82.3 至 87.1）。
基于网络的 COVID-19 诊断工具，利用机器学习对胸部 X 光片 (CXR) 进行诊断
保留所有权利。未经许可不得重复使用。 （未经同行评审认证）是作者/资助者，他已授予 medRxiv 永久展示预印本的许可。
人工智能通过眼底照片检测视乳头水肿
结果 6779 名患者的训练和验证数据集包括 14341 张照片：9156 张正常视盘、2148 张有视乳头水肿的视盘和 3037 张有其他异常的视盘。分类为正常的百分比在各个部位从 9.8% 到 100% 不等；分类为有视乳头水肿的百分比在各个部位从 0 到 59.5% 不等。在验证集中，系统以 AUC 为 0.99（95% 置信区间 [CI]，0.98 至 0.99）区分有视乳头水肿的视盘与正常视盘以及有非视乳头水肿异常的视盘，以 AUC 为 0.99（95% CI，0.99 至 0.99）区分正常视盘与异常视盘。在 1505 张照片的外部测试数据集中，该系统检测视乳头水肿的 AUC 为 0.96（95% CI，0.95 至 0.97），灵敏度为 96.4%（95% CI，93.9 至 98.3），特异性为 84.7%（95% CI，82.3 至 87.1）。
量子实验和超图：量子干涉、量子计算和量子纠缠的多光子源
我们引入了超图的概念来描述具有概率多光子源的量子光学实验。每个超边代表一个相关光子源，每个顶点代表一条光输出路径。这种通用的图形描述为产生复杂的高维多光子量子纠缠态提供了新的见解，超越了通过自发参数下转换对创建所施加的限制。此外，可以通过实验研究超图的性质。例如，确定超图是否具有完美匹配的 NP 完全问题可以通过在量子实验中通过实验检测多光子事件来回答。通过在超图中引入复数权重，我们以图形方式展示了一般的多粒子量子干涉和操纵纠缠。我们的工作为多光子高维状态生成的发展铺平了道路，并可能激发使用超图映射的量子计算的新应用。
时变图的开放系统量子热力学
在本文中，我们基于图结构的热力学表示，提出了一种新颖的时间演化网络分析方法。我们展示了如何通过将主要结构变化与热力学相变联系起来来表征随时间变化的复杂网络的演化。具体来说，我们推导出许多不同热力学量（特别是能量、熵和温度）的表达式，并用它们来描述网络系统随时间的演化行为。由于现实世界中没有一个系统是真正封闭的，并且与环境的相互作用通常很强，因此我们假设系统具有开放性。我们采用薛定谔图作为量子系统随时间的动态表示。首先，我们使用图结构的最新量子力学表示来计算网络熵，将图拉普拉斯算子连接到密度算子。然后，我们假设系统根据薛定谔表示演化，但我们允许由于与环境相互作用而导致的退相干，模型类似于环境诱导退相干。我们将模型的动态过程分解为（a）未知的时间相关幺正演化加上（b）观察/相互作用过程，从而简化模型，这是系统密度矩阵特征值变化的唯一原因。这使我们能够通过估计负责演化的幺正部分的隐藏时变汉密尔顿量来获得与环境的能量交换度量。利用能量、熵、压力和体积变化之间的热力学关系，我们恢复了热力学温度。我们评估了该方法在代表金融和生物领域复杂系统的真实世界时变网络上的效用。我们还比较和对比了热力学变量（能量、熵、温度和压力）提供的不同特征。研究表明，时变能量算子的估计可以强烈地表征时间演化系统的不同状态，并成功检测到网络演化过程中发生的关键事件。
非交换图的 Haemers 界
其中 α(G) 表示 G 的独立数，⊠ 表示强图积 [Sha56]。Θ(G) 的对数表示在零误差下通过经典通信信道传输的信息量，其中我们允许任意次数使用该信道，并测量每次使用该信道传输的平均信息量。（图 G 是与信道相关的所谓混淆图，参见第 2.1 节。）香农容量是不可计算的：尽管计算独立数是 NP 完全的 [Kar72]，但存在一些图，其香农容量不是通过有限次将强图与自身相乘来实现的 [GW90]。为了确定香农容量的上限，Lovász 引入了著名的 theta 函数 [Lov79]，它可以转换为半正定程序，并可用于计算例如 Θ(C5)。Lovász 提出了香农容量是否等于一般的 theta 函数的问题，这一问题遭到 Haemers 的反驳：他引入了香农容量的另一个上限，现称为 Haemers 界限，在某些图上该界限可能严格小于 theta 函数 [Hae78, Hae79]。除了经典通信信道，我们还可以考虑量子通信信道。这样做会引出上述问题的量子信息类似物，其研究由 Duan、Severini 和 Winter [DSW13] 系统地发起。在第 2.1 节中，我们展示了量子设置如何推广经典设置，这也促使了下面的定义。对于 (Choi-Kraus 表示的) 量子信道 Φ( A ) = P mk =1 E k AE † k ( ∀ A ∈
作者：Jeanna Smialek 和 Ben Casselman 摄影：Demetrius Freeman 2020 年 2 月 7 日 费城 — 一月的一个清爽的早晨，Markus Mitchell 来到
作者：Jeanna Smialek 和 Ben Casselman 摄影：Demetrius Freeman 2020 年 2 月 7 日 费城——一月份一个寒冷的早晨，马库斯·米切尔 (Markus Mitchell) 八点半来到自己的办公桌前，他的电话响了，他甚至还没来得及登录电脑。米切尔所在的大型非营利组织的一名员工被锁定在组织的网络之外，需要这位 24 岁的年轻人的帮助。在做了一年学徒后，米切尔于 10 月成为费城 JEVS Human Services 的正式员工。就在三年前，他在 Chick-fil-A 的厨房工作，年薪 13,000 美元，当时他对自己的未来感到不确定。获得这份年薪 38,000 美元的职位是他快速职业晋升的最新一步，这在一定程度上得益于美国创纪录的经济扩张和低失业率。