XiaoMi-AI文件搜索系统
World File Search Systeminspired
具有林德布拉德主方程和干扰测量的量子启发语言模型用于情绪分析
量子启发模型在许多下游语言任务（如问答和情感分析）中表现出色。然而，最近的模型主要关注嵌入和测量操作，忽略了量子演化过程的重要性。在这项工作中，我们提出了一种新型的量子启发神经网络 LI-QiLM，它集成了林德布拉德主方程 (LME) 来建模演化过程和干涉测量过程，提供更多的物理意义以增强可解释性。我们对六个情感分析数据集进行了全面的实验。与传统神经网络、基于 Transformer 的预训练模型和量子启发模型（如 CICWE-QNN 和 ComplexQNN）相比，所提出的方法在六个常用的情感分析数据集上表现出卓越的准确率和 F1 分数。额外的消融测试验证了 LME 和干涉测量的有效性。
自动驾驶汽车赛车的平衡奖励启发的增强学习
自动驾驶汽车赛车引起了广泛的兴趣，因为它在极限的自动驾驶中具有巨大的潜力。基于模型和基于学习的方法已被广泛用于自主赛车。但是，基于模型的方法在仅可用局部感知时无法应对动态环境。作为比较，基于学习的方法可以在本地感知下处理复杂的环境。最近，深度强化学习（DRL）在自主赛车上越来越受欢迎。DRL通过处理复杂情况并利用本地信息来优于传统的基于学习的方法。DRL算法，例如近端政策算法，可以在自动驾驶竞争中的执行时间和安全性之间达到良好的平衡。但是，传统DRL方法的训练结果在决策中表现出不一致的正确性。决策中的不稳定引入了自动驾驶汽车赛车的安全问题，例如碰撞到轨道边界中。所提出的算法能够避免碰撞并提高训练质量。在物理发动机上的仿真结果表明，所提出的算法在避免碰撞中的其他DRL算法优于其他DRL算法，在急剧弯曲期间实现更安全的控制以及多个轨道之间的较高训练质量。关键字：自动驾驶汽车赛车，本地规划，近端政策优化，平衡奖励功能。
机器人技术的微扫描启发的活动摄像机
神经形态视觉传感器或事件摄像机使人们对极低的反应时间的视觉感知，为高动力机器人应用开辟了新的途径。这些事件摄像机的输出取决于运动和纹理。但是，事件摄像机无法捕获与相机运动平行的对象边缘。这是传感器固有的问题，因此具有挑战性地求解算法。人类的视力涉及使用小型眼动的主动机制，即最突出的动作，这是最突出的动作。通过在固定过程中不断地移动眼睛，微扫视可以基本上保持纹理稳定性和持久性。受微观启发的启发，我们设计了一个基于事件的感知系统，能够同时保持低反应时间和稳定的质感。在此示例中，将旋转的楔形棱镜安装在事件摄像头的光圈前，以重定向光线和触发事件。旋转楔形棱镜的几何光学器件允许对额外的旋转运动进行算法补偿，从而导致稳定的纹理外观和高信息输出，而与外部运动无关。硬件设备和软件解决方案都集成到系统中，我们称之为人工微扫视增强事件摄像头（AMI-EV）。基准比较验证了在标准摄像机和事件摄像机无法交付的情况下，AMI-EV记录的出色数据质量。各种现实世界的实验表明了系统的潜力，可以促进低级和高级视力任务的机器人感知。
2024; 14（8）：3246-3266。 doi：10.7150/thno.93755审查生物启发的细胞膜衍生的囊泡用于mRNA递送
Messenger RNA（mRNA）最初在1960年代初发现[1]，并于1984年报告了生物活性mRNA的合成[2]。用作关键中介，mRNA用来操纵靶基因，策划蛋白质或活性物质的表达，从而在遗传信息的传播中发挥关键作用。与基于DNA的蛋白质表达技术不同，mRNA不需要穿透细胞核并避免整合到基因组中[3，4]，从而减少了对安全性的关注。此外，在自发降解后，由细胞有效回收了产生的mRNA产物。与传统的疫苗相反，需要长时间的开发时间，由于抗原替代技术的简单性，mRNA疫苗具有更快的开发周期[5]。发现mRNA疗法的优势在COVID-19大流行期间特别有用，当mRNA技术为
受大脑启发的脉冲神经网络中的终身学习和发展联想记忆
生物系统中的 EAM，更具体地说是大脑中的 EAM，是通过终身学习 (LLL) 创建的，其中相关项目在时间和空间中的结构（例如集群）不断创建和修改。另一方面，LLL 依赖于基于共性和相似性将新项目添加到现有结构中，因此 LLL 和 EAM 是同一过程的双重原则。这种二元性涉及大脑中不同层次的分子和神经功能，例如：神经发生；神经调节；情景重放；元可塑性；多感觉整合。1 大脑中的 LLL 是基于神经网络的人工系统中 LLL 的终极灵感，更具体地说，是基于大脑启发的脉冲神经网络 (SNN) 架构，其中时空联结结构不断形成和修改以形成不断发展的时空联想记忆 (ESTAM)。2–5
一种脑启发式人工智能的伦理分析方法
摘要 尽管人工智能取得了成功，但迄今为止，它在不同的应用领域和目标方面仍然存在许多缺点。这些限制可以说是概念上的（例如，与底层理论模型有关，如符号与联结主义），也是操作上的（例如，与鲁棒性和泛化能力有关）。受生物启发的人工智能，更具体地说是受大脑启发的人工智能，有望提供超出传统人工智能的生物学方面，从而有可能评估并可能克服其目前的一些缺点。本文探讨了受大脑启发的人工智能的开发和使用所引起的一些概念、技术和伦理问题。在此背景下，本文探讨了受大脑启发的人工智能在伦理上是否有任何独特之处。本文的目的是介绍一种具有启发性的方法，可用于识别和解决受大脑启发的人工智能（以及更广泛的人工智能）引起的伦理问题。应用该方法得出的结论是，与传统人工智能相比，类脑人工智能提出了新的基础伦理问题和一些新的实际伦理问题，并加剧了传统人工智能提出的一些问题。
使用模拟综合生物启发的基于搜索的测试
20477481，2024，5，从https://onlinelibrary.wiley.com/doi/10.1002/smr.2591下载，由Statens Beredning，Wiley Online Library，on [07/06/2024]。有关使用规则，请参见Wiley Online Library上的条款和条件（https://onlinelibrary.wiley.com/terms-and-conditions）； OA文章由适用的Creative Commons许可
生物启发的多模式学习，具有有机神经形态电子，用于行为条件
图S6。其他硬件电路以调理传感器信号。用于调节传感器信号的其他硬件电路的电路图。可以在信号强度（电压）和极性（ - /+）中定义每个传感器信号（灰度，超声波，压力和温度），并且可以在每个传感器输出均无信号（0 V）下确定阈值（ - /+）。（a）颜色传感器。（b）用于压力传感器。（C）用于接近传感器。（d）温度传感器。（e）电路通过Arduino Uno 5V模拟输出提供不同级别和极性电压的水平和极性。（f）印刷电路板的照片，没有连接的信号和电缆。
铁氧体掺杂的蔗糖衍生的多孔碳复合材料，灵感来自法老王的蛇，用于宽带电磁波吸收
本文提出了一种直接而有趣的方法，用于设计宽带宽度，轻巧和可调电磁波（EMW）吸收材料。通过燃烧实验从“法老的蛇”中汲取灵感，生物质碳源和蔗糖用于制造Fe/Fe 3 O 4 @porous Carbon（PC）复合材料。随后，应用高温钙化以增强材料的Mi Crowave吸收特性。准备好的复合材料表现出令人印象深刻的6.62 GHz有效带宽，并且在匹配的厚度为2.2 mm的情况下，具有-51.54 dB的出色吸收能力。此外，通过调整磁性颗粒的含量并控制复合材料的厚度，可以实现C，X和KU频段的全面覆盖范围。出色的性能表明，合成的Fe/Fe 3 O 4 @pc多孔材料对电磁波吸收的应用具有重要潜力。它为获取吸收宽带吸收材料的新颖，直接且具有成本效益的方法打开了。
