XiaoMi-AI文件搜索系统
World File Search Systemivarian
对粒子系统和神经网络应用的一般可控性
摘要。存在许多具有对称性的系统的示例，并且可以通过具有对称性的控件进行监视。由于沿进化保留了对称性，因此不可能完全可控，并且必须将可控性视为具有相同对称性的状态的内部。我们证明，具有对称性的通用系统在这个意义上是可以控制的。该结果具有多种应用，例如：（i）当粒子之间相互作用的内核扮演均值场控制的作用时，粒子系统的一般可控性； （ii）在具有边界的歧管上对向量场的家庭的一般可控性； （iii）具有“通用”自发型层的神经网络体系结构的通用介绍 - 在最近的神经网络体系结构中，例如在变形金刚体系结构中的一种无处不在的层。我们开发的工具可以帮助解决模棱两可系统控制的其他各种问题。
用epivariant神经网络的机器学习哈伯德参数
具有扩展Hubbard功能（DFT + U + V）的密度功能理论提供了一个可靠的框架，可以准确描述包含过渡金属或稀有元素的复杂材料。它是通过减轻半本地功能固有的自我相互作用误差来做到的，该误差在具有部分填充D和F电子状态的系统中特别明显。但是，在这种方法中实现准确性取决于现场U和现场v哈伯德参数的准确确定。在实践中，这些是通过半经验调整，需要先验知识或更正确地通过使用预测但昂贵的第一原理计算来获得的。在这里，我们提出了一种基于模棱两可的神经网络的机器学习模型，该模型使用原子占用矩阵作为描述符，直接捕获了手头系统的电子结构，局部化学环境和氧化状态。我们在这里以迭代性线性响应计算为单位计算的哈伯德参数的预测，如密度功能性扰动理论（DFPT）和结构放松。值得注意的是，当对跨越各种晶体结构和组成的12个材料的数据进行培训时，我们的模型分别达到了Hubbard U和V参数的平均相对误差，分别为3％和5％。通过规避计算昂贵的DFT或DFPT自洽协议，我们的模型可以显着加快用可忽略的计算开销的哈伯德参数的预测，同时接近DFPT的准确性。此外，由于其可靠性的可传递性，该模型通过高通量计算促进了加速的材料发现和设计，与各种技术应用相关。
epoiriant原子中心的原子间电位
分子动力学仿真是计算材料科学和化学的重要工具，在过去的十年中，它通过机器学习进行了革命。在过去的几年中，机器学习跨性别潜力的快速进步已经产生了许多新的体系结构。在其中特别值得注意的是原子聚类的扩展，它统一了围绕原子密度的描述符的许多早期思想和神经模式间影响（NEQuip），这是一个具有信息的神经网络，具有等效性特征，当时表现出了最先进的精度。在这里，我们构建了一个统一这些模型的数学框架：原子聚类的扩展是扩展的，并作为多层体系结构的一层重新铸造，而Nequip的线性化版本则被理解为对更大的多项式模型的特定稀疏。我们的框架还提供了一种实用的工具，用于系统地在此统一的设计空间中探索不同的选择。通过一系列实验进行了一组Nequip的消融研究，该实验远离域内和外部的精度和平滑的外推离训练数据很遥远，阐明了一些设计选择对于实现高精度至关重要。NEQuip的简化版本，我们称为Botnet（用于身体订购的张量网络），具有可解释的体系结构，并在基准数据集上保持其准确性。
旋转 - 等级的神经网络，用于从卫星图像中删除云 /作者= suhat，suhas; Marks，Tim K. /creationDate = 2025年1月8日 /主题=人工智能，计算机视觉，机器学习< /div>
摘要在本文中，我们旨在使用深层神经网络从多云的光学图像和对齐的合成孔径雷达（SAR）图像中恢复无云的光学图像。与以前的方法相反，我们观察到卫星图像特征通常没有首选方向。通过使网络层遵守改变输入图像的方向的几何约束，可以将此见解纳入神经座的设计中，只能改变相应的输出图像的方向，而不必影响秘密的质量或细节。我们构建了一个多模式旋转 - 等级神经网络，称为EquICR（Equivariant Cloud Removal），该网络准确地编码了此几何。在接受公共SEN12MSCR数据集接受培训时，我们观察到使用EquiCR的重建图像质量的改善，与使用深度学习无内置旋转等效性相比。有趣的是，在更困难的情况下，当云覆盖量很高或训练数据集很小时，EquiCR对基线方法的改善更大。
equibot：SIM（3） - 可推广和数据有效学习的Equivariant扩散策略
摘要：构建有效的模仿学习方法，使机器人能够从有限的数据中学习，并且仍然在不同的现实世界环境中概括是一个长期存在的问题。我们提出了Equibot，一种可用于机器人操纵任务学习的强大，有效且可推广的方法。我们的方法结合了SIM（3） - 等级神经网络体系结构与扩散模型。这确保了我们所学的政策对规模，轮换和翻译的变化是不变的，从而增强了它们对看不见的环境的适用性，同时保留了基于扩散的政策学习的好处，例如多种方式和鲁棒性。我们在一组6项模拟任务上显示，我们提出的方法减少了数据要求并改善对新方案的概括。在现实世界中，有10个移动操作任务的10个变体，我们表明我们的方法可以轻松地概括为每项任务中仅5分钟的人类演示的新颖对象和场景。网站：https：//equi-bot.github.io/
liDar对象检测 /作者= hegde，deepti的时空时空的自我安排； Lohit，Suhas； Peng，Ruan-Chuan；琼斯，迈克尔·J；帕特尔（Vishal M.
抽象的流行表示方法鼓励在输入上应用的转换下的特征不变性。然而，在3D感知任务中，诸如对象定位和segmen的任务中，输出自然与某些转换（例如旋转）相等。使用训练前损失函数，鼓励在某些转换下的特征等同于特征，提供了强大的自学信号，同时还保留了传输特征表示之间的几何关系信息。这可以在下游任务中改善与此类转换一样的下游任务。在本文中，我们提出了一个时空的阶段性学习框架，通过共同考虑空间和时间增强。我们的实验表明，最佳性能是通过预训练的方法产生的，该方法鼓励了对翻译，缩放和平流，旋转和场景流量。对于空间增强，我们发现，根据转换，是对比度目标或按分类目标的对比度，可以产生最佳的要求。为了利用现实世界的对象变形和运动，我们考虑了顺序的LIDAR场景对，并开发出一个基于3D场景流量的新颖的均衡性目标，从而导致整体上的性能。我们表明，在许多设置中，3D对象检测的预训练方法优于现有的模棱两可的方法。
通过几何阻抗控制
摘要 - 本文提出了一种差异几何控制方法，该方法利用了SE（3）组不变性和等效性，以提高学习机器人操纵任务中涉及与环境相互作用的可传递性。所提出的方法是基于利用最近提出的几何阻抗控制（GIC）与学习变量阻抗控制框架相结合的，在该框架中，增益计划策略是从专家辩护中以监督的学习方式培训的。几何一致的误差向量（GCEV）被馈送到神经网络以实现增益计划策略。我们证明，使用GCEV的GIC和学习表示在任意SE（3）转换（即翻译和旋转）下仍然不变。此外，我们表明，相对于空间框架表示，所提出的方法是均等的。对我们提出的控制和学习框架与配备笛卡尔错误矢量增益计划策略的著名的笛卡尔太空学习阻抗控制的比较，证实了我们所提出的方法的出色学习转移性。索引术语 - 几何阻抗控制，SE（3）等效性和剩余不变性，可变阻抗控制，接触式操纵任务
