XiaoMi-AI文件搜索系统
World File Search Systemjun
![arXiv:2303.09975v5 [ed.IV] 2024 年 6 月 2 日](/simg/g:\will\search\icon\source\9\9bf8c62dcc81309c6ab621b237a6ec6cab8ed069.webp)
arXiv:2303.09975v5 [ed.IV] 2024 年 6 月 2 日
摘要。人们对采用基于 Transformer 的架构进行医学图像分割的兴趣日益浓厚。然而，由于缺乏大规模带注释的医学数据集，要实现与自然图像相当的性能具有挑战性。相比之下，卷积网络具有更高的归纳偏差，因此很容易训练到高性能。最近，ConvNeXt 架构试图通过镜像 Transformer 块来现代化标准 ConvNet。在这项工作中，我们在此基础上进行了改进，设计了一种现代化且可扩展的卷积架构，以应对数据稀缺的医疗环境的挑战。我们推出了 MedNeXt，这是一个受 Transformer 启发的大核分割网络，它引入了 - 1）用于医学图像分割的完全 ConvNeXt 3D 编码器-解码器网络，2）残差 ConvNeXt 上采样和下采样块以保持跨尺度的语义丰富性，3）一种通过上采样小核网络迭代增加核大小的新技术，以防止在有限的医疗数据上出现性能饱和，4）在 MedNeXt 的多个级别（深度、宽度、核大小）上进行复合缩放。这使得它在 CT 和 MRI 模态和不同数据集大小的 4 个任务上实现了最佳性能，代表了一种现代化的医学图像分割深度架构。我们的代码已公开发布：https://github.com/MIC-DKFZ/MedNeXt。
![arXiv:2406.06627v1 [cs.LG] 2024 年 6 月 8 日](/simg/g:\will\search\icon\source\2\200f376a9153bc8a31387d2f9265d794c8b48ce7.webp)
arXiv:2406.06627v1 [cs.LG] 2024 年 6 月 8 日
随着科技的不断进步，人工智能对各个领域产生了重大影响，尤其是医疗保健。生成模型是人工智能的一项关键技术，它彻底改变了医学图像生成、数据分析和诊断。本文探讨了它们在智能医疗设备中的应用。生成模型提高了诊断速度和准确性，提高了医疗服务质量和效率，同时降低了设备成本。这些模型在医学图像生成、数据分析和诊断方面显示出巨大的前景。此外，将生成模型与物联网技术相结合可以促进实时数据分析和预测，提供更智能的医疗服务并辅助远程医疗。挑战包括计算需求、道德问题和特定场景的限制。
![arXiv:2406.02444v1 [quant-ph] 2024 年 6 月 4 日](/simg/g:\will\search\icon\source\6\6db0a0743206c6bdef245015e9a5685b2f64def6.webp)
arXiv:2406.02444v1 [quant-ph] 2024 年 6 月 4 日
量子纠错 (QEC) 在防止量子系统中的信息丢失方面起着关键作用，并为可靠的量子计算提供了框架。为物理激励的噪声模型识别具有良好代码参数的量子代码仍然是一个有趣的挑战。除了量子比特代码之外，我们在此提出了一类量子比特纠错码，专门用于防止振幅阻尼噪声。具体来说，我们构建了一类四量子比特代码，该代码满足所有单量子比特和一些双量子比特阻尼误差的纠错条件，最高可达阻尼参数 γ 的领先阶。我们设计了一种协议来提取可以明确识别这组错误的综合征，从而产生一种噪声自适应恢复方案，该方案实现了 O(γ 2) 的保真度损失。对于 d = 2 的情况，我们的 QEC 方案与已知的 4 量子比特代码示例及其相关的基于综合征的恢复相同。我们还使用 Petz 恢复图评估了我们这类代码的性能，并注意到与量子比特情况的一些有趣偏差。
![arxiv：2103.10315v3 [Quant-ph] 2021年6月3日](/simg/g:\will\search\icon\source\8\88a56937273212f3fac441d2fe7f4818b9f5241f.webp)
arxiv：2103.10315v3 [Quant-ph] 2021年6月3日
长期以来，计算的理论模型被错误地视为纯数学结构。随着量子计算机的兴起，这种观点完全改变了。这是Deutsch [1]很好地总结的：“计算机是物理对象，···，计算机可以或不能做的是仅由物理定律决定的”。换句话说，不同的物理理论导致具有不同计算能力的不同计算模型。当前，只有两项良好的力学框架，经典力学（包括麦克斯韦方程和一般相对论）和量子力学（包括量子场理论）。，因此，有两种类型的计算机，经典的计算机和量子计算机。自然而然地结合了新型的机械师，并将其用作建立新计算机模型的基础。我们将讨论基于洛伦兹量子力学的计算模型，其中动态演化是复杂的洛伦兹变换。它是在参考文献中提出的。[2]作为Bogoliubov-De Gennes方程的概括； Pauli [3]很久以前研究了类似的机制。具有独立指标的Lorentz Me-Chanics中的关键特征是，只有具有积极规范的状态在物理上才能观察到。我们引入了一些称为双曲线位（或简称Hybit）。如此建立的Lorentz计算机由量子和Hybits组成，这些计算机由一组基本的逻辑门操纵。这些大门的普遍性是严格证明的。构造量子计算机是洛伦兹计算机的特殊情况，因此我们希望洛伦兹计算机更强大。确实是这种情况，因为我们发现了一种比Grover的搜索算法更强大的Lorentz搜索算法[4]。，我们将用带有选择后的光子模拟计算机模型的物理实现，因为单个Lorentz系统进行了模拟[5]。
![arxiv：2405.01677V2 [CS.LG] 2024年6月7日](/simg/g:\will\search\icon\source\1\1e0e7568f6ff3e5ae97a70471a935bb649c4e3f8.webp)
arxiv：2405.01677V2 [CS.LG] 2024年6月7日
确保加固学习的安全性（RL）对于其在现实世界应用中的部署至关重要。然而，在外观期间管理奖励与安全之间的权衡提出了重大挑战。通过政策调整来提高奖励绩效可能会对安全性能进行不利影响。在这项研究中，我们旨在通过利用梯度操纵理论来解决这种矛盾的关系。最初，我们分析了奖励与安全梯度之间的冲突。随后，我们通过提出一种软转换策略优化方法来解决奖励和安全优化之间的平衡，为此我们提供了综合分析。基于我们的理论检查，我们提供了一个安全的RL框架来克服上述挑战，并开发了一个安全穆约科克的基准，以评估安全RL算法的性能。最后，我们评估了我们方法对安全穆霍科基准和流行的安全RL基准Omnisafe的有效性。的结果表明，在平衡奖励和安全优化方面，我们的算法优于几个最先进的基线。
Junchen@oakland.edu Oaklan- Jun Chen，博士Junchen@oakland.edu Oaklan- Jun Chen，博士
h Onors and Recognition NSF职业奖，国家科学基金会2022最佳纸张奖，IEEE自动化科学与工程交易2016 2016最佳纸质奖，IEEE国际电子信息技术会议2023 IEEE高级会员2020年IEEE高级成员2020年IEEE副编辑，IEEE最多2025年大会及2025年官员Confertitiatiation Confertitiation Change and Modelitiation Change and Modutitiation Change and Modutitiation Change and Accountion，估算20224-参与者 - 2024年 - 奥克兰大学（Oakland University），奥克兰大学（Oakland University）2024年最多研究活跃奖的系统科学与控制工程副编辑，2024年新研究者研究卓越奖，奥克兰大学2024年最活跃的赠款寻求者奖，奥克兰大学2023和2024 Oakland County Oakland County 40 40岁以下40岁以下40岁以下，Oakland County 2024 NSF CMMI FACERITION DIENITION WARKITIN for Research , Oakland University 2023 R&D 100 Award , R&D World 2023 Associate Editor , IEEE Conference on Control Technology and Applications 2023–present Associate Editor , IEEE International Conference on Robotics and Automation 2020 INL Publication Achievement Award , Idaho National Laboratory 2016 INL Exceptional Contributions Program Award , Idaho National Laboratory 2015 & 2016 Research Excellence Award , Iowa State University 2014 Student Travel Award ,美国控制会议2014年本科生的第三流奖学金，2008年，智格大学杰出学生，2008
![arXiv:1606.00271v1 [physics.atom-ph] 2016 年 6 月 1 日](/simg/g:\will\search\icon\source\e\ede3e4a7d4d8ec7849114fb03a47fcd3eaaae1aa.webp)
arXiv:1606.00271v1 [physics.atom-ph] 2016 年 6 月 1 日
摘要我们提出了一种优化的二极管激光系统，该系统针对激光冷却和原子干涉测量法与超冷的rubidium原子在发声火箭仪上是一个重要的里程碑，这是朝着太空源量子传感器的重要里程碑。设计，组装和合格，梳理微集成的分布式反馈（DFB）二极管激光模块和自由空间光学基准技术，以MAIUS（Micrave in Matter-Wave Intrytrementry in MicroGravity中）的背景下介绍。这个激光系统的体积为21升，质量为27 kg，通过了所有合格测试，用于在发声火箭上进行操作，目前用于生产Bose-Ienstein冷凝物和基于Bragg di raction的bose-einstein冷凝物和执行雾化仪的材料中。MAIUS有效载荷正在预计2016年秋季发布。我们进一步报告了参考激光系统，该系统稳定了rubidium稳定的DFB激光器，该激光器在2015年4月在Texus 51任务中成功地进行了操作。该系统通过剩余的频率稳定整个任务（包括火箭的增强阶段）来表现出高水平的技术成熟度。
![arXiv:2406.10729v1 [cs.LG] 2024 年 6 月 15 日](/simg/g:\will\search\icon\source\1\1d883a67dcaed3567e697f15cdb19f604e910a1e.png)
arXiv:2406.10729v1 [cs.LG] 2024 年 6 月 15 日
摘要 — 基础模型 (FM) 是在海量数据集上训练的大规模深度学习模型，通常使用自监督学习技术。这些模型可作为各种下游任务（包括医学和医疗保健任务）的多功能基础。FM 在多个医疗保健领域取得了显著的成功。然而，该领域的现有调查并未全面涵盖 FM 取得重大进展的所有领域。在本次调查中，我们对医学领域的 FM 进行了全面回顾，重点关注其发展、学习策略、旗舰模型、应用和相关挑战。我们研究了 BERT 和 GPT 系列等著名 FM 如何改变医疗保健的各个方面，包括临床大型语言模型、医学图像分析和组学研究。此外，我们还提供了支持 FM 的医疗保健应用的详细分类，涵盖临床自然语言处理、医学计算机视觉、图形学习和其他与生物学和组学相关的任务。尽管 FM 具有变革潜力，但它们也带来了独特的挑战。本次调查深入探讨了这些挑战，并重点介绍了未解决的研究问题和经验教训，以指导研究人员和从业人员。我们的目标是提供有关 FM 在健康方面的能力的宝贵见解，促进负责任的部署并减轻相关风险。
![arXiv:2407.00285v1 [physics.atom-ph] 2024 年 6 月 29 日](/simg/g:\will\search\icon\source\3\3d69549a0782f233999170d61ea866d8a6096f89.png)
arXiv:2407.00285v1 [physics.atom-ph] 2024 年 6 月 29 日
1 科罗拉多州立大学物理系，科罗拉多州柯林斯堡 80523，美国 2 麦吉尔大学物理系，魁北克省蒙特利尔 H3A 2T8，加拿大 3 SUBATECH，南特大学，IMT Atlantique，CNRS/IN2P3，法国南特 44307 4 斯坦福大学物理系，加利福尼亚州斯坦福 94305，美国 5 SLAC 国家加速器实验室，加利福尼亚州门洛帕克 94025，美国 6 太平洋西北国家实验室，华盛顿州里奇兰 99352，美国 7 德雷塞尔大学物理系，宾夕法尼亚州费城 19104，美国 8 马萨诸塞大学阿默斯特基础相互作用中心和物理系，马萨诸塞州阿默斯特 01003，美国 9 国家研究中心“库尔恰托夫研究所”，俄罗斯莫斯科 123182 10 劳伦斯利弗莫尔国家实验室，美国加利福尼亚州利弗莫尔 94550 11 肯塔基大学物理与天文系，美国肯塔基州列克星敦 40506 12 布鲁克海文国家实验室，美国纽约州厄普顿 11973 13 伦斯勒理工学院物理、应用物理与天文系，美国纽约州特洛伊 12180 14 TRIUMF，加拿大不列颠哥伦比亚省温哥华 V6T 2A3 15 SNOLAB，加拿大安大略省莱夫利 P3Y 1N2 16 劳伦森大学自然科学学院，加拿大安大略省萨德伯里 P3E 2C6 17 中国科学院高能物理研究所，中国北京 100049 18 卡尔顿大学物理系，加拿大安大略省渥太华 K1S 5B6 19 阿拉巴马大学物理与天文系，阿拉巴马州塔斯卡卢萨35405，美国 20 北卡罗来纳大学威尔明顿分校物理与物理海洋学系，美国北卡罗来纳州威尔明顿 28403 21 天际线学院，美国加利福尼亚州圣布鲁诺 94066 22 科罗拉多矿业学院物理系，美国科罗拉多州戈尔登 80401 23 南达科他大学物理系，美国南达科他州弗米利恩 57069 24 IBS 地下物理中心，韩国大田 34126 25 加利福尼亚大学圣地亚哥分校物理系，美国加利福尼亚州拉霍亚 92093 26 温莎大学物理系，加拿大安大略省温莎 N9B 3P4 27 西开普大学物理与天文系，南非贝尔维尔 P/B X17 7535 28 加利福尼亚大学欧文分校物理与天文系，加利福尼亚州欧文92697，美国 29 耶鲁大学物理系莱特实验室，康涅狄格州纽黑文 06511，美国 30 皇后大学物理系，安大略省金斯顿 K7L 3N6，加拿大 31 中国科学院微电子研究所，北京，100029，中国（日期：2024 年 7 月 2 日）