XiaoMi-AI文件搜索系统
World File Search Systemlenging
量子电气标准 - NIST 的 TSAPPS
大多数人，包括物理学家，可能都不知道实验室里的电压表或手机里的电池是如何校准的。这两项活动以及许多其他活动都主要依赖于基于国际单位制的电学单位的成功传播。电学单位的标准有着悠久的历史，可以追溯到基础实验——例如安培定律的测试。然而，今天的电学标准正受到基于量子定律和设备的现代工作的挑战，而这些定律和设备在 1960 年国际单位制建立时并不存在。理论上，电学单位都是基于两根载流导线之间的力。实际上，目前的电学单位系统基于两个不方便且具有挑战性的物理实验。电流单位由现代版的安培实验定义，该实验使用一种称为瓦特天平的设备（见图 1）。电容单位由可计算电容器实验定义，在该实验中，一个大型铜圆柱体在真空室中移过其他圆柱体。然而，在实际操作中，大多数电气单位（特别是电压和电阻）的校准可以追溯到反映量子物理的固态设备，而不是经典的库仑或安培定律。基于约瑟夫森电压 (JV) 的量子标准
基于架构驱动的物理深度学习，利用有限数据进行激光粉末床熔合增材制造的温度预测
物理信息深度学习 (PIDL) 是增材制造 (AM) 领域的新兴主题之一。然而，以前的 PIDL 方法的成功通常在很大程度上取决于海量数据集的存在。由于 AM 中的数据收集通常具有挑战性，本研究提出了一种基于有限数据场景的深度展开方法的新型架构驱动 PIDL 结构 APIDL，用于预测激光粉末床熔合过程中的热历史。该机器学习架构中的连接受到迭代热模型方程的启发。换句话说，热模型的每次迭代都映射到神经网络的一层。对 APIDL 模型的超参数进行了调整，并分析了其性能。对于 1000 个点、分割率为 80:20 的 APIDL，测试平均绝对百分比误差 (MAPE) 为 2.8%，R2 值为 0.936。将 APIDL 与人工神经网络、额外树回归器 (ETR)、支持向量回归器和长短期记忆算法进行了比较。结果表明，所提出的 APIDL 模型优于其他模型。APIDL 的 MAPE 和 R 2 比 ETR 低 55.7%，高 15.6%，而 ETR 在其他纯机器学习模型中表现最佳。[DOI：10.1115/1.4062237]
基于转移熵的方法从临床角度分析睁眼和闭眼条件下的信息流
研究正常或病理条件下的大脑动态已被证明是一项具有挑战性的任务，因为对于最佳方法没有统一的共识。在本文中，我们提出了一种基于传递熵的方法来研究健康受试者在睁眼（EO）和闭眼（EC）静息状态下不同大脑半球之间的信息流。我们使用了一个模拟临床环境中技术条件的实验装置，并从 65 Hz 采样率的 24 通道脑电图（EEG）短记录中收集数据集。我们的方法考虑了两种条件下的半球间和半球内信息流分析，并依赖于从 EEG 通道之间的传递熵估计计算出的 4 个指标。这些指标提供有关活动连接的数量、强度和方向性的信息。我们的结果表明，在 EC 条件下，alpha、beta1 和 beta2 频带的信息传递有所增加，但在任何一种条件下，半球间信息移动都没有优先的方向。这些结果与之前报道的以更高采样率进行更密集的 EEG 记录的研究一致。总之，我们的方法表明，在 EO 和 EC 静息状态下，大脑信息传递的动态存在显著差异，这也可以应用于常规临床治疗。
可充电电池的在线声学传感
过渡，粒子裂纹，电极断裂，气泡爆发和lm形成。通过应用AE技术，可以实时识别AE事件，而不会中断电池电池的正常功能。几项研究探索了使用AE感应与电化学性能指标的使用来估计和预测电荷状态（SOC），健康状况（SOH）等。，商业细胞。2,3这些细胞，用于实际应用中，o n具有复杂的细胞格式。这些细胞内产生的瞬时弹性波必须穿过各种材料和介质才能到达传感器。材料中的这种变化使波传播复杂化，使其更加挑剔以准确评估AE响应。危险，例如热失控，短路和容量淡出，突出了对电池诊断技术的需求。AE可以将其信号与降解现象相关联，从而及时进行干预。一旦整合到电池管理系统中，它就可以提供早期警告并提高整体电池安全性和性能。这包括在异常事件（例如热量，4机械载荷，5-7和电气滥用）期间与其他测量值一起操作和测量AE参数。8年老化指标，例如绝对能量和累积命中，可以用作中间变量，以估计和预测电池的SOH。9
连续时间随机过程的量子编码与分析及其金融应用
对连续时间中的随机现象进行建模是一项重要而又具有挑战性的问题。通常无法获得解析解，而数值方法可能非常耗时且计算成本高昂。为了解决这个问题，我们提出了一个专门针对量子连续时间随机过程的算法框架。该框架由两个关键程序组成：数据准备和信息提取。数据准备程序专门用于编码和压缩信息，从而显着降低空间和时间复杂度。这种减少对于随机过程的关键特征参数而言是指数级的。此外，它可以作为其他量子算法的子模块，缓解常见的数据输入瓶颈。信息提取程序旨在以二次加速解码和处理压缩信息，扩展量子增强蒙特卡罗方法。该框架展示了多功能性和灵活性，可在统计学、物理学、时间序列分析和金融领域得到应用。举例来说，默顿跳跃扩散模型中的期权定价和集体风险模型中的破产概率计算，展示了该框架捕捉极端市场事件和纳入历史相关信息的能力。总的来说，这个量子算法框架为准确分析和增强对随机现象的理解提供了一个强大的工具。
Synthetic-Neuroscore：使用神经人工智能接口评估生成对抗网络
生成对抗网络 (GAN) 在计算机视觉、自然语言处理、语音合成和类似领域越来越受到关注。可以说，最引人注目的成果是在图像合成领域。然而，评估 GAN 的性能仍然是一个开放且具有挑战性的问题。现有的评估指标主要使用自动统计方法来测量真实图像和生成图像之间的差异。它们通常需要大量样本进行评估，并且不直接反映人类对图像质量的感知。在这项工作中，我们描述了一种称为 Neuroscore 的评估指标，用于评估 GAN 的性能，它通过利用脑信号更直接地反映心理感知图像质量。我们的结果表明，Neuroscore 的性能优于当前的评估指标，因为：（1）它更符合人类判断；（2）评估过程需要的样本数量少得多；（3）它能够根据每个 GAN 对图像的质量进行排名。提出了一种基于卷积神经网络 (CNN) 的神经人工智能接口，可以直接从 GAN 生成的图像中预测神经评分，而无需神经响应。重要的是，我们表明，在网络训练阶段加入神经响应可以显著提高预测能力
量子电气标准 - NIST 的 TSAPPS
大多数人，包括物理学家，可能都不知道实验室里的电压表或手机里的电池是如何校准的。这两项活动以及许多其他活动都主要依赖于基于国际单位制的电学单位的成功传播。电学单位的标准有着悠久的历史，可以追溯到基础实验——例如安培定律的测试。然而，今天的电学标准正受到基于量子定律和设备的现代工作的挑战，而这些定律和设备在 1960 年国际单位制建立时并不存在。理论上，电学单位都是基于两根载流导线之间的力。实际上，目前的电学单位系统基于两个不方便且具有挑战性的物理实验。电流单位由现代版的安培实验定义，该实验使用一种称为瓦特天平的设备（见图 1）。电容单位由可计算电容器实验定义，在该实验中，一个大型铜圆柱体在真空室中移过其他圆柱体。然而，在实际操作中，大多数电气单位（特别是电压和电阻）的校准可以追溯到反映量子物理的固态设备，而不是经典的库仑或安培定律。基于约瑟夫森电压 (JV) 的量子标准
将预训练的视觉模型适应相机原始图像
摘要。SRGB图像现在是计算机视觉研究中预训练视觉模型的主要选择，这是由于它们的易用性和效果存储。同时，原始图像的优点在于它们在可变的现实世界中的较丰富的物理信息。对于基于相机原始数据的计算机视觉任务，大多数现有研究采用了将图像信号处理器（ISP）与后端网络集成的方法，但经常忽略ISP阶段和后续网络之间的相互作用功能。从NLP和CV区域中正在进行的适配器研究中汲取灵感，我们介绍了Raw-Adapter，这是一种旨在将SRGB预先训练的模型调整为相机原始数据的新颖方法。RAW-ADAPTER包括输入级适配器，这些适配器采用可学习的ISP阶段来进行AD-RAW输入，以及模型级别的适配器，以在ISP阶段和随后的高级网络之间建立连接。此外，Raw-Adapter是一个可以在各种Compoter Vision Frameworks中使用的通用框架。在不同的照明条件下进行了丰富的实验，已经显示了我们算法的最先进（SOTA）绩效，证明了其在一系列现实世界和合成数据集中的有效性和效率。代码可在此URL上找到。
优化用于保护高场加速器磁铁的次级CLIQ
摘要 - 碰撞能量显着的圆形粒子加速器超出LHC，需要具有较高磁场的磁铁。对这种磁体的淬火保护是出于两个主要原因。首先，高能量密度和相对较高的淬火需要高性能的淬火保护系统。第二，在预计将运行的加速器机器中保护系统的集成数十年，要求易于整合，健壮和冗余元素。最近提出了一种名为Secondary Cliq（S-CLIQ）的新的且有前途的保护方法。它依赖于辅助正常线圈，这些线圈与线圈电隔离以保护但在磁性上耦合到它们。在磁铁淬灭检测时，耦合线圈具有双重功能：首先，它们会在超导体中引起高耦合损失，这足以使大多数绕组在几个Mil-mil-Liseconds中传递到正常状态；其次，他们通过磁耦合提取磁铁存储的一部分。在这项工作中，提出了基于放置在赛道磁铁顶部和底部的辅助线圈的S-CLIQ系统，并显示了由薄1毫米2线制成的。表明，在热点温度和地面峰值电压方面，淬灭保护性能优于替代方法，例如能量提取，淬火加热器和CLIQ。
![arxiv：2501.16651v1 [eess.sp] 2025年1月12日](/simg/6\64442d13ca6f300de928f4cb40f36c1c3490bdfc.webp)
arxiv：2501.16651v1 [eess.sp] 2025年1月12日
摘要。使用侵入性方法的胎儿心脏健康监测的生存能力有限，因为它们只能在劳动期间使用并且不舒服。另一方面，非侵入性FECG被母体心电图掺假，因此导致分析不佳。相反，脉冲波多普勒（PWD）超声心动图产生代表胎儿血液体积流血流量的高质量信号。它也遵循非侵入性信号采集。唯一的缺点是它需要非常昂贵的设置。为了解决这一方面，我们提出了一个挑战研究问题 - 我们可以使用非侵入性胎儿ECG重建PWD信号吗？要回答这个问题，我们就输入FECG波极性，输出PWD信号配置（EA+，EA-和组），输出PWD信封（上，下，下，PCA压缩和组），输入FECG信号的信号长度和不同的回归模型进行了可行性研究。为了实现良好的重建，我们还提出了PWDRECNET - 一个深度学习框架，可在多个时间上下文中运行。据我们所知，这是第一项考虑Ni-Fecg重建PWD信号的工作。观察的数值结果表明，使用足够的配置和模型可以获得更好的重建。