XiaoMi-AI文件搜索系统
World File Search Systemnn
EEGNeX 的基准研究
本研究考察了各种神经网络 (NN) 模型通过脑电图 (EEG) 信号解释心理构造的有效性。通过评估四种脑机接口 (BCI) 范式中 16 种流行的 NN 模型及其变体，我们评估了它们的信息表示能力。基于全面的文献综述结果，我们提出了 EEGNeX，这是一种新颖的纯基于 ConvNet 的架构。我们将它与现有的尖端策略和所有 BCI 基准之母 (MOABB) 进行了比较，涉及 11 个不同的 EEG 运动想象 (MI) 分类任务，结果表明 EEGNeX 超越了其他最先进的方法。值得注意的是，与竞争对手相比，它在不同场景中的分类准确率提高了 2.1-8.5%，具有统计学意义 (p < 0.05)。这项研究不仅为设计用于 EEG 数据的高效 NN 模型提供了更深入的见解，而且为未来探索生物电脑信号与 NN 架构之间的关系奠定了基础。为了促进更广泛的科学合作，我们已将包括 EEGNeX 在内的所有基准模型公开发布在（https://github.com/chenxiachan/EEGNeX）上。
用物理编码的深度学习分布式水文建模：一般框架及其在亚马逊>中的应用
摘要虽然深度学习（DL）模型比传统的分布式水文模型（DHM）表现出较高的模拟精度，但它们的主要局限性在于不透明度和缺乏潜在的物理机制。DL和DHM之间对协同作用的追求是一个引人入胜的研究领域，但确定的路线图仍然难以捉摸。在这项研究中，一个新型框架无缝整合了编码为神经网络（NN）的基于过程的水文模型，一种用于绘制空间分布的额外NN，并从分水岭属性和基于NN的替换模型中的物理有意义的参数进行了核对，这些参数是开发的。多源观测被用作训练数据，并且该框架是完全可区分的，可以通过反向传播进行快速参数调整。基于框架建立了亚马逊盆地的混合DL模型（〜6×10 6 km 2），并且将全球尺度DHM的Hydropy编码为其物理骨架。与流量观测和重力恢复和气候实验卫星数据同时培训，混合模型的中位数NASH -SUTCLIFFE效率为0.83和0.77，分别用于流量和总水存储的动态和分布式模拟，比原始水疗模型高41％和35％。用替代NN替换原始的Penman – Monteith公式会产生更合理的潜在蒸发量（PET）估计，并在这个巨大的盆地中揭开PET的空间模式。解释了用于参数化的NN，以确定控制关键参数中空间可变性的因素。总的来说，这项研究为大数据时代的分布式水文建模提供了可行的技术路线图。
神经形态应用的随机计算 - NSF-PAR
超过了现成的 CPU（例如 Cerebras 的 400,000 核 CS-1 晶圆级引擎 [2]）和用于资源受限系统的小型 NN 解决方案，其主要优势是面积和功耗效率。本期特刊致力于基于随机计算 (SC) 范式的 NN 硬件实现 [3]，[4]。虽然本质上是数字化的，但 SC 提供了模拟计算所具有的几个优势：某些原语的实现非常紧凑且节能——包括 NN 中普遍存在的乘法器和加法器——并且与传感器和执行器具有天然兼容性。此外，SC 没有位有效性的概念，因此相对而言具有容错性。机器学习和模式识别是 20 世纪 60 年代 SC 最初发展的主要驱动力 [3]，但当时的研究人员未能实现可扩展性和大规模采用。
文档流上神经网络分类系统的评估
摘要。基于文档分类目的的基于艺术神经网络（NN）的方法的一个主要缺点是获得有效分类所需的大量培训样本。最低要求的数字约为每个班级的一千个注释的文档。在许多情况下，在实际的工业过程中收集这一数量的样本非常困难，即使不是不可能。在本文中，我们根据公司文档流的情况来分析基于NN的文档分类系统的效率。我们评估了三种不同的方法，一种基于图像内容，两种基于文本内容。评估分为四个部分：参考案例，以评估实验室中系统的性能；每种情况都模拟了两种情况，这些情况很难与文档流处理相关联；以及一个结合了所有这些困难的现实情况。现实的案例强调了一个事实，即基于NN的文档分类系统的效率显着下降。尽管它们对于代表良好的类（对于这些类别的系统过度拟合）仍然有效，但他们不可能处理适当的代表性较低的班级。nn基于文档的分类系统需要适应以解决这两个问题，然后才能将其视为在公司文档流中使用。
智能神经接口和传感系统
3瓦济港科学技术大学，武汉，中国的癫痫发作检测处理器已提议使用机器学习来检测患者的癫痫发作，以提高或刺激目的[1-4]。现有设计可以实现高精度，当可用于培训的大量癫痫发作数据。然而，与收集非赛式数据的收集不同，癫痫发作数据的收集要求患者需要进行时间耗时且昂贵的住院治疗，这在实践中很难。为了解决这个问题，[5]提出了一个零射击癫痫发作检测处理器，在没有患者进行重新训练的情况下达到了相对较高的精度（此处的零照片意味着零癫痫发作数据[5]）。取而代之的是，只需要从患者的2分钟的非Seizure数据来校准用在公共癫痫发作数据集中预先训练的神经网络（NN）提取的聚类特征。尽管这解决了上述问题，但该设计的准确性（敏感性为90.3％＆特定的93.6％）仍然有限用于实际使用，并且能源消耗很大，用于可穿戴的EEG监测设备，例如其他使用NN的癫痫发作检测处理器，如图在这项工作中，我们提出了一个零射的癫痫发作检测处理器，不需要患者的癫痫发作数据以进行[5]中的癫痫发作，但准确性和能量效率更高。图33.1.1显示了所提出的癫痫发作检测处理器的整体体系结构。33.1.2。提取了四个手动特征，包括三个EEG光谱带功率和线长度。它具有两个主要特征：1）杂交驱动的自适应加工体系结构，其片上学习不需要患者的癫痫发作数据即可获得超低的能耗和高精度，以及2）一种基于学习的自适应渠道选择技术，以进一步降低能源消耗，同时保持高精度。It mainly consists of a multi-feature extraction engine (MFEE), a hybrid-feature-driven adaptive processing engine (HAPE), a reconfigurable on-chip learning engine (ROLE), a learning-based channel selection module (LCSM), a data buffer for storing the input data from multiple EEG channels, and a data interface for parameter loading including the NN instructions and weights.一些最新的癫痫发作检测处理器采用基于手动特征提取的分类，以较低的复杂性和更强大的患者性能，而其他人则使用基于端到端的NN基于NN的分类，以提高精确度，以较少的功能工程工作。在这项工作中，我们提出了基于片上学习和自适应处理的基于混合特征的癫痫发作检测处理，以利用两者的优势，如图NN特征提取由深度转换组成，并具有扩张的Cons和Pointwisce Conv。手动功能和NN功能首先通过两个完全连接（FC）层（即FC1_1和FC1_2）投影。33.1.2），然后融合为混合特征，以馈入FC2_2进行分类。对于基于片上学习的混合功能，不需要患者的癫痫发作数据。与[5]中一样，NN使用常用的公共数据集（CHB-MIT）进行预训练。对于片上学习，来自患者的1分钟的非Seizure数据和来自公共数据集的1分钟癫痫发作数据被混合为学习数据集。为了降低能量，仅重新训练了杂交分类层和投影层。图33.1.2显示了包含两个阶段的片上学习处理流。基于混合功能NN，我们提出了一个混合驱动的自适应处理体系结构。添加了另一个FC层（FC2_1）以对手动功能进行分类。最初，仅激活手动功能分类，而混合特征分类和NN特征提取被停用。如果Fc2_1的分类结果是非seizure，则分类终止。否则，NN特征提取和混合特征分类被激活以进行进一步的分类。这种显着的同时降低了能源消耗，同时保持高精度，因为与癫痫发作相比，非赛式事件通常是主要的。为了减少由于手动特征分类的分类误差而导致的准确性损失，在培训期间将实现偏差，以将输入分类为癫痫发作以进行进一步分类。图33.1.3用混合驱动的自适应处理流量显示了HAPE和MFEE的硬件体系结构。HAPE合并了16个用于NN计算的多精制MAC单位。在计算过程中，激活数据根据其值将激活数据动态分为4B或8B，对于4B数据，高4B乘法器被禁用以节能。MFEE将4个功能计算器通过16通道脑电图通过时间多路复用重复使用。在混合驱动的自适应处理控制器的控制下，NN计算是自适应的
轴向脱钩的光刺激和两个光子读数（Adept）用于映射神经回路的功能连通性
摘要：宿主免疫系统的体内平衡受白细胞的调节，其中有8种细胞表面受体用于细胞因子。趋化性细胞因子（趋化因子）激活其受体9，以唤起稳态迁移或炎症条件下的免疫细胞的趋化性，即炎症组织或病原体。免疫系统的失调导致11种疾病，例如过敏，自身免疫性疾病或癌症，需要有效，快速作用的药物，以最大程度地减少慢性炎症的12种长期影响。在这里，我们进行了基于结构的虚拟筛选13（SBV），由KERAS/Tensorflow神经网络（NN）辅助，以查找在三个趋化因子受体上作用的新型化合物支架14：CCR2，CCR3和一个CXC受体CXCR3。keras/tensorflow 15 nn在这里不是用作典型使用的二进制分类器，而是作为有效的多级分类器16，不仅可以丢弃非活性化合物，而且还可以丢弃低或中等活性化合物。在100 ns全原子分子动力学中测试了SBV和NN提出的几种化合物，以确认其结合亲和力。为改善化合物的基本结合亲和力，提出了新的19种化学修饰。将修饰的化合物与这三个趋化因子受体的已知20个雄鹿主义者进行了比较。已知的CXCR3是预测的21磅，因此在基于结构的方法中显示了在药物发现中使用Keras/Tensorflow的好处。此外，我们表明KERAS/Tensorflow NN可以预测化合物的受体亚型选择性，SBV通常会失败。我们跨越了24个测试的趋化因子受体数据集，这些数据集从Chembl和策划的大麻素25受体中策划的数据集获取，网址为：http：//db-gpcr-chem.uw.edu.pl。在从Chembl检索的大麻素26受体数据集上训练的NN模型是受体亚型选择性27预测中最准确的。在趋化因子受体数据集训练的NN模型中，CXCR3模型28在区分给定化合物数据集的受体亚型方面表现出最高的精度。29
![arxiv：2111.01994v1 [hep-ph] 2021年11月3日](/simg/9\9096ef6a73b29d1530de7acea2a182b6c6f9ce76.webp)
arxiv：2111.01994v1 [hep-ph] 2021年11月3日
遵循Boz˙ek-Wyskiel参数化倾斜初始条件，这是一种基于Glauber碰撞几何形状结构纵向倾斜的螺栓固定的替代方法。这种纵向倾斜的初始条件与理想clvisc（3 + 1）d流体动力模型相结合，观察到在广泛的速度范围内的不变的定向流相关V 1。将模型的结果与实验性观察到的来自√snn = 200 Gev Cu + Cu的导向流量V 1（η）的数据进行了比较，rhIC Energy在RhIC Energy上的cu + Au + Au碰撞与√snn = 2.76 TEV和√snn = 5.02 tev pb + pb collisions at lhc lhc lhc lhc lhc colusions。我们发现，重离子碰撞中的定向流量测量可以对向前和向后传入核的不平衡以及沿X方向的压力梯度的幅度不对称设定强大的限制。
使用空间不连贯的衍射网络
摘要。作为光学处理器，一种衍射深神经网络（D 2 NN）利用通过机器学习设计的工程衍射表面来执行全光信息处理，并以薄光学层以光的速度完成其任务。具有足够的自由度，D 2 NN可以使用空间相干的光执行任意复合物值线性变换。同样，D 2 NN还可以使用空间不连贯的照明执行任意线性强度转换。但是，在空间不连贯的光线下，这些转换是非负的，在视图的输入场上作用于衍射限量的光学强度模式。在这里，我们将空间不连贯的d 2 NN的使用扩展到复杂值的信息处理，用于使用空间不相互分的光执行任意复合物值线性转换。通过模拟，我们表明，随着优化的衍射特征的数量增加超出了由输入和输出空间带宽产品乘法所决定的阈值，因此在空间上不相互不相互的衍射视觉处理器可以近似于使用Incoherent Incoherent Illumentiner的所有复杂的复杂价值线性转换，并用于全部流动图像仿真。这些发现对于使用各种形式的基于表面的光学处理器的自然光的信息在自然光下的全光处理很重要。
将人脑映射概念扩展到人工智能......
摘要。本文介绍了人工智能 (AI) 计算系统的映射概念。将人类神经生理学中的“小人”概念扩展到 AI 系统。假设 AI 系统的行为类似于自然动物大脑中的小柱或神经节，包括一层不同的（输入）神经元、许多相互连接的处理单元和一层不同的（输出）神经元或器官。本研究的目的是确定当智能系统受到某些刺激时，对每个不同的神经元的刺激与每个不同的器官的相应反应之间的相关性。为了阐明一般概念，以一个小型三层前馈神经网络 (NN) 为简单示例，并构建了一个 NNculus。这一概念有两个重要应用：一是自主机器人的质量控制，可以构建 NN 或 AI 集群来评估其性能；二是使用人工 NN 通过硬件或数值模拟研究人脑微柱内层的拓扑组织。