XiaoMi-AI文件搜索系统
World File Search Systemoptimized
应用多任务转移学习：EA和优化子带正规CSP与具有小数据集的8通道EEG信号的组合
脑部计算机界面（BCI）技术提供了一种不依赖外围神经和肌肉的交流方式（Wolpaw等，2000）。全面的BCI系统涉及预处理，特征提取，信号分类和控制。这是一种直接将神经功能转化为外部产出的技术（Ramadan和Vasilakos，2017年）。最常用的脑电图（EEG）信号是事件相关的P300信号（Allison等，2020），稳态视觉引起的电势（Liavas等，1998）和运动成像（MI）信号（Pfurtscheller等人，1997年）。运动图像的最显着优势是其控制信号源自大脑的行动意图，因此不需要外部刺激（Abdulkader等，2015）。这种类型的BCI通常用于外部设备的运动控制，是当今最流行的BCI控制系统之一。但是，运动成像自发脑电图信号的信号噪声比率很低，并且受试者之间的特征有显着的单个差异。通常需要对传统的机器学习算法进行校准，以克服受试者之间的个体差异（Böttger等，2002; Saha等，2017），这一过程降低了BCI系统的效率。为了解决这一缺点，研究人员发现，使用转移学习算法来减少新用户，设备和任务的校准是有效的。近年来，转移学习使用了来自源域中的数据或信息，以帮助目标域通过使用源域（现有主题）数据来校准目标域（新主题）数据（Pan and Yang，2009）。最终，可以用带注释的几个或没有样本来判断目标域，这可以解决训练数据的基本分布与在某些条件下的测试数据之间的不匹配问题。
格子量子场论经典模拟中插值算子的量子优化构造策略
最近有人提出，嘈杂的中型量子计算机可用于优化经典计算机上格子量子场论 (LQFT) 计算的插值算子构造。这里，开发并实施了该方法的两种具体实现。第一种方法是最大化插值算子作用于真空状态与目标本征态所创建状态的重叠或保真度。第二种方法是最小化插值状态的能量期望值。这些方法在 (1 + 1) 维中针对单一味大质量 Schwinger 模型的概念验证计算中实现，以获得理论中矢量介子状态的量子优化插值算子构造。虽然在没有量子门误差噪声的情况下，保真度最大化是更好的选择，但在概念验证计算中，能量最小化对这些影响更具鲁棒性。这项工作具体展示了中期量子计算机如何用于加速经典 LQFT 计算。
针对 AI 和 HPC 加速优化的 Dell PowerEdge 服务器
NVIDIA AI Enterprise 是一套端到端、云原生的 AI 工具和框架，经过优化，可在配备 NVIDIA 认证系统的 VMware vSphere 上运行。它包括快速部署、管理和扩展 AI 工作负载的关键技术。NVIDIA 认证的 Dell 系统将 NVIDIA GPU 和 NVIDIA 网络整合到 Dell Technologies 的服务器和超融合基础架构中，并采用优化配置。NVIDIA LaunchPad 是一种免费的精选实验室体验，使组织能够立即、短期访问用于 AI、数据科学、3D 设计协作和模拟等的硬件和软件堆栈。NVIDIA Launch Pad 自豪地建立在 Dell PowerEdge 服务器上。AMD ROCm TM 提供了一个开源百亿亿次级平台，用于加速 HPC 和集群部署中的计算。
项目静态出版物 ccx spoc 功能 |优化 r21
2023 年 3 月 16 日 — 太空作战指挥能力。全球通信。GEO。地球静止轨道。22,000 英里。连续最佳。地球覆盖。MILSTAR。
一种针对远程评估优化的新型计算机自适应单词列表记忆测试：无痴呆症老年女性的心理测量特性及其与神经退行性生物标志物的关联
缩写：CI，置信区间；SD，标准差；SLS，斯特里克学习广度；SLS 最大广度，在任何学习试验中识别的最大单词数；SLS 1-5 总计，在 1-5 次试验中正确识别的单词总数；SLS 试验总数，SLS 1-5 总计 + 延迟；SLS 综合，平均 z 分数（SLS 最大广度、SLS 1-5 总计、SLS 延迟）；SYM，符号测试；SYM 正确 RT，所有四次试验中每项的平均反应时间（仅正确试验）；SYM 最佳 2 平均值，完成试验的秒数，在完成时间最快的两次试验中取平均值；SYM 中间 2 平均值，完成试验的秒数，在两次试验中取平均值，不包括最高和最低表现；SYM 所有 4 平均值，完成试验的秒数，在所有四次试验中取平均值。两种测试均使用随机替代形式，因此信度系数也代表替代形式信度。 a 所有相关系数均显著（P < 0.001）。bn = 88。cn = 61，因为在学习开始后增加了延迟。d 1-5 总计 + 延迟，n = 61。e 平均 z 分数（最大跨度，1-5 总计，延迟），n = 61。f 四次试验中每个项目的平均反应时间（仅正确试验），单位为秒。g 完成一次试验的秒数，取完成时间最快的两次试验的平均秒数。h 完成一次试验的秒数，取两次试验的平均秒数，不包括最高和最低表现。i 完成一次试验的秒数，取四次试验的平均秒数。j 完成所有四次试验的秒数（总结）。
能量优化方法 - DORA 4RI
摘要 执行尽可能经济和安全的进场仍然是机组人员面临的挑战，需要同时满足多项要求。为了使飞机以尽可能低的油耗和噪音特征从巡航高度下降到接地，需要一种既能以理想速度在空转推力下进场，又能遵循理想垂直剖面的进场，而无需使用减速板、过早放下起落架或以高推力设置飞行不必要的水平段。2019 年 9 月，在苏黎世机场，DLR 的空客 A320 先进技术研究飞机 (ATRA) 使用低噪音增强系统 (LNAS) 飞行员辅助系统进行了总共 90 次进场测试，以实现最经济、最安静的进场。本文旨在从飞行员和管制员的角度介绍空转进场及其通过 LNAS 执行的挑战，根据飞行测试数据展示节省燃料和降低噪音的潜力，并讨论下一步的发展步骤。辅助系统减轻了机组人员的工作量，并为进近过程中的所有这些任务提供支持。执行最佳进近所需的关键信息是飞机实际位置与跑道之间的预期距离。使用辅助系统进行的进近比飞行员进行的进近平均更经济、更安静
MIT 开放存取文章 鲁棒性优化的量子...
量子纠错码通常被设计用于纠正错误，而不管其物理来源如何。在大型设备中，这是一项基本功能。然而，在小型设备中，主要错误源通常是可以理解的，并且可以利用这些知识进行更高效的纠错。因此，优化量子纠错协议是小型设备中一种很有前途的策略。通常，这涉及通过解决适当的优化问题来针对给定的退相干信道定制协议。在这里，我们介绍了一种新的基于优化的方法，该方法可最大限度地提高恢复过程中对故障的鲁棒性。我们的方法受到最近实验的启发，在这些实验中，此类故障是逻辑错误的重要来源。我们用三量子比特模型说明了这种方法，并展示了近期实验如何从更强大的量子纠错协议中受益。
高效将 siRNA 递送至人类 NK 细胞的优化平台
自然杀伤 (NK) 细胞是先天淋巴细胞，参与针对病毒感染细胞和肿瘤的免疫反应 [1]。NK 细胞的功能可通过过继转移用于治疗，这是一种很有前途的癌症治疗选择 [2, 3]。我们对 NK 细胞如何感知周围环境、识别异常细胞和整合受体输入的理解已经取得了长足的进步 [4–6]。然而，产生和维持其功能能力的分子网络仍未完全了解，阐明 NK 细胞内在调控网络有望改善 NK 细胞治疗。通过电穿孔、脂质转染或病毒转导对 NK 细胞进行遗传操作受到传递效率不稳定和活力受损的限制（详见 [7]）。已描述了使用 CRISPR/Cas9 进行 NK 细胞基因工程的效率，范围从 24% 到 90% [8–10]，并且此类方法通常包括体外强力激活，从而排除了对仅在激活前表达或在激活后动态调节的基因的研究。RNA 干扰介导的基因表达敲低是一种有价值的
“AI+R”树：实例优化的 R 树
摘要 — 新兴的实例优化系统类别已显示出通过专门针对特定数据和查询工作负载实现高性能的潜力。特别是，机器学习 (ML) 技术已成功应用于构建各种实例优化组件（例如，学习索引）。本文研究了利用 ML 技术来增强空间索引（特别是 R 树）的性能，以适应给定的数据和查询工作负载。由于 R 树索引节点覆盖的区域在空间中重叠，因此在搜索空间中的特定点时，可能会探索从根到叶的多条路径。在最坏的情况下，可以搜索整个 R 树。在本文中，我们定义并使用重叠率来量化范围查询所需的无关叶节点访问程度。目标是提高传统 R 树对高重叠范围查询的查询性能，因为它们往往会产生较长的运行时间。我们引入了一种新的 AI 树，将 R 树的搜索操作转换为多标签分类任务，以排除无关的叶节点访问。然后，我们将传统的 R 树扩展到 AI 树，形成混合的“AI+R”树。“AI+R”树可以使用学习模型自动区分高重叠查询和低重叠查询。因此，“AI+R”树使用 AI 树处理高重叠查询，使用 R 树处理低重叠查询。在真实数据集上的实验表明，“AI+R”树可以将查询性能提高到传统 R 树的 500% 以上。