XiaoMi-AI文件搜索系统
World File Search Systemphi
生平背景
我是一名科学家。我帮助开创了量子计算和现代开放科学运动。我对人工智能也有浓厚的兴趣。所有这些都是我对帮助人们发现和创造的系统和工具的更广泛兴趣的一部分，无论是个人还是集体。我对量子计算的兴趣始于 1992 年。我在这个领域最为人所知的身份可能是与 Ike Chuang (麻省理工学院) 合著的《量子计算标准文本》。这是过去 30 年物理学中被引用次数最多的著作，也是物理学史上被引用次数最多的十部著作之一（基于截至 2015 年左右的 Google Scholar 数据）。我对量子计算方面的三项研究贡献特别感到自豪：(1) 控制纠缠量子态操纵的基本定理；这引发了人们对主要化数学及其与量子力学的关系的广泛兴趣；(2) 将量子计算重新表述为一种在非常高维弯曲空间中的测地线运动；这项工作目前正在接受量子引力研究人员的深入研究，他们利用它来理解黑洞； (3) 发现和早期开发量子计算的光簇状态方法，目前由 PsiQuantum 公司研究（最新一轮融资额约为 2.3 亿美元）。其他贡献包括参与开发量子门隐形传态、量子过程层析成像（用于实验性地表征量子门）以及最早的量子隐形传态实验之一，该实验被《科学》杂志评为 1998 年度十大突破之一。作为这项工作的一部分，我与他人共同创立并指导了量子信息科学计划，担任昆士兰大学量子信息科学基础教授。当时，它是南半球最大的以理论为重点的量子计算小组，也是世界上最大的量子计算小组之一，成员人数不断增加，目前大约有 30 人（教师、博士后、学生）。更广泛地说，通过招聘、指导和会议，我帮助澳大利亚发展成为世界领先的量子计算国家之一。虽然量子计算通常被认为是一种有前途的技术，但这并不是激发我兴趣的原因。我对计算机很着迷，因为它是一种表示和运用知识的手段，可以执行我们称之为人类认知的过程。量子计算机强烈地挑战我们去理解这些过程的根本限制。从历史上看，另一条研究路线也探讨了同样的问题，尽管角度截然不同。在 20 世纪 60 年代和 70 年代，道格拉斯·恩格尔巴特 (Douglas Engelbart)、伊万·萨瑟兰 (Ivan Sutherland) 和艾伦·凯 (Alan Kay) 等早期的计算研究人员开始将计算机设想为增强人类认知的工具。他们开发了许多最强大的想法，这些想法构成了现代用户界面的基础，这些工具扩展了人类的创造力和发现能力。受这些想法的启发，在 20 世纪 90 年代，我对互联网的承诺感到兴奋，它有助于改变科学研究的方式——通过新的工具进行协作，共享数据、代码和想法，以新的方式创造意义。我看到这个承诺在开源编程社区内迅速实现。但很明显，许多障碍阻碍了科学界的这一目标。科学已经开发了一些强大的知识共享系统和规范（例如期刊文章），但也有许多系统在关键方面（例如数据、软件和工具，以及在发现中往往至关重要的隐性知识）对共享的激励作用较弱或完全不鼓励共享。
物质与心灵：哲学探究（波士顿科学哲学研究，287）
有人给我递来一个鳄梨。它很有营养 — — 这是一个客观陈述；我喜欢它 — — 这是一个主观句子。其实只有我的一部分喜欢它，也就是我的大脑。它 — — 当然还有一件事 — — 让我兴奋不已。没有它就没有我。我的大脑是物质的东西，虽然是活的，而不仅仅是物理的。它的思想，我的意思是我的思想，是我大脑功能的一部分，就像我的微笑是我面部肌肉的收缩 — — 虽然不是自动的，而是由我的前额叶皮质控制的。没有器官，就没有功能。简而言之，有物质的东西，比如大脑，也有其中的过程，比如思想和感觉。换句话说，有它的，或物质的东西，也有我们，我们自己。这不是现实的二元性或二元性的例子，而是事物（比如大脑）和其中某些过程（比如思想）之间的区别。所以，就是这样：我是一个毫不掩饰的一元论者。我和德谟克利特属于同一个俱乐部，而不是柏拉图，而且我为伟大的亚里士多德在这一点上的犹豫不决而感到顽皮的喜悦，而这一点是所有宗教和哲学的思想源泉。我是唯物主义者，但不是物理主义者，因为作为一名物理学家，我了解到物理学既不能解释生命，也不能解释思想，也不能解释社会。物理学甚至无法解释现象（表象），因为这些现象发生在大脑中，而大脑是超物理的东西；它也不能完全解释机器，因为机器体现了诸如价值、目标和安全等非物理的思想。物理学只能解释最低层次的组织，这是大约 35 亿年前最早的生物出现之前唯一存在的组织。因此，物理主义，即唯物主义最早和最简单的版本，无法应对化学反应、新陈代谢、颜色、心理、社会性或人工制品。我们当代的物质概念既不是德谟克利特的，也不是牛顿的，后者仍被大多数哲学家所持有，这也是大多数人难以相信物质能够思考的原因。他们是对的：一堆大理石无法思考。但大脑是由活组织构成的，活组织具有物理物质所缺乏的特殊性质；其组成原子比古代原子论者想象的微小大理石要微妙和复杂得多。因此，现代唯物主义不应与物理主义相混淆，更不用说机械论了，因为它是包容性的，而不是排除性的。然而，这些混淆在哲学文献中却十分普遍。正统的身心二元论反映在心灵哲学与物质哲学之间的鸿沟中。在维特根斯坦的影响下
使用电阻记忆和超声波换能器进行神经形态物体定位
现实世界的传感处理应用需要紧凑、低延迟和低功耗的计算系统。混合忆阻器-互补金属氧化物半导体神经形态架构凭借其内存事件驱动计算能力，为此类任务提供了理想的硬件基础。为了展示此类系统的全部潜力，我们提出并通过实验演示了一种用于现实世界对象定位应用的端到端传感处理解决方案。从仓鸮的神经解剖学中汲取灵感，我们开发了一种生物启发的事件驱动对象定位系统，将最先进的压电微机械超声换能器传感器与基于神经形态电阻式存储器的计算图结合在一起。我们展示了由基于电阻式存储器的巧合检测器、延迟线电路和全定制超声传感器组成的制造系统的测量结果。我们使用这些实验结果来校准我们的系统级模拟。然后使用这些模拟来估计对象定位模型的角度分辨率和能量效率。结果揭示了我们的方法的潜力，经评估，其能量效率比执行相同任务的微控制器高出几个数量级。
DNA metabarcoding在极夜间揭示了北极两亲植物的多样性，杂食饮食，果冻鱼和鱼作为主要猎物
简介：目前，北极海洋生态系统正在目睹全球最快的身体变化，导致全球和底栖群落和食品网络结构发生转变，这与引入北方物种有关。凝胶状浮游生物或果冻鱼代表了一个特定的一组，其中几种北方物种容易经历显着的极点范围的扩张，并且在持续变化的过程中，北极的种群增加。从历史上看，果冻被认为是一种营养的死胡同，但是使用现代工具的越来越多的研究强调了它们作为海洋食品网中主要猎物的作用。在这项研究中，我们旨在验证果冻和其他后生动物作为北极夜间食品网络中的食物来源的作用，而骨髓资源有限。
四臂PCR分析血管紧张素AGT T174M（rs4762）糖尿病患者的遗传多态性：一项综合研究
背景和目的：高血压（HTN）是一种多因素的慢性疾病，造成了重要的全球健康负担，并且与死亡率提高有关。它经常与其他疾病共存，例如心血管，肝脏和肾脏疾病，并且与糖尿病有很强的联系。胰岛素抵抗和内皮功能障碍通常发生在HTN和2型糖尿病（T2DM）的个体中。 遗传因素以及环境和病理因素在HTN的发展中起作用。 最近的研究揭示了HTN上各种基因中单核苷酸多态性（SNP）的影响。 在这项研究中，我们旨在研究血管紧张素原（AGT）T174M（RS4762）的遗传多态性，及其与HTN在糖尿病患者中的关联。胰岛素抵抗和内皮功能障碍通常发生在HTN和2型糖尿病（T2DM）的个体中。遗传因素以及环境和病理因素在HTN的发展中起作用。最近的研究揭示了HTN上各种基因中单核苷酸多态性（SNP）的影响。在这项研究中，我们旨在研究血管紧张素原（AGT）T174M（RS4762）的遗传多态性，及其与HTN在糖尿病患者中的关联。
细胞因子基因多态性与恶性疟原虫感染结果的发病机理
在全球范围内，疟疾仍然是最普遍的寄生虫之一。世界卫生组织（WHO）2022年世界疟疾报告显示，全球估计有2.47亿例和96％的疟疾死亡发生在非洲（1）。引起该疾病的生物来自疟原虫属。当感染性雌性蚊子摄取血液餐时，这些寄生虫会传播到易感宿主。四种不同的疟原虫感染了人类，即恶性疟原虫，P。ovale，P。疟疾和Vivax。虽然Vivax是全球最广泛的质量物种，但恶性疟原虫是最普遍，最危险的，并且主要在非洲发现，占估计全球临床疟疾病例的99.7％（1）。卵子疟原虫进一步分为两个亚种； P.O。柯蒂西和P. Wallikeri（2）。除了典型的人类寄生虫外，最近还发现了许多猿猴寄生虫
两栖动物和爬行动物的国防部合作伙伴...
第4集和第5集被添加到2024年的播客系列中。于2024年5月发行，第4集的重点是埃格林空军基地的网状扁平木萨拉曼德管理和研究项目。生物学家罗德尼·费利克斯（Rodney Felix）和凯利·琼斯（Kelly Jones）讨论了该项目的目的，目标和结果，以及恢复这种联邦列出的萨拉曼德物种和军事任务所带来的好处。第5集于2024年8月发行，其中包括钻石支持的Terrapin筑巢调查和海军航空站Patuxent River的保护工作。安装生物学家Jackie Smith和Rebecca Stump讨论了这项重要研究的目的，方法和结果，包括他们从学生保护协会获得的帮助。所有播客都发布在DOD PARC YouTube频道上。请继续关注2025年的更多情节。
利用卷积神经网络进行快速对称微分同胚图像配准
微分同胚可变形图像配准在许多医学图像研究中至关重要，因为它提供了独特的属性，包括拓扑保存和变换的可逆性。最近基于深度学习的可变形图像配准方法利用卷积神经网络（CNN）从合成基本事实或相似性度量中学习空间变换，从而实现快速图像配准。然而，这些方法往往忽略了变换的拓扑保存和变换的平滑性，而平滑性仅由全局平滑能量函数来强制执行。此外，基于深度学习的方法通常直接估计位移场，这不能保证逆变换的存在。在本文中，我们提出了一种新颖的、有效的无监督对称图像配准方法，该方法最大化微分同胚图空间内图像之间的相似性，并同时估计正向和逆变换。我们使用大规模脑图像数据集在 3D 图像配准上评估了我们的方法。我们的方法实现了最先进的配准精度和运行时间，同时保持了理想的微分同胚特性。