XiaoMi-AI文件搜索系统
World File Search Systemprob
激光波长和脉冲能对原子层析成像中锡涂层蒸发行为的影响：多功能仪研究
研究了激光波长对原子探针断层扫描（APT）中元素组成分析中精度的影响。系统比较了三种不同的商业原子探针系统 - LEAP 3000 x HR，LEAP 5000 XR和LEAP 6000 XR-用于研究较短激光波长的锡模型涂层，尤其是在深紫外线（DUV）范围内，对蒸发行为的影响。发现的结果表明，较短波长的使用提高了元素组成的准确性，而主潮具有相似的电场强度。因此，热效应减少，进而提高质量分辨能力。这项研究的一个重要方面包括估计不同工具的能量密度比。波长的降低伴随着由于激光斑点尺寸较小而导致的能量密度增加。此外，还研究了检测器技术的进步。最后，确定探测器的死时间，并评估了死区，以调查具有LEAP 6000 XR的氮化物测量中的离子堆积行为。
具有无标记探针
胃癌是全球与癌症相关死亡的第二大主要原因。早期诊断显着增加了生存的机会；因此，需要改进的辅助探索和筛选技术。以前，我们通过将光学探针插入仪器通道中使用了增强的多光谱内窥镜。然而，有限的视野和在组织上留下的光学活检留下的标记使探测的可疑区域的导航和重新访问变得复杂。在这项贡献中引入了两种创新工具，以显着提高临床实践中患者的可追溯性和监测：（i）视频镶嵌以建立对大型胃区域的更全面和全景的视野； （ii）具有内镜图像的靶向和注册的光学活检。所提出的基于光流的镶嵌技术选择了最小化纹理不连续性的图像，尽管缺乏纹理和照明变化，但仍有坚固的不连续性。光学活检的靶向基于内窥镜视图中自由标记探针的自动跟踪，使用深度学习在探索过程中动态估算其姿势。假设器官的小目标区域几乎是平坦的，姿势估计的精度足以确保标准白光颜色图像和高光谱探针图像的精确重叠。这允许将所有时空跟踪的活检位点映射到全景镶嵌上。从医院的患者获得的视频中进行了实验验证。所提出的技术纯粹是基于软件的，因此很容易地整合到临床实践中。它也是通用的，并且与连接到圆柱纤维镜连接的任何成像方式兼容。
长期戒断过程中焦虑的行为是由肠道微生物疾病驱动的，并受到益生菌治疗的减弱
摘要长期的阿片类药物戒断期间焦虑的发展增加了复发到成瘾循环的风险。了解在阿片类药物戒断过程中驱动焦虑的机制可能有助于促进治疗剂的发展，以防止负面影响并促进持续的戒酒。我们的实验室以前已经建立了肠道微生物组，是阿片类药物使用的各种副作用的驱动力，包括镇痛耐受性和躯体戒断症状。因此，我们假设肠道微生物组有助于长期戒断过程中焦虑样行为的发展。在这项研究中，我们首先建立了一种旷虫戒断的小鼠模型，其特征在于焦虑样行为和肠道微生物营养不良。接下来，我们使用粪便微生物群移植（FMT）表明，仅肠道营养不良就足以诱导焦虑样行为。我们进一步证明吗啡戒断期间的益生菌治疗会减轻焦虑样行为的发作，突出其治疗潜力。最后，我们检查了用益生菌治疗的吗啡 - 韦斯特拉的小鼠杏仁核中的转录变化，以探索肠道轴介导类似焦虑行为的机制。我们的结果支持使用益生菌作为一种有希望的治疗策略，以防止阿片类药物戒断期间肠道营养不良和相关的焦虑，这可能对改善阿片类药物恢复计划的治疗结果有潜在的影响。关键词阿片类药物提取，焦虑，肠脑轴，杏仁核，益生菌，5-羟色胺
颠倒的强化学习（UDRL）是解决强化学习问题的有前途的框架，该问题着重于学习命令condi
颠倒的强化学习（UDRL）是解决强化学习问题的有前途的框架，该问题着重于学习命令条件条件政策。在这项工作中，我们将UDRL扩展到学习深神经网络策略的命令条件发生器的任务。我们使用HyperNeTworks完成了这一点，这是一系列快速权重程序员，该程序学会解码输入命令，代表所需的预期返回到特定于命令的权重矩阵。我们的方法是通过策略生成器（UDRLPG）被称为颠倒的增强学习，通过消除评估者或评论家以更新生成器的权重来简化可比较的技术。为了抵消由于没有评估者而引起的最后回报的增加的差异，我们将缓冲液的采样概率与其中的绝对策略数量解脱出来，该策略与简单的权重策略一起改善了算法的经验收敛。与现有算法相比，UDRLPG实现了竞争性能和高回报，有时表现出色的架构更为复杂。我们的实验表明，受过训练的发电机可以概括以创建可实现零射击返回的策略。所提出的方法似乎有效缓解与学习高度模式功能相关的一些挑战。总的来说，我们认为UDRLPG代表了在RL中实现更高的经验样本效率方面迈出的前进一步。https://github.com/jacopod/udrlpg全面实现UDRLPG
青春期前儿童在概率奖励学习任务中的脑电激活反映了认知过程和行为策略
成人和儿童都通过反馈来学习将环境事件和选择与奖励联系起来，这一过程称为强化学习 (RL)。然而，用于评估儿童 RL 相关神经认知过程的任务有限。这项研究在记录事件相关电位 (ERP) 的同时，在青春期前儿童 (8-12 岁) 中验证了概率奖励学习任务的儿童版，重点关注：(1) 奖励-反馈敏感性 (额叶奖励相关积极性，RewP)，(2) 对反馈的晚期注意力相关反应 (顶叶 P300)，以及 (3) 注意力转向喜爱的刺激 (N2pc)。从行为上讲，正如预期的那样，青春期前儿童可以学习刺激-奖励结果关联，但表现水平各不相同。与学习优秀的学生相比，学习较差的学生表现出更大的 RewP 振幅。学习策略（即赢-输-留下-转移）由反馈诱发的 P300 振幅反映。最后，注意力会转移到待选择的刺激上，这一点由 N2pc 证明，但不会像成年人那样转移到奖励更高的刺激上。这些发现为青少年 RL 背后的神经过程提供了新的见解。
关于使用 1g 物理模型研究地面运动和土-结构相互作用问题
关于使用 1 g 物理模型解决地面运动和土体结构相互作用问题 Marwan Al Heib 1,*、Fabrice Emeriault 2,3、Huu-Luyen Nghiem 1,2 1 INERIS，Alata 技术公园，Verneuil-En-Halatte，F-60550，法国 2 Université Grenoble Alpes，3SR，Grenoble，F-38000，法国 3 CNRS，3SR，Grenoble，F-38000，法国 摘要：本文重点关注物理建模在地面运动（由地下空洞塌陷或采矿/隧道引起）和相关的土体结构相互作用问题中的应用。本文首先概述了使用 1 g 物理模型解决与垂直地面运动有关的岩土问题和土体结构相互作用。然后说明了 1 g 物理建模应用，研究了由于下沉和空洞塌陷导致的砌体结构损坏的发展。利用三维图像相关技术，介绍了一个带有 6 m3 容器和 15 个电动千斤顶的大型 1g 物理模型。从裂缝密度和损伤程度的角度分析了结构位置对沉降槽的影响。所得结果可以改进砌体结构损伤评估的方法和实践。然而，理想的物理模型很难实现。因此，未来物理模型（模拟材料和仪器）的改进可以为 1g 物理模型在岩土和土结构应用和研究项目中的应用提供新的机会。关键词：沉降；物理建模；岩土问题；土-结构相互作用 1. 引言
用量子退火算法解决资源受限的项目调度问题
量子退火是一种有前途的方法，可用于解决资源受限项目调度问题 (RCPSP) 等复杂调度问题。本研究首次应用量子退火来解决 RCPSP，分析了 12 个众所周知的混合整数线性规划 (MILP) 公式，并将量子比特效率最高的公式转换为二次无约束二进制优化 (QUBO) 模型。然后，我们使用 D-wave advantage 6.3 量子退火器解决该模型，并将其性能与经典计算机求解器进行比较。我们的结果表明，该算法具有巨大的潜力，尤其是对于中小型实例。此外，我们引入了目标时间和 Atos Q 分数指标来评估量子退火和逆量子退火的有效性。本文还探讨了高级量子优化技术，例如定制退火计划，以增强我们对量子计算在运筹学中的理解和应用。
用（计算机）鼠标查看：如何揭示问题……
1 大学。格勒诺布尔阿尔卑斯, CNRS, 格勒诺布尔 INP, LJK, 38000 格勒诺布尔, 法国 2 雷恩大学 2, LP3C EA 1285, 35000 雷恩, 法国 3 大学格勒诺布尔阿尔卑斯大学。Savoie Mont Blanc，LIP/PC2S，38000 Grenoble，法国 这项工作得到了 Pôle Grenoble Cognition 和法国国家研究机构在“Investissements d'avenir”计划 ANR-15-IDEX-02 和 ANR-11-LABX-0025-01 框架内的支持。我们感谢 Alisée Bruno 在实验 1 中对数据收集的帮助。*通讯作者：Annique Smeding，BP 1104，73011 Chambéry cedex，法国。电话：+33 4 79 75 85 89；电子邮件：annique.smeding@univ-smb.fr Jean-Charles Quinton，LJK - Bâtiment IMAG， 700 Avenue Centrale, 38401 Domaine Universitaire de Saint-Martin-d'Hères，电话：+33 4 57 42 17 78，电子邮件：quintonj@univ-grenoble-alpes.fr
针对不确定的可再生能源生产时间表问题的稳健修复和优化数学方法
摘要 — 本研究提出了一种修复和优化数学方法来解决不确定情况下的时间表问题。具体来说，考虑一个大学时间表和电力存储调度问题，受可再生能源生产和电力需求不确定性的影响。该问题被表述为一个大型混合整数规划 (MIP)，所提出的解决方案结合了大邻域搜索和基于场景的稳健优化，以处理目标函数中的不确定性。首先，仅考虑硬问题约束（在本例中为重复讲座活动的安排）即可得出一个足够可行的时间表。接下来，通过修复和优化启发式搜索改进解决方案。在每次迭代中，MIP 求解器通过修复变量子集并对剩余的自由变量进行优化来探索一个大邻域。该过程重复多次，直到满足停止标准。为了解决目标中的不确定性，从区间预测中得出概率场景，并将最坏情况的能源成本最小化。参与技术挑战的结果表明，所提出的方法能够相对快速地提供具有竞争力的解决方案，即使对于大型问题实例也是如此，同时还可以避免较大的预测误差。索引词 — 修复和优化、局部邻域搜索、可再生能源预测、稳健优化、大学时间表。
仅使用单粒子状态解决盲人百万富翁问题的量子解决方案
摘要 盲目百万富翁（BM）问题是初始百万富翁问题的扩展版本，用于比较不同组之间参与者秘密的总和。作为量子安全多方计算的一个新课题，现有的具有某些特殊纠缠态的协议在实践中可能不易实现。本研究首次提出了一种非纠缠方法解决具有特殊d级单粒子态的量子盲目百万富翁（QBM）问题。为了保护传输秘密的机密性，该协议利用了随机生成的d级单粒子态的性质。此外，使用简单的移位操作对各个秘密进行编码。详细的安全性分析表明，该协议不受内部和外部威胁的影响。所提出的方法不仅可以用来解决盲目百万富翁问题，还可以作为解决其他安全多方计算问题的基本模块。