XiaoMi-AI文件搜索系统
World File Search Systempropagation
大脑会进行反向传播吗？
反向传播这一术语源自一篇题为“通过反向传播误差学习表征”的原始文章（Rumelhart 等人，1986 年）。这是一种机器学习算法，可调整神经网络中连接的权重，以最小化网络实际输出向量与期望输出向量之间的差异（误差）的度量。在神经科学中，术语“反向传播”是指在轴突小丘区域产生的动作电位向后传播到该神经元的输入端（突触后末端或树突棘）。还观察到，循环侧支将神经元的输出带到其输入区域。这并不一定会导致误差校正；相反，它会加强特定神经元的激发。此外，突触连接不允许动作电位从突触后末端（输入区域）跨越到突触前末端（带来传入信号的神经元的输出区域）
具有极低传播损耗的氮化硅光子平台
免责声明 - 本信息按“原样”提供，不作任何陈述或保证。Imec 是 imec International（IMEC International，根据比利时法律成立的法人实体，名称为“stichting van openbaar nut”）、imec Belgium（由弗兰德政府支持的 IMEC vzw）、imec the Dutch（Stichting IMEC Nederland）、imec China（IMEC Microelectronics (Shanghai) Co. Ltd.）、imec India（IMEC India Private Limited）、imec San Francisco（IMEC Inc.）和 imec Florida（IMEC USA Nanoelectronics Design Center Inc.）活动的注册商标。
使用人多能干细胞衍生的模型
研究文章|基督教基督城星形胶质细胞在抑制tau传播中的疾病抑制作用神经生物学，使用人多能干细胞衍生的模型https://doi.org/10.1523/jneurosci.1709-1709-23.2024收到：2023年9月2024年2024年2月202日福布作者
采用反向传播人工神经网络算法设计基于人工智能的 3.84 kW 货运无人机电池组
尽管在有效载荷和航程方面存在限制，货运无人机在应急物流和远程配送方面仍具有广阔的应用前景。在本研究中，我们通过开发一种高容量 3.84 kW 电池来应对这些挑战，该电池专为在苛刻地形中运行的 50 公斤有效载荷货运无人机而设计。我们专注于应急货物的运输，研究无人机设计的关键方面和电池组开发的细节，包括电池选择、内部配置以及用于电池平衡、充电/放电和高级电池管理的关键电路。一项关键创新是集成反向传播人工神经网络 (BPANN) 算法来预测放电深度 (DoD) 和充电状态 (SoC)。研究结果表明，BPANN 提供高度准确的预测，DoD 的误差百分比低至 0.12%，SoC 的误差百分比低至 0.02%，确保电池运行优化和安全。进行了全面的现场测试，以评估所提出的电池平衡策略、强大的电池管理系统 (BMS) 和 BPANN 实施的有效性。我们研究了无人机在 DoD、SoC 和使用设计的电池组的整体现场操作方面的性能，并证明了其在实际应用中的可行性和潜力。
融合第二应变梯度理论的石墨烯中的非线性波传播
由于其重要的结构和机械性能，对石墨烯的探索引起了广泛的兴趣。在这项研究中，我们通过二线梯度弹性考虑了其几何非线性行为，从数字上研究了无缺陷单层石墨烯中的波传播。为了捕获几何非线性，首先引入了非线性应变 - 置换关系。使用汉密尔顿的原理得出了控制方程和相关的边界条件。然后，建立了包括元素矩阵在内的弱形式。通过周期性结构理论解决了2D波传播的特征值问题。最后，分析了动力学特性，例如带结构，模式形状，能量流量和波梁光束效应。数值结果表明，通过第二应变梯度的几何非线性影响石墨烯中的波传播特性。这些发现很重要，并有助于理解石墨烯的动态响应，这对基于石墨烯的纳米结构的工程应用产生了影响。
使用玻璃珠作为临时浸入生物反应器中植物微繁殖的支撑矩阵的可能性
引言植物组织培养是一种无菌技术，用于快速对健康，无病原体和真实型植物的微繁殖。1目前，在商业植物组织培养实验室中常规大量批量生产及其方案是通过器官发生或胚胎发生建立的。然而，这种方法仍然面临一些局限性，例如微繁殖过程的耗时性质和每个生产的植物的成本高成本。导致成本增加的主要因素是劳动力，材料和化学物质。2此外，许多小型文化船的清洁，归档和处理需要更多的时间和劳动。此外，在适应和转移到土壤期间可能会丢失一些植物。已努力降低成本并提高再生植物的质量和数量。3最有希望的方法是光自养微繁殖（带有无琼脂培养基）和生物反应器。琼脂是昂贵的成分之一，它被添加为胶凝剂，用于凝固培养基并防止外植体浸没。在植物组织培养中测试了不同的支撑矩阵作为琼脂的替代品，例如木薯粉，玉米粉，煮土豆，
表面ECG的心脏电生理模型的数字孪生：一种测量反向传播方法
摘要 - Eikonal方程已成为一种不可或缺的工具，用于对心脏电动激活进行巧妙和有效地建模。原则上，通过匹配临床记录和基于艾科尼尔的心电图（ECG），可以以纯粹的非侵入性方式构建心脏电子生理学的患者特异性模型。否则，拟合过程仍然是一项具有挑战性的任务。本研究介绍了一种新的方法，即测量BP，以解决逆向艾科尼尔问题。Geodesic-BP非常适合GPU加速机器学习框架，从而使我们能够优化Eikonal方程的参数以复制给定的ECG。我们表明，即使在存在建模不准确的情况下，Geodesic-BP也可以在合成测试案例中以高精度重建模拟的心脏激活。此外，我们将al-gorithm应用于双室兔模型的公开数据集，并具有令人鼓舞的结果。鉴于未来向个性化医学的转变，Geodesic-BP具有帮助心脏模型的未来功能化，同时保持临床时间的限制，同时保持先进心脏模型的生理准确性。
引用Vergni D，Stolfip和Pascarella a（2024），关于网络传播，有希望的模型超出网络扩散，以描述退化BR
神经系统污染可能是可以帮助恢复大脑健康的方法的发展（Raj等，2012; Poudel等，2020）。从引入术语Connectome（Sporns等，2005）中，当它的确切结构在很大程度上未知时，直到今天，还进行了一些研究来研究Connectome非常复杂的网络（Bullmore和Sporns，2009）以及其中发生的动态过程（Avena-Koenigsberger等人，2018年）。尤其是人类连接组动力学以多个时间尺度发生，范围从毫秒到几年，并且使用了不同类型的测量设备来捕获它们（Mitra，2007）。这些不同的时间尺度揭示了大脑功能和行为的各个方面。最短的时间量表与功能性脑网络中的快速神经处理和信息交换有关。神经传递和突触通信在这项快节奏的活动中起着至关重要的作用。脑电图（EEG）和磁脑电图（MEG）是捕获这些快速电气信号的选择性技术。在较高的时间尺度上，从秒到几分钟，连接组的动力学与特定任务期间的认知过程和功能连接性变化有关。功能性MRI（fMRI）通常用于研究这些变化。例如，在记忆任务中，某些大脑区域可能表现出增加的功能活动，表明它们参与了记忆网络（Murphy等，2020）。静止状态fMRI用于研究内在的大脑活动，而个人没有执行任何特定的任务。从几分钟到几个小时，连接组的动力学与功能连通性中的静止状态相关（Smitha等，2017）。在较高时间尺度上发生的过程的示例，从几天到几年，学习，记忆巩固过程，大脑发育和认知能力下降。特别是，我们感兴趣的过程是在这些时间尺度上发生的创伤性脑损伤和退化性脑动力学。对于这类疾病，将功能信息与研究结构连接组引起的功能信息集成至关重要，这代表了不同大脑区域之间的解剖联系。扩散张量成像（DTI）和扩散加权成像（DWI）是创建结构连接组的主要常用MRI技术。我们选择使用由DTI和DWI数据产生的连接组，因为有证据表明它参与了神经疾病的传播（Torok等，2018; Weickenmeier等，2019; Wilson等，2023）。然而，重要的是要强调，这项工作中提出的方法独立于一个人决定使用的类型（无论是基于功能，接近性，突触连接还是大脑生理学的其他结构）；必须选择最合适的网络以准确描述给定神经病理的传播。越来越多的关于退化性脑疾病的作品（Raj等，2012; Raj等，2015; Pandya等，2019）和创伤性脑损伤（Poudel等，2020）使用网络扩散作为一种有缺乏的和预测的动力学模型。在所有需要建模某种网络动力学的应用中，网络扩散过程（也称为热扩散过程）变得越来越重要。应用程序领域是机器学习最多的，例如（例如，（Hofmann等，2008）和最近的（Stolfif et al。，2023））到网络生物学（请参阅（Carlin等，2017）和
Parelevé分析，Painlevé–Bäcklund，动态热蛋白方程的多个常规和单数扭结解决方案起草皱纹传播
摘要基于Korteweg-de Vries（KDV）方程，具有可变传输因子的热态运动系统（TM）系统用于模拟石墨烯片中折磨的类似孤子状的热疗法。Painlevé测试被用来发现方程式是可止痛的。然后，获得了使用截短的Painlevé扩展的自动 - 伴侣转换。关于其他变量，Auto-Bäcklund变换将非线性模型转换为一组线性偏微分方程。最后，对基于获得的自动bäcklund变换的各种明确的精确解决方案进行了构成，并以3D，2D和Cortour图在研究的解决方案中进行了说明。更重要的是，Cole-Hopf转换与Hirota的双线性技术一起使用，以获得多个常规和奇异的扭结溶液。
编程非线性传播，用于有效的光学学习机
摘要。由于限制了诸如耗电耗电和可扩展性之类的限制，因此对较大的机器学习模型的培训和推断需求不断增加。光学器件是提供较低功率计算的有前途的竞争者，因为通过非吸收介质的光传播是无损操作。但是，要用光进行有用的高效计算，在光学上产生和控制非线性是一种仍然难以捉摸的必要性。多模纤维（MMF）已证明它们可以提供平均功率的微小效应，同时保持并行性和低损失。我们提出了一种光学神经网络体系结构，该体系结构通过通过波前形状控制MMF中超短脉冲的传播来执行非线性光学计算。使用替代模型，发现最佳参数集可以用电子计算机最少利用来为不同的任务编程此光学计算机。与同等执行的数字神经网络相比，模型参数数量的显着降低了97％，这导致总体上99％的数字操作减少。我们进一步证明，还可以使用竞争精确的精度执行完全的光学实现。