XiaoMi-AI文件搜索系统
World File Search Systemquantization
模仿从单个演示中学习的，利用载体量化机器人收获
摘要：机器人解决复杂的非重复任务的能力将是为仍涉及劳动密集型，潮流和身体苛刻活动的农业应用中新的自动化水平的关键。收获是一个这样的例子，因为它需要将动作组合在一起，通常可以将其分解为视觉宣传和操纵阶段，而后者通常直接直接进行预编程。在这项工作中，我们专注于新鲜蘑菇收获的任务，该任务由于其高复杂性而由人类采摘者手动进行。一个关键的挑战是通过低成本硬件和机械系统来启用收获，例如软握把，它们与刚性相比提出了其他挑战。我们设计了一种使用矢量量化的模仿学习模型管道来直接从视觉输入中学习量化嵌入。我们在基于人类专家收集真正蘑菇的录音设计的现实环境中测试了这种方法。我们的模型可以用柔软的气动驱动器来控制一个笛卡尔机器人，以成功复制蘑菇的超越序列。我们在不到20分钟的数据收集的干扰物中取下蘑菇，包括单个专家演示和辅助，非专家，轨迹。整个型号管道需要在单个A4000 GPU上少于40分钟的训练，并且大约需要。20 ms用于推断标准笔记本电脑GPU。
使用量化方法对颅内大脑活性的言语谱图估计
将颅内大脑活动直接综合到声学语音可能为语音受损的用户提供直观而自然的沟通手段。在先前的研究中，我们使用了对数MEL量表语音谱图（LogMels）作为从电型（ECOG）记录到可听见波形的解码中的中间表示。mel-scar的语音谱图具有悠久的传统。过去，由于连续的特征空间，我们依靠回归方法来发现从大脑活动到LogMel光谱系数的映射。但是，回归任务是无限的，因此在综合声音语音信号中，脑活动中的神经元爆发可能导致异常高幅度。为了减轻这些问题，我们提出了两种量化功率值的方法，以分别使用中位数和逻辑公式分别降低复杂性和限制间隔的数量，从而分别使用中值和逻辑公式来离散对数的光谱系数的特征空间。我们通过基于线性判别分析的简单分类来评估一个参与者的概念证明，并评估了一个参与者，并通过原始语音限制了由此产生的波形。重构频谱图实现了Pearson相关系数，平均值为r = 0。5±0。11中的5倍交叉验证。索引术语：语言交流，语音合成，电代理，BCI
使用格子修剪，正向上下文适应和矢量化
摘要 - 依赖性量化（DQ）是多功能视频编码（VVC）标准中的关键编码工具之一。dq采用两个标量量化器，每个标量量化器的选择受奇偶元驱动的四州状态机的控制。由于设计是规范上执行的，因此DQ的使用需要汇率优化的量化（RDOQ），并具有每个系数决策和状态更新，例如基于网格的量化，最初针对VVC参考软件（VTM）提出。由于其固有的依赖性（包括基于先前编码的系数值的VVCS上下文选择）以及相当广泛的搜索范围，因此Trellis量化在计算上是高度复杂的。降低该算法的复杂性对于实用的VVC编码器至关重要。在本文中，我们提出了一个快速依赖的量化格子搜索，通过以下方式改进了初始设计：不可能的分支的格子修剪，正向自适应上下文传播，最后是矢量化的实现。在开放和优化的VVEND编码器中提出的建议方法将量化运行时减少了37％，允许在中等预设中总体15％的编码器加速，而在全intra编码条件下对压缩性能没有影响。在随机访问条件下，实现了9％的整体编码器加速。索引项 - VVC，VVEN，量化，格子，矢量。
Landau量化附近的广义范霍夫奇异性：磁故障和轨道网络
我们在二维材料的分散体中发展了一个磁故障理论（MB），其中两个或多个半经典的回旋轨道相互接近。MB是由于几个轨迹之间的量子隧穿而导致的，这导致了非平凡的散射幅度和相。我们表明，对于任何鞍点，可以通过将其映射到1D紧密结合链中的散射问题来解决此问题。此外，布里渊区边缘上的磁故障发生促进了批量兰道水平状态和2D轨道网络的形成。这些扩展的网络状态构成了有限能量扩展的分散迷你频段。可以在运输实验中观察到这种效果，这是量子厅杆中纵向散装电导的强大增强。此外，可以通过可视化大量电流模式在STM实验中探测它。
研究论文 洛伦兹对称性破坏引起的朗道型量子化对狄拉克场的影响
最近，Kostelecký 和 Samuel [1] 证明，在弦场论的背景下，当扰动弦真空不稳定时，由张量场控制的洛伦兹对称性 (LS) 破坏是自然的。Carroll 等人 [2] 在电动力学的背景下，研究了在修正的陈-西蒙斯拉格朗日空间中，即在 (3 + 1) 维中，存在背景矢量场的理论和观察结果，这种空间保持了规范对称性，但破坏了洛伦兹对称性。这些研究的目的之一是扩展可能涉及 LS 破坏的理论和模型，以寻找可以回答通常物理学无法回答的问题的基础物理理论。从这个意义上讲，标准模型 (SM) 已成为这些扩展的目标，这些扩展以 LS 破坏为特征，最终形成了我们今天所知道的扩展标准模型 (ESM) [3, 4]。近年来，LS 破坏已在物理学的各个分支领域得到广泛研究，例如磁矩产生 [5]、Rashba 自旋轨道相互作用 [6]、Maxwell-Chern-Simons 涡旋 [7]、涡旋状结构 [8]、卡西米尔效应 [9, 10]、宇宙学
霍奇金-赫胥黎动作电位理论量化的新方法：数学哲学的复兴与更新
摘要 — 仔细分析了 Hodgkin-Huxley 和 Hodgkin-Katz 为找出鱿鱼轴突中钠离子产生的电脉冲而进行的实验研究。他们以数学模型的形式定量描述了他们的发现，该模型用于产生产生神经兴奋和电流传导动作所必需的电位。我们提出了他们脉冲产生理论的创新量化模型。它将为从量化原理的角度探索理论提供新的研究平台，并使电动力学和量子场论方法在 Hodgkin-Huxley 方程及其应用的新分析中的应用成为可能。我们将讨论一些合理的应用和一些关于量化模型使用的新猜想。这可以看作是对数学哲学复兴和更新的补充努力。
非均匀磁场中的相对论朗道量子化及其在白矮星和量子信息中的应用
我们研究了在“严格”空间变化的磁场（但不满足磁单极子条件）下相对论冷电子的二维运动。我们发现，在恒定磁场的情况下出现的朗道能级简并性在磁场变化时会消失，自旋向上和自旋向下电子的能级会根据磁场变化的性质以有趣的方式排列。此外，变化的磁场会将零角动量电子的朗道能级与正角动量分开，而恒定场只能将能级分为正角动量和负角动量。探索非均匀磁场中的朗道量子化本身就是一项独特的事业，对凝聚态物质、天体物理学和量子信息等领域都有跨学科影响。作为示例，我们展示了磁化白矮星，它们受到变化的磁场，同时受到洛伦兹力和朗道量子化的影响，从而影响底层的简并电子气，表现出对钱德拉塞卡质量极限的明显违反；并且在空间增长的磁场存在下，电子的量子速度会增加。
分布式深钢筋学习基于联邦学习启用车辆边缘计算的梯度量化
摘要 - 填充学习（FL）可以通过共享车辆本地模型而不是本地数据的梯度来在一定程度上保护车辆在车辆边缘计算（VEC）中的隐私。车辆本地型号的梯度通常对于车辆人工智能（AI）应用通常很大，因此传输如此大的梯度会导致较大的环境潜伏期。梯度量化已被认为是一种有效的方法，可以通过压缩梯度和减少位的数量，即量化水平，从而减少FL的每轮潜伏期，从而降低VEC。选择量化水平和阈值的选择决定了量化误差，这进一步影响了模型的准确性和训练时间。为此，总训练时间和量化错误（QE）成为启用FL的VEC的两个关键指标。与启用FL的VEC共同优化总训练时间和量化宽松至关重要。但是，随时间变化的通道条件会引起更多挑战来解决此问题。在本文中，我们提出了一个分布式的深钢筋学习（DRL）基于量化水平分配方案，以优化长期奖励，从总培训时间和量化宽松的时间来优化。广泛的模拟确定了总训练时间和量化宽松之间的最佳加权因素，并证明了拟议方案的可行性和有效性。
基于多尺度特征融合目标检测与模型量化的电网覆冰状况边缘智能感知方法
绝缘子是输电线路的重要设备，绝缘子覆冰会严重影响输电线路的稳定运行，因此绝缘子覆冰状态监测对电力系统的安全稳定运行具有重要意义。因此，本文提出了一种面向前端覆冰监测装置的轻量级绝缘子覆冰厚度智能识别方法。该方法融合残差网络（ResNet）与特征金字塔网络（FPN）构建多尺度特征提取网络框架，使浅层特征与深层特征融合，减少信息损失，提高目标检测精度。然后采用全卷积神经网络（FCN）对覆冰绝缘子进行分类与回归，实现覆冰厚度的高精度识别。最后,通过模型量化对所提方法进行压缩,减少模型的大小和参数,以适应计算资源有限的结冰监测终端,并在边缘智能芯片上验证了该方法的性能,并与其他经典方法进行了比较。