XiaoMi-AI文件搜索系统
World File Search Systemrarch
机器学习预测酶最佳pH
全基因组关联研究已将数百万个遗传变异与生物医学表型联系起来，但是由于缺乏机械理解和广泛的上毒相互作用，它们的效用受到了限制。最近，变压器模型已成为机器学习中强大的通用体系结构，具有解决这些挑战和其他挑战的潜力。因此，在这里，我们介绍了基因型到表型变压器（G2PT），这是一个建模变体，基因，多基因功能和表型之间层次信息流的框架。作为概念证明，我们使用G2PT对TG/HDL（甘油三酸酯至高密度脂蛋白胆固醇）的遗传学进行建模，这是代谢健康的指标。g2pt学会通过高度关注24个功能的遗传变异来预测这种特征，包括免疫反应和胆固醇转运，准确性超过了最先进。它暗示了意外的上皮相互作用，包括APOC1和CETP之间的相互作用。这项工作将分层变压器定位为一种在功能上解释多基因风险的一般方法。源代码可在https://github.com/idekerlab/g2pt上找到。
大脑在多步预期过程中以层次化的方式呈现过去和未来
时间结构的记忆既可以规划未来事件，也可以回顾过去事件。我们研究了大脑在预期过程中如何灵活地表示过去和未来的扩展时间序列。参与者在沉浸式虚拟现实中学习环境序列。序列对具有相同的环境，但顺序不同，从而实现特定于上下文的学习。在 fMRI 期间，参与者以给定的顺序预测未来多个步骤的即将到来的环境。时间结构在海马体和高阶视觉区域中以 (1) 双向表示，具有对过去和未来的分级表示和 (2) 分层表示，过去和未来的进一步事件在连续更靠前的大脑区域中表示。在海马体中，这些双向表示是特定于上下文的，而对遥远环境的抑制可以预测预期中的响应时间成本。总之，这项工作揭示了我们如何灵活地表示顺序结构以实现跨多个时间尺度的规划。
Oceanplan：在大规模未开发的海洋环境中驾驶的自然语言的层次结构计划和重建
我们通过增强世界的增强表示，开发了一个分层的LLM任务计划和重建框架，以有效地将抽象的人类统一到有形的自主水下汽车（AUV）控制中。我们还挑战了一个整体的重建器，以向所有计划者提供现实世界中的反馈，以进行健壮的AUV操作。尽管已经进行了大量研究来弥合LLMS和机器人任务之间的差距，但他们无法保证在广阔而未知的海洋环境中AUV应用的成功。为了应对海洋机器人技术中的特定挑战，我们设计了一个层次结构计划来制定可执行的运动计划，该计划通过将长途任务分解为子任务，从而实现了计划效率和解决方案质量。同时，Replanner获得实时数据流以解决计划执行过程中的环境不确定。实验验证了我们所提出的框架是否通过自然语言试验为长期持续任务提供了成功的AUV表现。项目Web-网站https://sites.google.com/view/oceanplan。
层次强化学习和价值优化，用于挑战四倍的运动
摘要 - 我们提出了一个新颖的层次结构增强学习框架，用于在具有挑战性的地形上进行四足运动。我们的方法结合了两层层次结构，高级计划者（HLP）选择低级政策（LLP）的最佳目标。LLP是使用派演员批评的RL算法训练的，并将脚步放置为目标。HLP不需要任何额外的培训或环境样本，因为它是通过在线优化过程对LLP的价值函数进行的。我们通过将其与端到端的强化学习（RL）方法进行比较来证明该框架的好处，从而突出了其在各种不同地形阵列中碰撞较少的碰撞较少的能力的提高。索引术语 - 动物学，强化学习，优化
预测误差的层次决定了情境相关感觉表征的学习
如何解释感官信息取决于环境。然而，环境如何影响大脑中的感觉处理仍然难以捉摸。为了研究这个问题，我们结合了计算建模和小鼠皮质神经元的体内功能成像，这些神经元在触觉感官辨别任务的逆转学习过程中发挥作用。在学习过程中，第 2/3 层体感神经元增强了对奖励预测刺激的反应，这可以解释为顶端树突的增益放大。奖励预测误差减少，对结果预测的信心增加。在规则逆转后，外侧眶额皮质通过去抑制 VIP 中间神经元编码了一个表示信心丧失的环境预测误差。皮质区域中预测误差的层次结构反映在自上而下的信号中，这些信号调节初级感觉皮质中的顶端活动。我们的模型解释了大脑中如何检测到环境变化，以及不同皮质区域中的错误如何相互作用以重塑和更新感官表征。
喜庆：多模式分层多任务辅助学习框架，用于预测阿尔茨海默氏病进展
1 麦克凯尔维工程学院，华盛顿大学，圣路易斯，圣路易斯，密苏里州圣路易斯，63130，美国，2，美国2号信息学，数据科学与生物统计学研究所，华盛顿大学医学院，密苏里州圣路易斯医学院，密苏里州63110，美国63110华盛顿大学医学院麻醉学，密苏里州圣路易斯，美国密苏里州63110，通讯作者：Sayantan Kumar，MS，MS，信息学，数据科学与生物统计学研究所，华盛顿大学医学院，南欧几里德大街660号，校园盒8132，校园盒8132，MO 63110 UNUTED State State and States thrip and phill.kann.kimariip and philliip and thriip and thriip and niip and nipl.kummar and niip and niip and niplly and and and and and and and and and and and and and and niip and。佩恩（Payne）做出了同样的贡献，被认为是这项工作的共同培训。麦克凯尔维工程学院，华盛顿大学，圣路易斯，圣路易斯，密苏里州圣路易斯，63130，美国，2，美国2号信息学，数据科学与生物统计学研究所，华盛顿大学医学院，密苏里州圣路易斯医学院，密苏里州63110，美国63110华盛顿大学医学院麻醉学，密苏里州圣路易斯，美国密苏里州63110，通讯作者：Sayantan Kumar，MS，MS，信息学，数据科学与生物统计学研究所，华盛顿大学医学院，南欧几里德大街660号，校园盒8132，校园盒8132，MO 63110 UNUTED State State and States thrip and phill.kann.kimariip and philliip and thriip and thriip and niip and nipl.kummar and niip and niip and niplly and and and and and and and and and and and and and and niip and。佩恩（Payne）做出了同样的贡献，被认为是这项工作的共同培训。麦克凯尔维工程学院，华盛顿大学，圣路易斯，圣路易斯，密苏里州圣路易斯，63130，美国，2，美国2号信息学，数据科学与生物统计学研究所，华盛顿大学医学院，密苏里州圣路易斯医学院，密苏里州63110，美国63110华盛顿大学医学院麻醉学，密苏里州圣路易斯，美国密苏里州63110，通讯作者：Sayantan Kumar，MS，MS，信息学，数据科学与生物统计学研究所，华盛顿大学医学院，南欧几里德大街660号，校园盒8132，校园盒8132，MO 63110 UNUTED State State and States thrip and phill.kann.kimariip and philliip and thriip and thriip and niip and nipl.kummar and niip and niip and niplly and and and and and and and and and and and and and and niip and。佩恩（Payne）做出了同样的贡献，被认为是这项工作的共同培训。麦克凯尔维工程学院，华盛顿大学，圣路易斯，圣路易斯，密苏里州圣路易斯，63130，美国，2，美国2号信息学，数据科学与生物统计学研究所，华盛顿大学医学院，密苏里州圣路易斯医学院，密苏里州63110，美国63110华盛顿大学医学院麻醉学，密苏里州圣路易斯，美国密苏里州63110，通讯作者：Sayantan Kumar，MS，MS，信息学，数据科学与生物统计学研究所，华盛顿大学医学院，南欧几里德大街660号，校园盒8132，校园盒8132，MO 63110 UNUTED State State and States thrip and phill.kann.kimariip and philliip and thriip and thriip and niip and nipl.kummar and niip and niip and niplly and and and and and and and and and and and and and and niip and。佩恩（Payne）做出了同样的贡献，被认为是这项工作的共同培训。麦克凯尔维工程学院，华盛顿大学，圣路易斯，圣路易斯，密苏里州圣路易斯，63130，美国，2，美国2号信息学，数据科学与生物统计学研究所，华盛顿大学医学院，密苏里州圣路易斯医学院，密苏里州63110，美国63110华盛顿大学医学院麻醉学，密苏里州圣路易斯，美国密苏里州63110，通讯作者：Sayantan Kumar，MS，MS，信息学，数据科学与生物统计学研究所，华盛顿大学医学院，南欧几里德大街660号，校园盒8132，校园盒8132，MO 63110 UNUTED State State and States thrip and phill.kann.kimariip and philliip and thriip and thriip and niip and nipl.kummar and niip and niip and niplly and and and and and and and and and and and and and and niip and。佩恩（Payne）做出了同样的贡献，被认为是这项工作的共同培训。麦克凯尔维工程学院，华盛顿大学，圣路易斯，圣路易斯，密苏里州圣路易斯，63130，美国，2，美国2号信息学，数据科学与生物统计学研究所，华盛顿大学医学院，密苏里州圣路易斯医学院，密苏里州63110，美国63110华盛顿大学医学院麻醉学，密苏里州圣路易斯，美国密苏里州63110，通讯作者：Sayantan Kumar，MS，MS，信息学，数据科学与生物统计学研究所，华盛顿大学医学院，南欧几里德大街660号，校园盒8132，校园盒8132，MO 63110 UNUTED State State and States thrip and phill.kann.kimariip and philliip and thriip and thriip and niip and nipl.kummar and niip and niip and niplly and and and and and and and and and and and and and and niip and。佩恩（Payne）做出了同样的贡献，被认为是这项工作的共同培训。麦克凯尔维工程学院，华盛顿大学，圣路易斯，圣路易斯，密苏里州圣路易斯，63130，美国，2，美国2号信息学，数据科学与生物统计学研究所，华盛顿大学医学院，密苏里州圣路易斯医学院，密苏里州63110，美国63110华盛顿大学医学院麻醉学，密苏里州圣路易斯，美国密苏里州63110，通讯作者：Sayantan Kumar，MS，MS，信息学，数据科学与生物统计学研究所，华盛顿大学医学院，南欧几里德大街660号，校园盒8132，校园盒8132，MO 63110 UNUTED State State and States thrip and phill.kann.kimariip and philliip and thriip and thriip and niip and nipl.kummar and niip and niip and niplly and and and and and and and and and and and and and and niip and。佩恩（Payne）做出了同样的贡献，被认为是这项工作的共同培训。麦克凯尔维工程学院，华盛顿大学，圣路易斯，圣路易斯，密苏里州圣路易斯，63130，美国，2，美国2号信息学，数据科学与生物统计学研究所，华盛顿大学医学院，密苏里州圣路易斯医学院，密苏里州63110，美国63110华盛顿大学医学院麻醉学，密苏里州圣路易斯，美国密苏里州63110，通讯作者：Sayantan Kumar，MS，MS，信息学，数据科学与生物统计学研究所，华盛顿大学医学院，南欧几里德大街660号，校园盒8132，校园盒8132，MO 63110 UNUTED State State and States thrip and phill.kann.kimariip and philliip and thriip and thriip and niip and nipl.kummar and niip and niip and niplly and and and and and and and and and and and and and and niip and。佩恩（Payne）做出了同样的贡献，被认为是这项工作的共同培训。
通过多代理深钢筋学习在航空等级边缘计算系统中的计算卸载
摘要 - 物联网（IoT）设备和新兴应用程序的指数增长显着提高了对无处不在的连通性和有效计算范式的要求。传统的地面边缘计算体系结构无法在全球范围内提供庞大的物联网连接。在本文中，我们提出了一个由高空平台（HAP）和无人机（无人机）组成的航空层级移动边缘计算系统。特别是，我们考虑了不可分割的任务，并制定了流动问题的任务，以最大程度地降低任务的长期处理成本，同时满足流量的过程和任务处理过程中的排队机制。我们提出了基于多代理的深钢筋学习（DRL）的流量算法计算，其中每个设备可以根据局部观察结果做出其流量决策。由于无人机的计算资源有限，无人机的高任务负载将增加放弃流量任务的比率。为了增加完成任务的成功率，使用卷积LSTM（Convlstm）网络来估计无人机的未来任务负载。此外，提出了优先的体验重播（PER）方法以提高收敛速度并提高训练稳定性。实验结果表明，所提出的流量算法的计算优于其他基准方法。
推动采用现代工程工具的总体计划
国防部了解使用现代工程工具的价值，它可以缩短部署作战能力所需的设计、开发和测试时间，也许可以缩短数年。现代工程工具提高了效率和协作能力，并支持国防部武器系统的快速发展。数字工程 2 原则和现代工程工具在任务、系统和软件工程中的应用可用于各种复杂程度，以评估性能、有效性和实用性。这包括实施早期和频繁的任务工程，以评估作战环境中的技术和系统，从而为支持我们的作战人员提供必要的系统。在早期任务工程期间生成的模型和数据为采购决策和需求提供信息
层次覆盖硅/碳阳极材料通过垂直石墨烯片改进商业锂离子电池应用
蛋黄壳结构化硅/碳（YS-SI/C）阳极材料显示出对商用锂离子电池（LIB）的希望，因为它们具有很高的特定容量和出色的循环寿命。但是，尽管研究了近十年，但仍未实现其商业化，这主要是由于机械强度差，速率能力有限和能量密度低。本研究报告了通过热化学蒸气沉积合成的层次YS-SI/C阳极材料，用于垂直石墨烯片的生长（VGS），聚合物自组装和一步碳化，从而通过VGSS建立了SI核心和碳壳之间的连接，从而增强了YS-Chemical和机械的特征。独特的材料的表现优于无VGSS的复合材料，该复合材料在0.1 c时的高特定容量为1683.2 mAh g-1，在10 c时在10 c时的出色速率性能为552.2 mAh g-1，在1000个循环后，较高的速率性能为552.2 mAh g-1，卓越的容量保留率为80.1％。与LINI 0.8 CO 0.1 Mn 0.1 O 2个阴极匹配时，安培小时袋细胞分别提供高重量和大量能密度分别为429.2 WH kg-1和1083 WH l-1。有限元分析表明，VGSS降低了碳壳上的应力浓度，有助于空心材料承受工业电极日历。这项工作证明了在实用液体中YS-SI/C阳极材料的商业应用的潜力。
交换关联函数的层次结构在计算岩盐和闪锌矿半导体晶格热导率中的应用
晶格热导率（κL）是晶体固体的一个重要特性，对热管理、能量转换和热障涂层具有重要意义。基于密度泛函理论（DFT）的计算工具的进步使得能够有效利用基于声子准粒子的方法来揭示各种晶体系统的潜在物理原理。虽然高阶非谐性通常用于解释晶体中的异常传热行为，但DFT中的交换关联（XC）函数对描述非谐性的影响却在很大程度上被忽视了。XC 函数对于确定 DFT 描述固体和分子中电子/离子之间相互作用的准确性至关重要。然而，固体物理中大多数XC泛函主要侧重于计算只需要原子偏离平衡态很小位移（在谐波近似内）的性质，如谐波声子和弹性常数，而非谐性则涉及较大的原子位移。因此，对于XC泛函来说，在非谐性水平上准确描述原子相互作用更具挑战性。本研究采用多种XC泛函,如局部密度近似(LDA)、Perdew-Burke-Ernzerhof(PBE)、固体和表面的修正PBE(PBEsol)、优化的B86b泛函(optB86b)、修正的Tao-Perdew-Staroverov-Scuseria(revTPSS)、强约束和适当范数泛函(SCAN)、正则化SCAN(rSCAN)和正则化恢复SCAN(r2SCAN)以及不同的扰动阶数,包括谐波近似内的声子(HA)加三声子散射(HA+3ph)、用自洽声子理论计算的声子(SCPH)加三声子散射(SCPH+3ph)、SCPH声子加三声子和四声子散射,系统地研究了16种具有岩盐和闪锌矿结构的二元化合物的室温κL。 (SCPH+3,4ph)。结果表明，XC 函数与扰动阶表现出强纠缠，计算出的 κ L 的平均相对绝对误差 (MRAE) 受 XC 函数和扰动阶的强烈影响，导致误差抵消或放大。在 HA+3ph 级别的 revTPSS (rSCAN)、在 SCPH+3ph 级别的 SCAN (r 2 SCAN) 和在 SCPH+3,4ph 级别的 PBEsol (rSCAN) 中实现了最小 (最大) MRAE。在这些函数中，PBEsol 在最高扰动阶下表现出最高的精度。SCAN 相关函数表现出中等精度，但存在数值不稳定性且计算成本高的问题。此外，所有 XC 函数都识别出了四次非谐性对岩盐和闪锌矿结构中 κ L 的不同影响，这归因于这两种结构中不同的晶格非谐性。这些发现对于选择合适的泛函来描述非谐声子提供了有价值的参考，并为高阶力常数计算提供了见解，有助于开发更精确的固体材料XC泛函。