XiaoMi-AI文件搜索系统
World File Search Systemryu
使用快速流规则
分布式拒绝服务（DDOS）攻击始终对网络构成主要威胁，或者作为更复杂的攻击的掩护。近年来，随着大量物联网节点，诸如botnets-as-a-service等的扩增平台等进展，DOS攻击的数量大大增加，并且攻击变得更加复杂。软件定义的网络工作（SDN）的新范式可实现对网络的集中视图，该视图有望有效地检测和缓解此类攻击。这种现代方法可暴露更多的攻击领域，例如缓冲饱和，链接洪水，流台溢出（FTO）和控制器饱和。在本文中，我们提出了一种新颖，非常轻巧，简单但有效，集成的方法，被称为DataPlane-DDOS（快速）中的快速传播，以检测和缓解SDN场景中的多次DOS攻击。我们的Ap-proach夫妻基于IP分配的网络分割，以产生一组新型的流量规则，可用于以较小数量的总体规则来积极地预防FTO，同时为快速检测的能力添加了一个快速检测的能力，从而可以使用较小的整体规则，从而生成一组新型的流量规则。我们使用Mininet和Ryu评估了提出的方案的性能 - 降低其在检测和减轻几次攻击的同时，在保持网络性能的同时，揭示其有效性。
2023 年 4 月 23 日至 26 日美国德克萨斯州圣安东尼奥 www.ieee-...
技术程序委员会 模拟电路和技术 主席：Antonio Liscidini，多伦多大学 联合主席：Edoardo Bonizzoni，帕维亚大学 委员会成员：Mark Oude Alink，特温特大学 Devrim Aksin，ADI Ping-Hsuan Hsieh，国立清华大学 Hiroki Ishikuro，庆应义塾大学 Mahdi Kashmiri，元数据转换器 主席：Seung-Tak Ryu，韩国科学技术研究院 联合主席：Lukas Kull，思科系统 委员会成员：Vanessa Chen，卡内基梅隆大学 Chia-Hung Chen，国立交通大学 Jin-Tae Kim，建国大学，韩国 Martin Kinyua，台积电 Shaolan Li，佐治亚理工学院 Qiang Li，电子科技大学 Yong Liu，博通 Zhichao Tan，浙江大学 Filip Tavernier，天主教鲁汶大学 Haiyang (Henry) Zhu，ADI 数字电路、SoC、和系统主席：Gregory Chen，英特尔公司联合主席：Saad Bin Nasir，高通委员会成员：Behnam Amelifard，高通Elnaz Ansari，谷歌Ningyuan Cao，圣母大学Jie Gu，西北大学Monodeep Kar，IBMWin-San (Vince) Khwa，台积电Bongjin Kim，加州大学圣巴巴拉分校Alicia Klinefelter，nVidiaYoonmyung Lee，成均馆大学Yingyan (Celine) Lin，佐治亚理工学院Yongpan Liu，清华大学Divya Prasad，AMDElkim Roa，格罗方德半导体Visvesh Sathe，佐治亚理工学院Shreyas Sen，普渡大学WeiWei Shan，东南大学，南京
学习在运动皮层留下记忆痕迹
Darby M. Losey, 1 , 2 , 3 Jay A. Hennig, 1 , 2 , 3 , 13 Emily R. Oby, 2 , 7 , 13 Matthew D. Golub, 2 , 4 , 5 , 12 Patrick T. Sadtler, 2 , 7 Kristin M. Quick, 2 , 7 Stephen I. Ryu, 5 , 8 Elizabeth C. Tyler-Kabara, 2 , 9 , 10 , 11 Aaron P. Batista, 2 , 7 , 13 , * Byron M. Yu, 1 , 2 , 4 , 6 , 13 , * 和 Steven M. Chase 1 , 2 , 6 , 13 , 14 , * 1 卡内基梅隆大学神经科学研究所，宾夕法尼亚州匹兹堡15213，美国 2 认知神经基础中心，匹兹堡，宾夕法尼亚州 15213，美国 3 卡内基梅隆大学机器学习系，匹兹堡，宾夕法尼亚州 15213，美国 4 卡内基梅隆大学电气与计算机工程系，匹兹堡，宾夕法尼亚州 15213，美国 5 斯坦福大学电气工程系，斯坦福，加利福尼亚州 94305，美国 6 卡内基梅隆大学生物医学工程系，匹兹堡，宾夕法尼亚州 15213，美国 7 匹兹堡大学生物工程系，匹兹堡，宾夕法尼亚州 15213，美国 8 帕洛阿尔托医学基金会神经外科系，帕洛阿尔托，加利福尼亚州 94301，美国 9 匹兹堡大学物理医学与康复系，匹兹堡，宾夕法尼亚州 15213，美国10 匹兹堡大学神经外科系，宾夕法尼亚州匹兹堡 15213，美国 11 德克萨斯大学奥斯汀分校戴尔医学院神经外科系，德克萨斯州奥斯汀 78712，美国 12 华盛顿大学 Paul G. Allen 计算机科学与工程学院，华盛顿州西雅图 98195，美国 13 这些作者贡献相同 14 主要联系人 *通信地址：aaron.batista@pitt.edu (APB)、byronyu@cmu.edu (BMY)、schase@andrew.cmu.edu (SMC) https://doi.org/10.1016/j.cub.2024.03.003
德西特时空来自全息平面......
全息原理认为，体空间的自由度 (DoF) 被编码为边界量子场系统的信息 [1, 2, 3]。该原理的已知例子有黑洞熵 [4, 5, 6, 7] 和 d + 2 维反德西特时空/d + 1 维共形场论 (AdS d +2 /CFT d +1 ) 对应关系 [8, 9, 10, 11]。在发现 AdS d +2 /CFT d +1 对应关系中的全息纠缠熵的 Ryu–Takayanagi 公式 [12, 13, 14, 15] 后，多尺度纠缠重正化假设 (MERA) [16, 17] 被提出作为该公式背后的体量子纠缠的全息张量网络 (HTN)，其中 d = 1 为零温度 [18, 19]。这里，MERA 是通过解纠缠器层（对我们而言是二分量子比特门）和粗粒化器层（等距）的半无限交替组合对量子比特中边界 CFT 2 的量子基态进行实空间重正化群变换 [16, 17]。MERA 是一个尺度不变的张量网络。基于对 HTN 的初步研究 [18, 20, 21]，本文作者对 HTN 进行了经典化 [22, 23, 24, 25]。其中，HTN 的经典化是指在 HTN 中采用单量子比特的第三 Pauli 矩阵作为超选择规则算子 [25]。即，作用于 HTN 的希尔伯特空间的量子力学可观测量需要与第三 Pauli 矩阵交换，并根据这种交换性进行选择。HTN 经典化后，经典化全息张量网络 (cHTN) 的量子态对于所选可观测量在第三 Pauli 矩阵的特征基上没有量子干涉，因此等价于经典混合态，即第三 Pauli 矩阵乘积特征态的统计混合，
将阳光转化为太阳能燃料和化学品......
我们感谢“将阳光转化为太阳能燃料和化学品”任务创新挑战赛成员以及在欧洲（2019 年 10 月，SUNRISE 项目）、日本（2019 年 11 月）和美国（2020 年 11 月）举行的相应研讨会的参与者的贡献。编辑团队由欧盟委员会 Thomas Schleker 博士和欧盟委员会 Philippe Schild 博士领导，成员包括德国联邦经济和能源部 Peter Vach 博士；瑞典乌普萨拉大学 Leif Hammarström 教授；英国伦敦帝国理工学院 James Durrant 教授；英国伦敦帝国理工学院 Sacha Corby 博士；英国伦敦帝国理工学院 Oytun Babacan 博士；意大利国家研究委员会 (CNR) Alessandra Sanson 博士；美国国家可再生能源实验室 William Tumas 博士；巴西乌贝兰迪亚联邦大学 Antonio Otavio Patrocinio 教授；中国科学院韩红先教授；中国科学院李灿教授。三个路线图研讨会的领导人也为本文件做出了贡献：比利时鲁汶大学的 Carina Faber 博士；日本东京理科大学的 Akihiro Kudo 教授；日本京都大学的 Ryu Abe 教授；日本东京工业大学的 Osamu Ishitani 教授、美国 JCAP 的 Harry Atwater 教授、美国北卡罗来纳大学的 Jillian Dempsey 教授、美国劳伦斯伯克利国家实验室的 Frances Houle 博士；美国北卡罗来纳大学的 Jerry Meyer 教授、美国亚利桑那州立大学的 Ellen Stechel 教授以及多位研讨会参与者。插图由 Sacha Corby 博士、Alessandra Sanson 博士、Harry Atwater 教授和 Thomas Schleker 博士提供。
SENP1在肿瘤发生和癌症治疗中的新兴作用
Sumo，于1996年发现，在真核生物中广泛表达，以调节靶蛋白定位，活性以及通过共价修饰底物蛋白质与其他生物大分子的相互作用（Chang和Yeh，2020）。由人类基因组编码的五个不同的SUMO蛋白，包括SUMO1，SUMO2，SUMO3，SUMO4和SUMO5。sumo1，sumo2和sumo3是主要的SUMO蛋白，而SUMO4和SUMO5的表达仅限于特定组织（Kukkula等，2021）。SUMO2和SUMO3之间的氨基酸序列为97％同源，而它们与SUMO1仅具有50％同源性（Gareau and Lima，2010年）。因为SUMO2和SUMO3不能用抗体区分。这两个同工型共同称为SUMO2/3（Hickey等，2012）。不同的氨基酸序列会导致SUMO1和SUMO2/ 3修饰不同的底物（Shen等，2006）。作为关键蛋白质后翻译改性（PTM），Sumoylation参与了各种生物学过程，包括基因表达，DNA复制/修复，RNA处理，RNA加工和核总质质转运。sumoylation是一种动态且可逆的酶促级联反应过程，它是由Sumo特异性激活酶（E1; SAE1和SAE2），结合酶（E2; UBC9）和连接酶（E3）（E3）（Zhao，2018）催化的。Sumoylation过程包括四个阶段：成熟，激活，结合和连接（Ryu等，2020）。相互结合途径的第一步是通过水解ATP裂解其COOH末端，以暴露共轭所需的Diglycine（GG）残基。第二，成熟的相扑蛋白通过与激活酶E1结合而激活。然后将相扑蛋白转移到共轭酶E2中。最后，Sumo在连接酶E3的辅助下与底物上的特异性赖氨酸残基（K）形成异肽键（图1）。目标
群场论与全息张量网络
凝聚态理论中的张量网络算法 [1-5] 最近在量子引力领域产生了巨大影响，成为研究普朗克尺度时空性质及其全息特性的有力新工具。在 AdS/CFT 框架中，Ryu-Takayanagi 公式与几何/纠缠对应 [6-9] 相结合，导致了一种新的全息对偶构造方法，如今由 AdS/MERA 猜想 [10] 进一步捕获，该猜想建议将量子多体边界态的辅助张量网络分解的几何解释为对偶体几何的表示 [11,12]。张量网络在此意义上的使用产生了一种新的构造方法 [13]，其中某些全息理论的关键纠缠特征可以通过张量网络状态类来捕获。在量子引力的非微扰方法中，包括圈量子引力（LQG）和自旋泡沫模型[14-17]及其在群场论（GFT）方面的推广[18-20]，前几何量子自由度被编码在随机组合自旋网络结构中，用SU（2）的不可约表示标记，并在每个节点上赋予规范对称性。此类自旋网络态可理解为特殊的对称张量网络[21,22]，张量网络技术已在量子引力领域得到广泛应用[23-26]。在半经典层面上，离散时空和几何与此类结构自然相关，其量子动力学与（非交换的）离散引力路径积分相关[27-30]。悬而未决的问题是展示连续时空几何和广义相对论动力学如何从具有相同前几何自由度的全量子动力学中诞生，这实际上将量子时空描述为一种特殊的量子多体系统[31-33]。从这个意义上说，张量网络技术已广泛应用于圈量子引力背景下的自旋泡沫重正化问题[23-26]，以及用于分析自旋网络纠缠结构的定量工具，并寻找具有与半经典解释中的良好几何兼容的关联和纠缠特性的自旋网络态类。最近，张量网络表示方案已被用于提取自旋网络态非局域纠缠结构的信息，并在背景独立的情况下理解局域规范结构对全息纠缠的普适标度特性的影响[34]。沿着这条思路，一些作者在 [ 35 ] 中定义了随机张量网络和群场论 (GFT) 状态之间的精确词典，并以此为基础在非微扰量子引力背景下首次推导了 Ryu-Takayanagi 公式 [ 6 ]。该字典还在对 GFT 状态进行不同限制的情况下，暗示了 LQG 自旋网络状态与张量网络之间的对应关系，以及随机张量模型 [ 36 ] 与张量网络之间的对应关系。总结上述字典，GFT 状态定义了具有场论公式和量子动力学的（广义）规范对称张量网络。GFT 张量的场论性质提供了一种自然的随机解释，尽管它对应的概率测度通常与标准随机张量网络模型的概率测度不同。此外，GFT 网络的主要特征——晶格拓扑、张量序、键维数——不是固定的，而是由所考虑的特定 GFT 模型动态诱导的。从这个意义上说，GFT 定义了通常张量网络的广义。因此，GFT 定义的张量网络的关联函数将在很大程度上取决于模型的选择。如 [ 35 ] 所示，标准随机张量网络模型与 GFT 张量网络之间的相似性在非相互作用 GFT 理论的最简单情况下尤其明显，其中理论的传播子诱导最大纠缠
https://doi.org/10.1038/s41560-023-01285-w
[1] R. He, G. Schierning, K. Nielsch, 热电器件：器件、架构和接触优化综述, 3(4) (2018) 1700256。[2] L. Yin, F. Yang, X. Bao, W. Xue, Z. Du, X. Wang, J. Cheng, H. Ji, J. Sui, X. Liu, Y. Wang, F. Cao, J. Mao, M. Li, Z. Ren, Q. Zhang, 一种用于发电的高性能热电模块设计的通用方法, Nature Energy (2023)。 [3] A. Sankhla, H. Kamila, H. Naithani, E. Mueller, J. de Boor, 论 Mg2(Si,Sn)中 Mg 含量的作用：通过原位表征和建模评估其对电子传输的影响并估算相宽度, Materials Today Physics 21 (2021) 100471。[4] Y. Zheng, XY Tan, X. Wan, X. Cheng, Z. Liu, Q. Yan, 用于热电应用的 Bi2Te3 基材料的热稳定性和机械响应, ACS Appl Energ Mat 3(3) (2020) 2078-2089。 [5] GQ Lu, JN Calata, G. Lei, X. Chen, 低温无压烧结技术在半导体器件高性能高温互连中的应用, 2007 年微电子和微系统热、机械和多物理模拟实验国际会议. EuroSime 2007, 2007, pp. 1-5. [6] R. Liu, Y. Xing, J. Liao, X. Xia, C. Wang, C. Zhu, F. Xu, Z.-G. Chen, L. Chen, J. Huang, S. Bai, 基于高性能半 Heusler 热电发电机的热惰性和欧姆接触界面, Nature Communications 13(1) (2022) 7738。[7] S. Tumminello, S. Ayachi, SG Fries, E. Müller, J. de Boor, 热力学计算在实际 TEG 设计中的应用：Mg2(Si0.3Sn0.7)/Cu 互连, Journal of Materials Chemistry A 9(36) (2021) 20436-20452。 [8] S. Ayachi、R. Deshpande、P. Ponnusamy、S. Park、J. Chung、S. Park、B. Ryu、E. Müller、J. de Boor，《点缺陷与接触电极选择的相关性：以 Ag 为例用于 Mg2(Si,Sn) 基热电发电机》，《材料今日物理》16 (2021) 100309。
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/g:\will\search\icon\source\d\dd5abf0752fcc9f891dc4a96743f916f96f28350.png)
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
超声引导区域麻醉中的人工智能图像解释
超声引导下区域麻醉教育和培训建议。区域麻醉和疼痛医学 2009；34：40 – 6。4. Turbitt LR、Mariano ER、El-Boghdadly K。区域麻醉的未来方向：不仅仅针对行家。麻醉学 2020；75：293 – 7。5. Bowness J、Turnbull K、Taylor A 等人。在超声引导下区域麻醉期间识别变异解剖结构：临床改进的机会。英国麻醉杂志 2019；122：775 – 7。6. Drew T、Vo MLH、Wolfe JM。看不见的大猩猩再次来袭：专家观察员的持续注意力盲视。心理科学 2013； 24 ：1848 – 53。7. Connor CW。麻醉学中的人工智能和机器学习。麻醉学 2019；131：1346 – 59。8. James Lind Alliance。麻醉和术前护理前 10 名。http://www.jla.nihr.ac.uk/priority-setting-partnerships/anaesthesia- and-perioperative-care/top-10-priorities/（2019 年 11 月 15 日访问）。9. C ^ ot e CD，Kim PJ。麻醉学中的人工智能：迈向未来。多伦多大学医学杂志 2019；96：33 – 6。10. Karpagavalli S、Jamuna KS、Vijaya MS。用于术前麻醉风险预测的机器学习方法。国际工程技术最新趋势杂志 2009；1：19 – 22。11. Oh TT、Ikhsan M、Tan KK 等人。一种新的神经轴麻醉方法：自动超声脊柱标志识别的应用。BMC 麻醉学 2019；19：57。12. Wijnberge M、Geerts BF、Hol L 等人。机器学习衍生的术中低血压预警系统与标准护理对择期非心脏手术期间术中低血压深度和持续时间的影响。美国医学会杂志 2020；323：1052 – 60。13. Sippl P、Ganslandt T、Prokosch HU 等人。全身麻醉期间插管后缺氧的机器学习模型。卫生技术和信息学研究 2017； 243 : 212 – 6. 14. Lee CK, Ryu HG, Chung EJ 等。丙泊酚和瑞芬太尼靶控输注过程中双谱指数的预测：一种深度学习方法。麻醉学 2018；128：492 – 501。