XiaoMi-AI文件搜索系统
World File Search Systemsimulate
机器人右心室是一个生物杂化平台，在（PATHO）生理条件和干预措施中模拟右心室功能
对右心室（RV）的越来越多的认识需要开发以RV为中心的干预措施，设备和测试床。在这项研究中，我们开发了一种右心脏的软机器人模型，该模型准确地模仿了RV生物力学和血液动力学，包括游离壁，中间和瓣膜运动。该模型使用生物杂化方法，将经过化学处理的心内膜支架与软机器人合成心肌结合在一起。连接到循环流动环时，机器人右心室（RRV）会在健康和病理状况中复制实时血液动力学变化，包括体积超负荷，RV收缩失败和压力过载。RRV还模仿了RV功能障碍的临床标记，并使用体内猪模型进行了验证。此外，RRV还会重现弦张张力，模拟乳头状肌肉运动，并显示了三尖瓣修复和体外替换的潜力。这项工作旨在为开发用于RV病理生理学研究和治疗的工具提供一个平台。
含咖啡因的咀嚼口香糖可改善交感神经活动并模拟
随机跨界双盲研究设计。经过三天的饮食控制，参与者在试验当天的下午到达实验室，以安静的状态收集唾液样本，并配备了心率监测器。参与者以3 mg/kg的体重（CAF试验）咀嚼含咖啡因的口香糖或含含咖啡因（PL试验）的安慰剂的参与者10分钟，然后将其吐出。参与者然后接受了15分钟的动态热身。在热身结束时，参与者进行了2轮特定于摔跤的模拟比赛，并记录了模拟比赛中的跌倒数量。模拟匹配后，再次从参与者那里收集唾液样本。分析唾液样品的咖啡因α-淀粉酶浓度。两个试验之间的差异
通过具有概率输出的多任务神经网推断红移和星系性能 - 模拟月亮光谱的应用
1 Department of Physics and Astronomy, University of Florence, Via G. Sansone 1, I-50019 Sesto F.no (Florence), Italy 2 Inf-Astro fi sic observatory of Arcetri, Largo E. Fermi 5, I-50125 Florence, Italy 3 School of Physics and Astronomy, University of St Andrews, North Haugh, ST Andrews, St Andrews. Ky16 9SS, UK 4 Inf-Observatory of Astro Phone and Spazio of the Space of Bologna, Via Piero Gobetti 93 /3, 40129 Bologna, Italy 5 GEPI, Observiire de Paris, PSL University, CNRS, Meudon, France 6 Cavendish Laboratory, University of Cambridge, 19 J. Thomson Ave., Cambridge CB3 0he, UK 7, UK 7卡夫利宇宙学研究所，剑桥大学，马德利路，剑桥CB3 0HA，英国8物理与天文学系，伦敦大学学院，伦敦高尔街，伦敦WC1E 6BT，英国9欧洲南部天obervoration，Karl-Schwarzsschild-Strassse 2， D-85748 Garching Bei Muenchen，德国1 Department of Physics and Astronomy, University of Florence, Via G. Sansone 1, I-50019 Sesto F.no (Florence), Italy 2 Inf-Astro fi sic observatory of Arcetri, Largo E. Fermi 5, I-50125 Florence, Italy 3 School of Physics and Astronomy, University of St Andrews, North Haugh, ST Andrews, St Andrews. Ky16 9SS, UK 4 Inf-Observatory of Astro Phone and Spazio of the Space of Bologna, Via Piero Gobetti 93 /3, 40129 Bologna, Italy 5 GEPI, Observiire de Paris, PSL University, CNRS, Meudon, France 6 Cavendish Laboratory, University of Cambridge, 19 J. Thomson Ave., Cambridge CB3 0he, UK 7, UK 7卡夫利宇宙学研究所，剑桥大学，马德利路，剑桥CB3 0HA，英国8物理与天文学系，伦敦大学学院，伦敦高尔街，伦敦WC1E 6BT，英国9欧洲南部天obervoration，Karl-Schwarzsschild-Strassse 2， D-85748 Garching Bei Muenchen，德国
使用模拟运动和LIDAR测量的基于机器学习的虚拟负载传感器
摘要。漂浮的海上风力涡轮机（FOWTS）配备了各种传感器，可为涡轮机监视和控制提供有价值的数据。由于技术和运营挑战，用于精确获得的系泊线和Fairleads的负载估计可能很难且昂贵。这项研究深入研究了一种方法，其中将模拟的浮游运动测量和风速测量得出，从前瞻性的基于Nacelle的Lidar得出，被用作不同类型的神经网络的输入，以估计Fairlead张力时间张力时间序列和损害等效载荷（DELS）。fairlead张力与浮游器的动力学和作用本质上相关。因此，我们系统地分析了浮油动力学对Fairlead张力时间序列和DELS预测质量的个人贡献。通过基于NACELLE的LIDAR获得的风速测量值在近海风力涡轮机上固有地影响了平台的动力学，尤其是旋转螺距的位移和流量器的潮流位移。因此，激光雷达风速数据间接包含浮雕的动态行为，这反过来又控制着Fairlead载荷。这项研究杠杆测量的视线（LOS）风速以估计Fairlead紧张局势。该模型的训练数据是由启用的风力涡轮机仿真工具与数值LIDAR模拟框架Vicondar一起生成的。使用长期短期内存（LSTM）网络预测Fairlead张力时间序列。del预测是使用三种不同方法进行的。首先，DEL是根据预测的时间序列计算得出的。其次，使用序列至一lstm体系结构预测DELS，第三，使用卷积神经网络体系结构预测DELS。结果表明，可以从浮游运动时间序列中准确估算Fairlead张力时间序列和DEL。此外，我们发现LiDAR LOS测量值不会改善时间序列或如果可用运动测量结果。然而，使用LiDar测量作为DEL预测的模型输入，导致与使用层的位移测量相似的精度。
分析模拟环境极端的极端价值统计
环境现象。在气候科学中，在包括温度在内的广泛变量的建模中已经取得了显着的进步（Clarkson等人。2023），降水（Katz 1999），风速（Kunz等2010; Fawcett和Walshaw 2006）以及其他更广泛的环境主题（包括水文学）（Towler等人2010; Katz等。2002）和空气污染（Gouldsbrough等人 2022）。 在本文中，我们概述了“ Uniofbathtopia”团队在第13届国际极端价值分析会议（EVA2023）举办的数据挑战中使用的技术。 可以在社论中找到对任务的完整描述（Rohrbeck等人 2023）。 我们概述了四个子挑战中的每一个方法，在该方法中，我们根据每个任务的要求，将极值统计的传统方法与其他统计学建模技术进行补充。 挑战涉及在环境应用的背景下，在“乌托邦”的精美国家设计的环境应用中估算极边缘的分位数，边缘超出概率和关节尾概率。 竞争组织者使用已知参数模拟了数据，以便可以验证和比较团队的模型，并以模仿现实世界过程所表现出的丰富，复杂的行为。 因此，我们期望我们提出的方法的性能扩展到一般设置和应用程序。 我们还使用引导方法进行置信间隔估计（Gilleland 2020）。 2013）。2002）和空气污染（Gouldsbrough等人2022）。在本文中，我们概述了“ Uniofbathtopia”团队在第13届国际极端价值分析会议（EVA2023）举办的数据挑战中使用的技术。可以在社论中找到对任务的完整描述（Rohrbeck等人2023）。我们概述了四个子挑战中的每一个方法，在该方法中，我们根据每个任务的要求，将极值统计的传统方法与其他统计学建模技术进行补充。挑战涉及在环境应用的背景下，在“乌托邦”的精美国家设计的环境应用中估算极边缘的分位数，边缘超出概率和关节尾概率。竞争组织者使用已知参数模拟了数据，以便可以验证和比较团队的模型，并以模仿现实世界过程所表现出的丰富，复杂的行为。因此，我们期望我们提出的方法的性能扩展到一般设置和应用程序。我们还使用引导方法进行置信间隔估计（Gilleland 2020）。2013）。在单变量任务中，我们使用了广义帕累托分布（GPD），并使用基于模型的聚类方法在内（Hastie等人。2009）和混合模型（Fraley and Raftery 2002）以及马尔可夫链蒙特卡洛（MCMC）进行参数估计（Coles and Powell 1996）。对于多元问题，我们的方法基于定期变化随机变量的最大线性组合的参数族（Fougères等人。我们使用现代的现代精学学习技术（包括稀疏诱导的预测和聚类），推动了对这些模型进行推理的新方法，推进了现有方法（Cooley and Thibaud 2019; Kiriliouk and Zhou 2022）。我们工作的新方面是：探索尾尾行为不确定性较大的系统的MCMC参数估计偏置，并提出了基于稀疏投影的Max-linear模型的噪声系数的新估计器。本文的格式如下：第2节描述了我们针对单变量挑战的解决方案，每个挑战将每个挑战分为方法论和结果。第3节介绍了必要的背景理论，这些理论是从多变量极端的。我们在第4节中对我们的绩效进行了一些最后的讨论。
使用CMS实验中的机器学习技术重新权将模拟事件重新释放事件
粒子物理学中的数据分析依赖于粒子碰撞的准确模拟和检测器效应的详细模拟，以从记录的数据中提取物理知识。事件发生器以及基于Geant的模拟模拟，用于生成大量的模拟事件样本，以通过LHC实验进行分析。这些模拟的计算成本很高，其中检测器模拟和重建算法的CPU需求最大。本文介绍了如何使用一组给定模型参数获得的机器学习（ML）技术来重新使用类似的样品，以与来自不同参数或样本的样本中获得的样品。ML重新加权方法避免了需要通过事件权重将相关信息在单个样本中不相关的信息来多次模拟检测器响应。在LHC处的模拟顶级夸克对生产中，提出了用于重新加权的结果，以重新加权以建模变化和高阶计算。这种基于ML的重新加权是CMS实验的未来计算模型的重要组成部分，并将促进高光度LHC处的精确测量。
我们被模拟的可能性不存在
模拟理论认为意识、现实以及我们对这些现实的感知都是通过详细的计算机模拟体现出来的。Bostrom (2003) 提出了模拟理论，至少是其流行的形式，他考虑了一种先进的后人类物种获得强大的计算能力，大大超越了我们目前的局限性，并对模拟其祖先产生了兴趣。Bostrom 认为这可能是我们存在的一种解释。然而，从最广泛的意义上讲，模拟理论没有理由必须依赖这些人类后代。任何拥有足够计算能力和想象力的物种都可以产生令人信服的现实模拟，并且只要有足够的想象力，这种外来物种也没有理由必须模拟与其自身稍微相似的现实。当我们想象一个特别狡猾的非人类模拟器模拟的现实是故意设计来迷惑其居民，让他们相信他们是由他们的后人类后代模拟的时，这个命题尤其有力。先验地，这些都是简单的逻辑可能性，我们无法从所有可能性中排除它们。我们提醒大家，目前尚不清楚“足够的计算能力”究竟意味着什么，以及这是否可以实现。为了便于讨论，我们承认，即使不是在我们的现实中，而是在一个与我们完全不同的假想模拟器的现实中，足够的计算能力是可以实现的，因为没有理由相信不是这样。
评估莫妮卡在对比鲜明的水桌下模拟水，碳和氮通量的能力
湿的草原对于水和养分调节至关重要，其特征是不同的水，碳（C）和氮（N）动力学及其相互作用。由于其浅地下水桌，湿的草原促进了各种植被和土壤水之间的牢固相互联系。研究人员使用各种模拟模型研究了湿草地如何对环境变化的反应，以了解这些地点如何对水，C和N动力学贡献。然而，仍然缺乏对所有这三种动态的全面，同时研究。这项研究利用了具有不同管理的地下水水平的草原溶液仪研究，并采用基于过程的氮和碳动力学模型，以模拟这些动力学。通过使用斑点（统计参数优化工具）来优化相关参数，我们发现莫妮卡在模拟植被生长（地上生物量）和水的元素（蒸发）（蒸发性），C（总生产率，生态系统呼吸）和NITRISS nIrsrate nIrmass in nIrmass in Nitrys nitrys nitrys nitrys nitrys nitrys nitrys nitrys nitrys nitrys nitrys nitrys nitrys nitrys nitrys nitrys n nitrys n nitrys n nitrys n nitrys n Nitmote nistrantranse nistrantransive（蒸发）协议的精致指数始终大于0.35。这种准确性表明，莫妮卡准备应用于地下水管理和气候变化的场景，以评估其影响
错误校正的Hadamard门在电路级别模拟
我们在电路级噪声模型下模拟了表面代码中的逻辑Hadamard门，将其汇总到方格连接硬件上的物理电路中。我们的论文是第一个在量子错误校正代码上使用逻辑统一门这样做的。我们通过斑块变形考虑两个建议：一个应用横向hadamard门的提案（即整个域壁贯穿了时间），以互换逻辑X和Z字符串，另一个将域壁应用于空间以实现此互换的情况。我们详细解释了为什么他们通过跟踪稳定器和逻辑运算符在每个Quantum误差校正回合中如何转换稳定器和逻辑运算符来执行逻辑Hadamard门。我们优化了物理电路并评估它们的逻辑故障概率，我们发现与相同数量的量子误差校正回合的量子记忆实验相当。我们提出了综合征 - 萃取电路，在电路级别噪声下与现象学噪声保持相同的效率距离。我们还解释了如何将交换-Quantum-error-or校正回合（要求将贴片返回其初始位置），只能将其编译为仅四个两倍的栅极层。这可以应用于更一般的方案，作为副产品，它可以从第一原则中解释如何如何构建Google Paper [1]的“步进”电路。
利用区域网状精炼来模拟未来...
摘要。与加利福尼亚州复杂读物相关的空间异质性要求高分辨率（<5 km）建模，但是全球渗透的气候模型在计算上在计算上太昂贵了，无法运行多核心模拟。，我们使用美国能源部（DOE）的全球简单云解决E3SM气氛模型（Scream）版本0。四个5年期（2015–2020，2029–2034，2044–2049和2094–2099）通过在加利福尼亚以外的Carrm to以1°的模拟E3SMV1模拟E3SMV1在共享社会经济途径（SSP）5-8.5未来的情况下模拟。3.25 km的网格间距为加利福尼亚气候变化的预测增加了相当大的价值，包括中央山谷中更现实的高温以及在内华达山脉和沿海地区的降水和积雪的空间分布大大改善。Under the SSP5-8.5 scenario, CARRM simu- lation predicts widespread warming of 6–10 °C over most of California, a 38 % increase in statewide average 30 d winter– spring precipitation, a near-complete loss of the alpine snow- pack, and a sharp reduction in shortwave cloud radiative forc- ing associated with marine stratocumulus by the end of the 21st century.我们注意到CARRM的气候湿降水偏置，并讨论可能的原因。我们得出的结论是，Scream RRM是一种技术在技术上可行且具有科学的有效工具，可用于侵入区域的气候模拟，为全球对流允许模拟提供了极好的桥梁。