XiaoMi-AI文件搜索系统
World File Search Systemtuning
阿片类药物对社会依恋的调节
滥用阿片类药物的人经常会报告孤独感增强和维持社会联系的能力下降。这种社会功能的破坏进一步促进了成瘾，形成了一个循环，在这个循环中，越来越多的孤立感驱使人们吸毒。社会因素似乎也会影响阿片类药物依赖的易感性和进展。特别是，越来越多的证据表明，早期社会纽带形成不良和社会环境可能会增加晚年滥用阿片类药物的风险。大脑阿片类药物的社会依恋理论表明，内源性阿片类药物是形成和维持社会纽带的关键。越来越多的文献将阿片类药物系统描述为啮齿动物和灵长类动物社会分离痛苦和依恋形成的强大调节剂。在这个框架中，阿片类药物滥用导致的阿片类信号传导中断可能会介导社会奖励处理和行为。虽然在这些早期逆境模型中已经报道了内源性阿片肽和受体的变化，但其潜在机制仍然不太清楚。本综述探讨了社交剥夺与阿片类药物成瘾易感性之间明显的双向因果关系，研究了阿片类药物传播在依恋纽带形成和亲社会行为中的作用。我们认为早期的社交剥夺会破坏与阿片类药物传播相关的神经生物学基础，导致社交依恋缺陷并强化成瘾行为。通过查阅文献，我们讨论了社交孤立和阿片类药物成瘾之间可能重叠的神经通路，重点关注已知对阿片类药物有反应的主要奖励厌恶基础。
量子点中电荷状态自动调节的微型神经网络
摘要 量子计算机规模化的一个关键挑战是多个量子位的校准和控制。在固态量子点 (QD) 中，稳定量化电荷所需的栅极电压对于每个单独的量子位都是唯一的，从而产生必须自动调整的高维控制参数空间。机器学习技术能够处理高维数据（前提是有合适的训练集），并且过去已成功用于自动调整。在本文中，我们开发了极小的前馈神经网络，可用于检测 QD 稳定图中的电荷状态转变。我们证明这些神经网络可以在计算机模拟产生的合成数据上进行训练，并稳健地转移到将实验设备调整为所需电荷状态的任务上。此任务所需的神经网络足够小，可以在不久的将来在现有的忆阻器交叉阵列中实现。这为在低功耗硬件上小型化强大的控制元件提供了可能性，这是未来 QD 计算机片上自动调整的重要一步。
1 - 2025 年 NGT 工厂的“技术调整”表明
使用非靶向常规育种方法几乎不可能实现。为了展示加快 NGT 过程的新方法，刘等人 (2024) 使用病毒传递 CRISPR/Cas9 分子剪刀发挥作用所需的向导 RNA。他们在蛋白质编码基因和非编码 DNA 调控元件中都实现了多核苷酸缺失。番茄中 miRNA164 的保守遗传区域是目标基因之一。研究人员观察到，在该基因座发生大量缺失的植物中出现了以前未表征的表型，在这种情况下，这对植物不利。有几篇关于针对 miRNA 的 NGT 应用的出版物，显示了广泛的预期和非预期效果（Hong 等人，2021 年；Lin 等人，2022 年；Peng 等人，2019 年；Zhang 等人，2020 年；Zhao 等人，2017 年；Zhou 等人，2022 年）。此外，AI 还用于识别相关目标（Daniel Thomas 等人，2024 年；Kuang 等人，2023 年）。由于敲除 miRNA 基因功能所需的微小改变，因此所产生的植物很可能在计划中的新法规框架内逃避强制性风险评估（见下文）。
通过微调大型语言模型实现表格数据的迁移学习
尽管人工智能 (AI) 革命不断，但由于特征空间异构、样本量有限且缺乏可行的迁移学习，深度学习在表格数据方面尚未取得很大成功。由大型语言模型 (LLM) 驱动的生成式人工智能新时代为各种数据和领域带来了前所未有的学习机会。本文研究了 LLM 应用程序编程接口 (API) 和 LLM 迁移学习在表格数据分类中的有效性。LLM API 使用标记数据和指令响应输入文本提示，而迁移学习则针对目标分类任务对 LLM 进行微调。本文提出了一种端到端的 LLM 微调，以在不存在大型预训练表格数据模型来促进迁移学习的情况下，在十个基准数据集上展示跨数据迁移学习。所提出的 LLM 微调方法在具有少于十个特征（表格数据集的标准特征大小）的表格数据上的表现优于最先进的机器和深度学习方法。迁移学习方法仅使用其他深度学习或基于 API 的解决方案的计算成本的一小部分，同时确保具有竞争力或卓越的分类性能。
对文本的微调语言模型的影响 -
基于文本的强化学习涉及使用观察到的文本和自然语言的可接受动作来完成任务的代理人与虚构环境进行交互。以前的作品表明，即使在完全没有语义理解或其他语言能力的情况下，代理也可以在基于文本的交互式环境中成功。这些代理商在玩这样的游戏中的成功表明，语义理解可能并不重要。这提出了一个重要的问题，即LMS通过游戏指出代理商的好处。在这项工作中，我们证明了丰富的语义理解会导致对基于文本的RL代理的有效培训。此外，我们描述了基于文本的强化学习（TBRL）中语言模型的不适当微调的结果。具体来说，我们描述了LM中单词的出现表示的转变，以及它如何影响代理在与训练游戏的语义上相似的任务中的性能。这些结果可能有助于制定更好的策略，以在基于文本的RL方案中微调代理。
通过解释 - 一致性的芬特培养
经常会产生不一致的解释，并在非常相关的问题上进行解释（Chen等人，2023b）。实际上，LLMS甚至常常难以回答同一问题的重塑（Sclar等人，2023;张等。，2023）。目前尚不清楚适应LLM的流行方法，例如从人类反馈中监督的填充或加强学习能够解决此问题。我们通过引入解释 - 一致性登录（EC-FINETUNING）来解决此问题。ec-芬特列列列列斯在合成数据上的LLM精确构建以包含一致的规定。我们从一个问题解释对开始（例如，麻雀可以飞吗？”，“所有的鸟都可以飞”），产生一组相关问题（例如，“可以飞翔？”），然后回答与初始解释一致的相关问题（例如，“所有鸟类都可以飞行，以便企鹅可以飞”）。我们通过提示LLM来生成综合数据，这可能与解释LLM相同或不同。我们将EC-FINETIND应用于提问数据集，并发现它在四个芬口数据集中将自然语言解释的一致性提高了10.0％，也将七个分发数据集的概括（ +4.5％相对）概括为七个未见到的数据集（ +4.5％）。这表明EC-Finetuning通常对于帮助用户从其解释中构建LLM的心理模型很有用（见图1）。
微调在LLMS中提示的功效
本文介绍了我们参加FinCausal 2025 Compeition的方法和发现（Moreno-Sandoval等人。，2025），解决了从财务文件中得出的因果问题，特别是英语和西班牙年度报告。与基于BERT的代币分类（例如基于BERT的提取方法）相比，我们研究了生成模型（例如Llama）的有效性。虽然迅速的优化和很少的学习提供了一些改进，但它们不适合持续超过Fincausal的提取方法，并且患有hAlu take。相比之下，微调生成模型被证明对于最小化的幻觉和实现了卓越的表现至关重要。使用我们的微调多语言模型完成这两个任务，我们的表现要优于我们的外来和单语言方法，在比赛中获得了西班牙语的最高成果，而在比赛中获得了第二好的结果。我们的发现表明，微调的大语言模型非常适合复杂的财务叙事中的因果问答，提供了强大的多语言帽子，并有效地减轻了幻觉。
具有宽和快速调音功能的尼贝特锂锂vernier微型环滤波器
摘要：可调的光学微环形滤波器在光学通信，微波光子学和光子神经网络中起着重要作用。典型的微环滤波器基于微秒时间尺度的热光（TO）效应或具有有限的调谐范围的电用量（EO）效应。Here, we report a continuously tunable lithium niobate on insulator (LNOI) Vernier cascaded micro-ring filter with wire-bonded packaging integrated with both TO and EO tuning electrodes, featuring a 40-nm free spectral range (FSR), 2.3 GHz EO bandwidth, and a high sidelobe suppression ratio of 21.7 dB, simultaneously.我们的高性能光学微型环滤波器可能会成为未来LNOI光子电路的重要元素，并在高容量波长分段多发性多路复用（WDM）系统，宽带微波光子学，快速启用的外部外部腔激光器和高速光谱神经网络中应用。
推动贸易：微调太阳能和风能价值链的贸易政策
引言 ................................................................................................4 1. 应对气候变化和能源获取 ......................................................5 2. 太阳能和风能推动能源转型 ..............................................8 3. 绿色能源价值链的结构 ..............................................................13 4. 遵循历史贸易模式的新技术 ............................................................................15 5. 绿色能源价值链上的贸易壁垒 ......................................................................................19 6. 微调贸易政策以加强可再生能源技术 .............................................................26 7. 附件 .............................................................................................................28
gen-drive：通过奖励建模和强化学习微调
摘要 - 自主驾驶需要能够推理交通代理之间未来互动的能力，并对计划进行明智的评估。本文介绍了Gen-Drive框架，该框架从传统预测和确定性计划框架转变为一代人，然后评估计划范式。该框架采用行为扩散模型作为场景生成器来产生各种可能的未来情况，从而增强了联合交互推理的能力。为了促进决策，我们提出了一个场景评估者（奖励）模型，该模型通过通过VLM援助收集的成对偏好数据训练，从而降低了人类的工作量和增强可扩展性。此外，我们还利用RL微调框架来提高扩散模型的发电质量，从而使其更有效地计划任务。我们对NUPLAN数据集进行了培训和闭环计划测试，结果表明，采用这种生成时代评估策略的表现优于其他基于学习的APCARCHES。此外，微调的生成驾驶政策显示出计划绩效的显着增强。我们进一步证明，与依靠人类设计的奖励相比，利用我们学习的奖励模型进行评估或RL微调导致了更好的计划绩效。项目网站：https：//mczhi.github.io/gendrive。