XiaoMi-AI文件搜索系统
World File Search Systemusion
最初发表于：Subochev，Pavel；斯莫利纳，叶卡捷琳娜；谢尔盖娃，叶卡捷琳娜；基里林，米哈伊尔；奥尔洛娃，安娜；仓吉娜，达莉亚；埃米亚诺夫，丹尼尔；
摘要：啮齿动物脑血管成像是光声学研究大脑活动和病理的热门应用之一。深层脑结构成像常常受到光传输和声学检测系统布置不合理所阻碍。在我们的工作中，我们重新审视了光声信号生成背后的物理原理，以便从理论上评估最佳激光波长，以超越光在高度散射和吸收的脑组织中扩散所造成的穿透障碍，对啮齿动物进行脑血管光声血管造影。我们开发了一个基于扩散近似的综合模型，使用与典型鼠脑非常相似的光学和声学参数来模拟光声信号生成。该模型揭示了可见光和近红外光谱中的三个特征波长范围，最适合对不同大小和深度的脑血管进行成像。数值模拟证实了理论结论，而体内成像实验进一步验证了准确分辨 0.7 至 7 毫米深度范围内脑血管的能力。
耦合非厄米踢转子中定向动量流与弹道能量扩散的共存
我们用数值方法研究了具有 PT 对称势的耦合踢动转子中的量子输运。我们发现当复势虚部幅度超过阈值时，波函数会发生自发的 PT 对称性破缺，而耦合强度可以有效调节该阈值。在 PT 对称性破缺状态下，由周期性踢动驱动的粒子在动量空间中单向运动，标志着定向电流的出现。同时，随着耦合强度的增加，我们发现从弹道能量扩散转变为一种改进的弹道能量扩散，其中波包的宽度也随时间呈幂律增加。我们的研究结果表明，由粒子间耦合和非厄米驱动势相互作用引起的退相干效应是造成这些特殊输运行为的原因。
使用以超高梯度强度获取的扩散 MRI 数据来改善常规质量数据的纤维束成像
在人类连接组计划的带动下，具有超高梯度强度的扫描仪的开发显著提高了体内扩散 MRI 采集的空间、角度和扩散分辨率。可以利用改进的数据质量来更准确地推断微观结构和宏观结构解剖结构。然而，这种高质量的数据只能在全世界少数几台 Connectom MRI 扫描仪上采集，而且由于硬件和扫描时间的限制，在临床环境中仍然无法使用。在本研究中，我们首先更新了基于纤维束成像的手动注释主要白质通路的经典协议，以使其适应当今最先进的扩散 MRI 数据所能产生的更大体积和更大变化的流线。然后，我们使用这些协议手动注释来自 Connectom 扫描仪的数据中的 42 条主要通路。最后，我们表明，当我们使用这些手动注释的通路作为具有解剖邻域先验的全局概率纤维束成像的训练数据时，我们可以在质量低得多、更广泛可用的弥散 MRI 数据中对相同的通路进行高精度、自动重建。这项工作的成果包括来自 Connectom 数据的 WM 通路的全新综合图谱，以及我们的纤维束成像工具箱的更新版本，即受基础解剖学约束的 TRActs (TRACULA)，该工具箱使用该图谱中的数据进行训练。图谱和 TRACULA 均作为 FreeSurfer 的一部分公开分发。我们首次全面比较了 TRACULA 与更传统的多感兴趣区域自动纤维束成像方法，并首次演示了在高质量 Connectom 数据上训练 TRACULA 以造福使用更温和的采集协议的研究。
ribodifusion：基于第三结构的RNA逆折叠与生成扩散模型
RNA设计显示了RNA在各种生物过程中的关键作用驱动的合成生物学和治疗剂中越来越多的应用。 一个基本的挑战是找到满足结构约束的功能性RNA序列，称为反折叠问题。 已经出现了基于二级结构的计算方法来解决此问题。 然而，由于数据的稀缺，非唯一的结构序列映射和RNA构象的灵活性，直接从3D结构设计RNA序列仍然具有挑战性。 在这项研究中，我们提出了RECODI↵一种用于RNA逆折叠的生成二次模型，可以学习给定3D主链结构的RNA序列的条件分布。 我们的模型由基于图神经网络的结构模块和基于变压器的序列模块组成，该模块将随机序列转换为所需的序列。 通过调整采样重量，我们的模型允许序列恢复和多样性之间进行交易，以探索更多的候选者。 我们将基于RNA聚类的测试集使用DI↵Cut-O↵S序列或结构相似性。 我们的模型在序列恢复中的表现优于基准，序列相似性分裂的平均相对改善为11％，结构相似性分裂的平均相对提高为16％。 此外，Ribodi↵在各种RNA长度类别和RNA类型中的表现始终如一。 我们还施加了内部折叠，以验证生成的序列是否可以折叠到给定的3D RNA骨架中。RNA设计显示了RNA在各种生物过程中的关键作用驱动的合成生物学和治疗剂中越来越多的应用。一个基本的挑战是找到满足结构约束的功能性RNA序列，称为反折叠问题。已经出现了基于二级结构的计算方法来解决此问题。然而，由于数据的稀缺，非唯一的结构序列映射和RNA构象的灵活性，直接从3D结构设计RNA序列仍然具有挑战性。在这项研究中，我们提出了RECODI↵一种用于RNA逆折叠的生成二次模型，可以学习给定3D主链结构的RNA序列的条件分布。我们的模型由基于图神经网络的结构模块和基于变压器的序列模块组成，该模块将随机序列转换为所需的序列。通过调整采样重量，我们的模型允许序列恢复和多样性之间进行交易，以探索更多的候选者。我们将基于RNA聚类的测试集使用DI↵Cut-O↵S序列或结构相似性。我们的模型在序列恢复中的表现优于基准，序列相似性分裂的平均相对改善为11％，结构相似性分裂的平均相对提高为16％。此外，Ribodi↵在各种RNA长度类别和RNA类型中的表现始终如一。我们还施加了内部折叠，以验证生成的序列是否可以折叠到给定的3D RNA骨架中。我们的方法可能是RNA设计的强大工具，可以探索庞大的序列空间并为3D结构约束发现新颖的解决方案。
SMASH 工作论文环境法规和生态...
本文基于创新扩散理论，分析了环境监管与环境创新之间的关系。使用德国企业面板数据和动态计数数据模型来测试环境监管与环境创新之间的关系。我们估计了企业对五个启动因素的创新倾向，即法律要求的履行、对法律要求的期望、公共资金、对环境创新的需求和自我承诺。我们还控制了研发强度、公司所在地区和行业，并筛选出考虑其环境影响的公司。结果回答了有关设计环境政策以促进创新的核心问题。我们表明，只有动态和基于市场的政策才与环境创新呈正相关。传统的监管工具，即基于技术的命令和控制，对于在企业层面触发创新行为无效。最后，我们表明环境监管是生态创新的必要条件。关键词：波特假说、环境管制、环境创新、创新扩散、动态计数数据。JEL：C23、H23、O31、O38、Q55。
在户外太阳光照下，太阳能驱动的气体扩散电极流动池中将 CO2 还原为 CO，效率为 19%
摘要：太阳能驱动的二氧化碳还原是合成燃料和化学品的碳中性途径。我们在此报告使用光伏电池直接供电的气体扩散电极 (GDE) 进行太阳能驱动的 CO 2 还原的结果。GaInP/GaInAs/Ge 三结光伏电池用于为采用 Ag 纳米颗粒催化剂层的反向组装气体扩散电极供电。在 1 个太阳的模拟 AM 1.5G 照明下，该装置的太阳能到 CO 能量转换效率为 19.1%。使用反向组装 GDE 可防止催化剂床从湿润转变为充满，并使装置稳定运行 >150 小时而没有效率损失。在加利福尼亚州帕萨迪纳市的环境太阳光照下进行了户外测量，结果显示太阳能转化为二氧化碳的峰值效率为 18.7%，二氧化碳生成率为每天 47 毫克·厘米 −2，日平均太阳能转化为燃料的效率为 5.8%。
Versatile-vision-Roundation-Model-for-for-inmage-and-video- ...
图像和视频着色是图像恢复中最常见的概率之一。这是一个不足的问题，已经提出了多种方法，从更传统的计算机视觉策略到具有基于变压器或生成的神经网络模型的最新开发。在这项工作中，我们展示了如何对文本到图像综合进行预培训的潜在扩散模型，以进行图像着色，并为各种场景提供了灵感的解决方案：高质量的直接着色，并具有多样化的效果，并通过用户指导的颜色，通过色彩勾勒，文本图像或参考图像或网状色彩和纯净的颜色和纽约。一些已经使用分解模型进行了调查的一些作品，但是所提出的SO措施通常更为复杂，需要训练指导DeNoising Process（àlaControlNET）的侧模型。这种方法不仅增加了参数的数量和计算时间，而且还会在我们显示的时导致次级最佳着色。我们的评估
![arXiv:2005.11997v1 [physics.optics] 2020 年 5 月 25 日](/simg/0\02aee865392731274f9ef47bbb483d9a4ce97155.webp)
arXiv:2005.11997v1 [physics.optics] 2020 年 5 月 25 日
光子霍尔效应 (PHE) 早在 20 多年前就被预测 [1] 并被测量 [2]。它指的是沿垂直于入射电流和磁场的优先方向散射的电磁通量，这与电子传导中的 (异常) 霍尔效应非常相似。研究表明，PHE 源自介电米氏球单次散射中的法拉第旋转 [3]，并在纯电偶极耦合区域（瑞利区域）中消失。因此，PHE 不会发生在原子的单次光散射中，而是由多次散射 [4] 或电偶极跃迁与更高的多极子发生干涉时产生的 [5]。在最近的文献中，人们发现了许多或多或少相关的效应，例如光子自旋霍尔效应 [6–8]、光的量子自旋霍尔效应 [9]、声子霍尔效应 [10]、等离子体霍尔效应 [11] 甚至其他光子霍尔效应 [12]。在具有中心光源的散射介质中，沿 z 轴施加均匀磁场 B 0 时，PHE 表现为绕场线旋转的电流。与 PHE 相关的坡印廷矢量由 S PHE = DH b B 0 × ∇ ρ ( r , t ) 给出，其中 ρ ( r , t ) 为电磁能量密度，DH ( B 0 ) 为霍尔扩散常数，其符号由法拉第旋转方向决定。最简单的情况是考虑一个点源 P ( r , t ) = P ( t ) δ ( r )，将功率 P 注入扩散常数为 D 的无限扩散介质中。对于单次能量为 W 的辐射，P ( t ) = Wδ ( t )，我们可以代入扩散方程的著名解，得到：