XiaoMi-AI文件搜索系统
World File Search System中间层
SOK：为有影响力的卫星网络安全研究构建启动平台
摘要 — 随着航天工业进入快速变革时期，确保新兴和传统卫星任务的安全将变得至关重要。然而，空间技术在很大程度上被系统安全界忽视了。这篇系统化知识的论文试图理解为什么会出现这种情况，并为寻求在地球中间层之外做出有影响力贡献的技术安全研究人员提供一个起点。本文首先从法律和政策研究到航空航天工程等不同领域的相关威胁模型的跨学科综合开始。这被呈现为一个“威胁矩阵工具箱”，安全研究人员可以利用它来激发对给定攻击媒介和防御的技术研究。随后，我们将该模型应用于过去 60 年内 100 多起重大卫星黑客事件的原始年表。它们一起用于评估四个子领域的卫星安全的最新水平：卫星无线电链路安全、空间硬件安全、地面站安全和操作/任务安全。在每个领域，我们都注意到其他学科中存在的重要发现和未解决的问题，而系统安全社区正准备解决这些问题。通过整合这些研究，我们提出了一个案例，即卫星系统安全研究人员可以建立在强大但不同的学术基础上，并满足未来太空任务的迫切需求。
基于Batio3/Moo3/ag的三元异质结构，用于高效且可重复使用的光催化应用
这项工作表明了通过将铁电batio 3（BTO）整合为底层，半导体MOO 3作为中间层和等离激元银纳米颗粒（Ag nps）作为顶层，将有效的三元异质结构光催化剂制造为底层，半导体MOO 3。Batio 3 /Moo 3 /ag（BMA）异质结构在紫外线batio 3 /ag（BA（BA）和MAO时，在UV -Visible Light Plintination下，若丹明B（RHB）染料的光降解和光催化效率为100％，在60分钟下显示为60分钟。BMA异质结构中的光催化活性增加归因于其增强的界面电场，这是由于BTO -MOO 3和MOO 3 -ag界面的电动双层形成。对BMA异质结构观察到的表面等离子体共振（SPR）峰的较高蓝光清楚地表明，在光照明下，电子向顶部AG NPS层的转移增加了。较高的电阻开关（RS）比，电压最小值的差异增加以及改善的光电流产生，从I – V特性中可以明显看出，这说明了BMA异质结构中增强的电荷载体的产生和分离。在BMA异质结构的Nyquist图中观察到的较小的弧形半径清楚地展示了其增加的界面电荷转移（CT）。还研究了BMA异质结构的CT机制和可重复使用性。
![arxiv：2402.00653v1 [Quant-ph] 2024年2月1日](/simg/d\dae74df0f23b071dace10984413bd1a300023795.webp)
arxiv：2402.00653v1 [Quant-ph] 2024年2月1日
量子机学习，专注于量子神经网络（QNN），仍然是一个非常未知的研究领域。当前的QNN模型主要在ANSATZ或量子特征图上采用各种电路，通常需要多个纠缠层。这种方法不仅将电路的计算成本提高到了近期量子设备上的实用性，而且鉴于它们与典型的进发神经网络（FFNN）的结构的差异，还将这些模型标记为神经网络。此外，这些模型的电路深度和量子需求随数据功能的数量而缩小较大，从而导致对现实世界机器学习任务的效率挑战。我们引入了一个真正的QNN模型，该模型与传统FFNN的多功能性无缝地与其适应性的中间层和节点的多功能性保持一致，而中间测量不存在，因此我们的整个模型都是相干的。该模型以其减少的电路深度和所需的C-Not门的数量而脱颖而出，以超过盛行的QNN模型。此外，我们的模型中的Qubit计数仍然不受数据特征数量的影响。我们在各种基准测试数据集（例如诊断乳腺癌（威斯康星州）和信用卡欺诈检测数据集）上测试了我们提出的模型。我们将模型的结果与现有的QNN方法进行比较，以展示我们方法的有利功效，即使对量子资源的要求减少了。我们的模型为将量子神经网络应用于真正相关的机器学习问题铺平了道路。
![arxiv：2303.09171v3 [CS.CV] 2024年1月31日](/simg/f\ff2103e46fc111d77d9c88fa924fb41c96cc989b.webp)
arxiv：2303.09171v3 [CS.CV] 2024年1月31日
最近，神经网络模型的解释引起了相当大的研究关注。在计算机Vi-Sion中，CAM（类激活图）基于基于cam的方法和LRP（层相关性传播）方法是两种common解释方法。但是，由于大多数基于CAM的方法只能产生全球权重，因此它们只能在深层进行粗粒的解释。LRP及其变体可以生成细粒度的解释。但是解释的忠诚太低了。为了应对这些挑战，在本文中，我们提出了FG-CAM（细粒度凸轮），该cam扩展了基于CAM的方法，以产生高粒度和高信仰。fg-cam使用具有分辨率差异的两个特征图层之间的关系，以逐渐增加解释分辨率，同时找到贡献的像素并滤除不贡献的像素。我们的方法不仅可以解决基于CAM的方法的短相处，而不会改变其特征，而且还产生了比LRP及其变体更高的忠诚度的细粒度解释。我们还以denoising呈现FG-CAM，这是FG-CAM的一种变体，能够产生较少的嘈杂解释，而忠实的解释几乎没有变化。实验结果表明，FG-CAM的性能几乎不受解释分辨率的影响。fg-cam在浅层和中间层中均显着优于基于CAM的方法，并且在输入层中均优于LRP及其变量。我们的代码可在https://github.com/dongmo-qcq/fg-cam上找到。
盲目的高光谱和多光谱图像融合
光谱图像融合结合了低空间分辨率高光谱（HS）和低光谱 - 分辨率多光谱（MS）图像，以估计高分辨率（HR）光谱图像。尽管基于监督深度学习的最新融合技术显示出令人鼓舞的结果，但这些方法需要大量的培训数据集，涉及昂贵的获取成本和较长的培训时间。相比之下，基于深图像先验（DIP）方法的无监督的HS和MS图像融合为具有不同分布的图像的适应性提供了适应性。但是，现有的无监督方法依赖于线性降解模型的假设，并且需要对这些模型的精确知识才能获得最佳性能。为了克服这些挑战，我们提出了无监督的盲人HS和MS图像融合的中间输出深图像先验（MODIP）。Modip基于DIP模型，并在网络中的中间层产生融合图像。该体系结构包括两个高尺度的卷积发生器，它们从HS和MS输入中重建了HR光谱图像，以及两个网络，这些网络适当地降低了估计的HR图像，以匹配可用的MS和HS数据集，从而学习非线性降解模型。MODIP的网络参数是通过最小化所提出的复合损耗函数的共同和迭代调整的。重要的是，这种方法可以处理降解操作员未知或部分估计的方案。广泛的模拟表明，MODIP的表现优于其他基于模型的图像融合方法。为了评估MODIP的性能，我们在两个模拟光谱图像数据集（Pavia University和Salinas Valley）上测试了Fusion方法，以及通过光学实验室中的测试台实现获得的真实数据集。
dafpam63-128 - 空军
本出版物实施了空军政策指令 (AFPD) 63-1/20-1《综合生命周期管理》和空军指令 (AFI) 63-101/20-101《综合生命周期管理》。本空军部小册子 (DAFPAM) 为开发、审查、批准或管理根据国防部指令 (DoDD) 5000.01《国防采购系统》采购的系统、子系统、最终项目和服务（在本文件中称为程序）的空军部 (AF) 人员提供了实施综合生命周期管理 (ILCM) 的指导和推荐程序；国防部指令 (DoDI) 5000.02T《国防采购系统的运行》；DoD 5000.02《自适应采购框架的运行》；DoDI 5000.74《国防服务采购》； DoDI 5000.75 业务系统需求与采购；DoDI 5000.80，中间层采购 (MTA) 的运作；DoDI 5000.81，紧急能力采购，DoDI 5000.85，主要能力采购（统称为 DoD 5000 采购系列）。《国防采购指南》中提供了有关最佳实践、经验教训和期望的其他非强制性指导。为确保标准化，任何补充本出版物的组织都应在发布前将实施出版物发送给 SAF/AQX 进行审查和协调。本出版物适用于所有军事和民事空军人员，包括空军预备役 (AFR) 部队和空军国民警卫队；根据与空军部 (DAF) 签订的约束性协议或义务要求的其他个人或组织。本出版物适用于美国空军和美国太空部队 (USSF)，直至 USSF 出版物发布。确保根据本出版物中规定的流程生成的所有记录均遵守空军指令 (AFI) 33-322《信息治理计划的记录管理》，并根据空军记录信息管理系统进行处理。应定期审查和更新本 DAFPAM，以反映总体政策的变化
在压力下，通过电子掺杂在三层镍中通过电子掺杂增强了S±波超导性的预测
是由最近报道的Trilayer LA 4 Ni 3 O 10在压力下的超导性的签名的动机，我们使用从头算和随机相近似技术全面研究了该系统。没有电子相互作用，NI D 3 z 2-r 2轨道显示通过op z轨道构成键合 - 抗抗反向和非键的分裂行为，这些轨道在La 4 Ni 3 O 10中诱导“ Trimer”晶格，类似于La 3 Ni 2 O 7的二聚体。费米表面由三个具有混合e轨道的电子纸组成，一个由D 3 z 2-r 2轨道组成的孔和电子袋组成，这表明Ni两轨最小模型。另外，我们发现由于M¼ðπ之间的部分嵌套，在S波通道中诱导了超导配对。以γ¼d为中心的费米表面的中心口袋和部分； 0Þ点。随着电子密度n的变化，S不稳定性保持领先，其配对强度显示出最大n¼4左右的Domelike行为。2（〜6。7％电子掺杂）。超导不稳定的消失在与新的1313堆叠La 3 ni 2 O 7中相同的电子密度消失，这与三层sublattice产生的孔口袋消失有关，这表明La 3 Ni 2 O 7的高t c超导性不源自trililayer and Monolayer and Monolayerererererereraner和monlayerererererereraner和mon。此外，我们在LA 4 ni 3 O 10中确认了拟议的自旋状态，其平面内（π，π）顺序（π，π）和底部Ni层之间的抗铁磁耦合，中间层中的旋转零。
批准公开发布：分发不受限制
SAAL-ZE 备忘录供分发主题：陆军助理部长（采购、后勤和技术）软件物料清单政策 1. 参考文献。见附件。2. 目的。本备忘录的目的是实施陆军使用软件物料清单 (SBOM) 的政策，以加强软件供应链风险管理实践并有效降低软件供应链风险。3. 背景。2021 年 5 月 12 日发布的总统行政命令 14028（改善国家网络安全）通过重点实现联邦政府网络安全的现代化和提高软件供应链的安全性来加强美国网络安全。 2022 年 9 月 14 日，管理和预算办公室 (OMB) 备忘录 M-22-18（通过安全软件开发实践增强软件供应链的安全性）要求联邦机构遵守国家标准与技术研究所 (NIST) 安全软件开发框架 SP 800-218 和 NIST 软件供应链安全指南。OMB 备忘录 M-23-16 强化了 M-22-18 中规定的要求，并就 M-22-18 要求的范围提供了补充指导。陆军指令 2023-16（武器系统的供应链风险管理）规定，原始设备制造商在开发和生产过程中实施供应链风险管理 (SCRM)，政府有共同的责任来管理该风险。软件是 SCRM 风险的一个子集，并且 SCRM 将在系统的整个生命周期中进行。陆军指令 2024-02（支持现代软件开发和采购实践）强调了陆军对软件的依赖，以及了解系统可能给网络带来的风险以及如何最大程度地降低这些风险的重要性。4. 适用性：本政策适用于计划或当前正在执行软件采购途径、紧急能力采购、中间层采购、主要能力采购和国防业务系统的当前和未来计划。
验证防止飞机照明的系统...
在未来几年中，用于科学目的的激光束将越来越多地用于天文望远镜。尽管望远镜站点附近的空中交通量通常极低，但必须解决同时发生的飞机意外照明风险（Wizinowich 等人1998）。正在建造一个用于近红外校正的自适应光学 (AO) 系统（Lloyd-Hart 等人1998），以部署在亚利桑那州南部霍普金斯山的一台新的 6.5 米望远镜（多镜面望远镜 (MMT) 转换）上（West 等人1997）。波前像差将通过参考沿望远镜光轴投射的 10 W 激光束产生的信标来测量（Jacobsen 等人1994）。激光调谐到原子钠的 D2 线，照亮中间层的钠原子。共振背散射光在望远镜上显示为人造“星”。旧的六镜配置中的 MMT 现已拆除，6.5 m 的施工正在快速进行，预计将于 1999 年秋季首次亮相。新的 AO 系统预计将在几个月后首次亮相。然而，在过去三年中，MMT 一直充当原型 AO 系统的试验台，包括一台 3 W 激光器（Ge 等人1998）。在此期间，我们制定了确保望远镜附近空中交通安全的程序。在激光活动开始前，通常会发布飞行员通知 (NOTAM)。激光从未指向 45° 天顶角以下。当预计或正在进行激光活动时，指定的激光安全官 (LSO) 必须始终在场，并且现场的专用电话线确保当地联邦航空管理局人员可以立即联系 LSO。最重要的是，我们开发了一种自动系统，旨在检测飞机并在任何潜在照明之前关闭激光。
SANS-CNN：一种利用宇航员图像数据来诊断航天相关神经眼部综合症的自动机器学习技术
太空飞行相关神经眼综合征 (SANS) 是太空飞行最大的生理障碍之一，需要对未来的行星任务进行评估和缓解。由于太空飞行环境是临床受限的环境，本研究的目的是使用在宇航员 SANS 光学相干断层扫描 (OCT) 图像上训练和验证的机器学习模型提供 SANS 的自动早期检测和预测。在本研究中，我们提出了一个轻量级卷积神经网络 (CNN)，它结合了 EffficientNet 编码器，用于从 OCT 图像中检测 SANS，名为“SANS-CNN”。我们使用 6303 张 OCTB 扫描图像进行训练/验证（80%/20% 分割），并使用 945 张 SANS 图像进行测试，结合地面图像和宇航员 SANS 图像进行测试和验证。使用 NASA 标记的 SANS 图像对 SANS-CNN 进行了验证，以评估准确度、特异性和敏感性。为了评估真实世界的结果，还在这个数据集上采用了两种最先进的预训练架构。我们使用 GRAD-CAM 来可视化中间层的激活图，以测试 SANS-CNN 预测的可解释性。SANS-CNN 在测试集上的准确度为 84.2%，特异性为 85.6%，敏感性为 82.8%，F1 分数为 84.1%。此外，SANS-CNN 的准确度分别比另外两种最先进的预训练架构 ResNet50-v2 和 MobileNet-v2 高出 21.4% 和 13.1%。我们还应用两种类激活图技术来可视化模型感知到的关键 SANS 特征。 SANS-CNN 代表一种使用真实宇航员 OCT 图像进行训练和验证的 CNN 模型，能够快速有效地预测在临床和计算资源极其有限的地球轨道以外的太空飞行任务中出现的类似 SANS 的情况。