识别支持环境温度下复杂可调磁序的材料是开发新型磁性设备架构的基础。我们报告了 Mn 2 XY 四方逆 Heusler 合金的设计,该合金能够承载磁性反斯格明子,其稳定性对弹性应变敏感。我们首先构建一个通用磁哈密顿量,捕捉这些材料中可能出现的短程和长程磁序。该模型揭示了接近磁相边界所必需的关键磁相互作用组合,其中磁结构极易受到弹性应变等小扰动的影响。然后,我们通过计算搜索可以实现这些关键相互作用的四元 Mn 2 (X 1 , X 2 ) Y 合金,这些合金很可能在逆 Heusler 结构中合成。我们认为 Mn2Pt1-zXzGa 材料系列(其中 X = Au、Ir、Ni)是获取所有可能磁相的理想系统,具有几种可以通过机械方式驱动磁相变的关键组成。
摘要:鉴于最近人们对纳米长度尺度上的光诱导磁性操控的兴趣日益浓厚,这项工作提出金属团簇是产生全光超快磁化的有前途的基本单元。我们使用时间相关密度泛函理论(TDDFT)在实空间中通过从头算实时(RT)模拟对金属团簇的光磁特性进行了理论研究。通过对原子级精确的简单金属和贵金属团簇中圆偏振激光脉冲等离子体激发的从头算计算,我们讨论了由于光场在共振能量下通过光吸收转移角动量而产生的轨道磁矩。值得注意的是,在近场分析中,我们观察到感应电子密度的自持圆周运动,证实了纳米电流环的存在,由于团簇中的逆法拉第效应(IFE),纳米电流环产生轨道磁矩。研究结果为理解量子多体效应提供了宝贵见解,该效应影响金属团簇中 IFE 介导的光诱导轨道磁性,具体取决于金属团簇的几何形状和化学成分。同时,它们明确展示了利用金属团簇磁化的可能性,为全光磁控领域提供了潜在的应用。
人们经常提供指示,其含义在没有进一步上下文的情况下是模棱两可的,期望自己的行为或目标会脱离意图。我们如何以灵活的上下文敏感的方式建立以下说明的辅助代理?本文介绍了合作语言引导的逆计划搜索(剪辑),这是一种贝叶斯代理体系结构,用于实用教学和目标帮助。我们的经纪人通过将他们作为合作计划者建模,以协助他们将联合计划传达给助手,然后使用大型语言模型(LLMS)对人类的目标进行多模式的贝叶斯对人类的目标进行推断,以评估鉴于一个假设的计划,以评估指令的可能性。鉴于这一后部,我们的助手采取行动为小型的预期目标实现成本,使其能够务实地遵循模棱两可的指示,并在不确定目标的情况下提供有效的帮助。我们在两个合作计划域(门,钥匙,宝石和virtualhome)中评估了这些功能,发现剪辑的剪辑极大地超过了GPT-4V,基于LLM的文字教学,并在准确性和帮助方面都在同时及其辅助审判者和助手审判者提供了匹配的准确性和帮助,并在准确性和帮助方面都具有相反的作用。
摘要 筛选已批准的药物以检测其对抗新型病原体的活性可能是全球应对流行病的快速反应策略的重要组成部分。这种高通量重新利用筛选已经确定了几种具有对抗 SARS-CoV-2 潜力的现有药物。然而,要将这些热门药物开发为专门针对这种病原体的药物,需要明确识别它们相应的靶标,而高通量筛选通常无法揭示这一点。我们在此介绍了一种新的计算逆对接协议,该协议使用全原子蛋白质结构和对接方法的组合对几种现有药物的靶标进行排序,最近的多个高通量筛选检测到了这些药物的抗 SARS-CoV-2 活性。我们用已知的药物-靶标对(包括非抗病毒和抗病毒化合物)证明了该方法的有效性。我们对 152 种可能适合重新利用的不同药物进行了逆对接程序。最常见的优先靶标是人类酶 TMPRSS2 和 PIKfyve,其次是病毒酶解旋酶和 PLpro。所有选择 TMPRSS2 的化合物都是已知的丝氨酸蛋白酶抑制剂,而那些选择 PIKfyve 的化合物都是已知的酪氨酸激酶抑制剂。对对接姿势的详细结构分析揭示了这些选择产生的原因,并可能有助于更合理地设计针对这些靶标的新药。
摘要 虽然理论上可以利用狭义相对论实现向前的时间旅行,但许多物理学家认为向后的时间旅行是不可能的,因为它需要超光速、虚质量、奇异质量和/或无限长的蒂普勒圆柱,这些概念要么无法实现,要么具有高度推测性。尽管没有禁止向后时间旅行的基本定律,但这种时间旅行会破坏因果关系并导致悖论。这可以用简单的祖父悖论来证明。祖父悖论可以通过量子力学的多重世界诠释来解决,即通过隔离事件发生的世界,而不会破坏因果关系。然而,这个解决方案忽略了叠加原理,允许波函数之间的相互作用。为了使向后时间旅行与多重世界诠释兼容,薛定谔方程必须是非线性的,这与诠释本身的假设相矛盾。
摘要 8 神经群体动态受许多细胞、突触和网络特性的影响。不仅要了解电路参数的协调变化如何改变神经活动,而且要了解动态何时不受此类变化的影响或对此类变化保持不变。计算建模揭示了单个神经元和小电路中的不变性,这些不变性被认为反映了它们对变化和扰动的鲁棒性。然而,将这些见解推广到皮层和其他大脑区域的较大电路仍然具有挑战性。一个关键的瓶颈在于使用脉冲网络模型对神经回路进行逆向建模,即识别与神经记录中观察到的动态定量匹配的参数配置。在这里,我们提出了神经动力学自动模型推断 (AutoMIND),以有效发现不变的电路模型配置。 AutoMIND 利用具有自适应 16 脉冲神经元和群集连接的机械模型,该模型显示了丰富的时空动态。概率 17 深度生成模型(仅在网络模拟上训练)然后返回与给定目标神经活动观察一致的许多参数配置。应用于多个数据集后,AutoMIND 发现了人类大脑类器官在早期发育过程中同步网络爆发的电路模型 19,以及捕捉小鼠海马和皮层中神经像素记录的复杂频率曲线的模型 20。在每种情况下,我们都获得了 21 数百种配置,这些配置组成一个(非线性)参数子空间,其中种群动态保持不变 22。令人惊讶的是,不变子空间的全局和局部几何形状并不固定,而是因不同的动态而异 23。总之,我们的研究结果揭示了不同 24 种群体动态背后的电路参数的动态相关不变性,同时展示了 AutoMIND 在神经电路逆向建模方面的灵活性。25
2004 年 斯泰伦博斯大学 工学学士 2011 年 斯泰伦博斯大学 博士学位 2011 年 I-Wec 项目工程师/经理 2013 年 Gestamp 项目开发经理 2015 年 Scatec Solar 光伏系统主席至今
摘要 - 计划和控制机器人手机操纵的能力受到了几个问题的挑战,包括系统的先验知识以及随着不同机器人手甚至掌握实例而变化的复杂物理学。最直接的手动操纵模型之一是逆雅各布,它可以直接从所需的内对象运动映射到所需的手动执行器控制。但是,获得没有复杂手动系统模型的没有复杂手动系统模型的这种反向雅各布人通常是impeasible。我们提出了一种使用基于粒子滤波器的估计方案自我识别的逆雅各布人来控制手工操作的方法,该方案利用了非隔离的手在自我识别运动过程中维持被动稳定的掌握的能力。此方法不需要对特定手动系统的先验知识,并且可以通过小型探索动作来学习系统的逆雅各布。我们的系统紧密近似近似雅各布,可用于成功执行一系列对象的操纵任务。通过在耶鲁大学模型上进行广泛的实验,我们表明所提出的系统可以提供准确的亚毫米级精度操纵,并且基于雅各布的逆控制器可以支持高达900Hz的实时操纵控制。
逆向力学参数识别可以表征难以实现均匀变形状态的超软材料。但是,这通常需要很高的计算成本,而这主要取决于正向模型的复杂性。虽然有限元模型等模拟方法可以捕捉几乎任意的几何形状并实现相关的本构方程,但它们的计算成本也很高。机器学习模型(例如神经网络)在用作替代复杂高保真模型的替代模型时可以帮助缓解此问题。因此,在初始训练阶段之后,它们充当降阶模型,在此阶段它们学习高保真模型的输入和输出关系。由于需要进行模拟运行,因此生成所需的训练数据需要很高的计算成本。在这里,主动学习技术可以根据训练模型的估计获得准确度来选择“最有价值”的训练点。在这项工作中,我们提出了一个循环神经网络,它可以很好地近似粘弹性有限元模拟的输出,同时显著加快评估时间。此外,我们使用基于蒙特卡洛辍学的主动学习来识别信息量很大的训练数据。最后,我们通过识别人类脑组织的粘弹性材料参数来展示开发的管道的潜力。