XiaoMi-AI文件搜索系统
World File Search System先验信息
BTS-GAN
乳腺肿瘤是乳腺癌诊断最突出的指标之一。精确的肿瘤分割对于提高乳腺癌检测的准确性至关重要。医生对 MRI 扫描的评估非常耗时，需要大量的人力和专业知识。此外，传统的医学分割方法通常需要先验信息或手动特征提取，导致诊断具有主观性。因此，开发一种自动图像分割方法对于临床应用至关重要。这项工作提出了 BTS-GAN，一种在磁共振成像 (MRI) 扫描中使用条件 GAN (cGAN) 的自动乳腺肿瘤分割过程。首先，我们使用编码器-解码器深度网络作为生成器，并在编码器和解码器之间使用跳跃连接，以提高定位效率。其次，我们利用并行扩张卷积 (PDC) 模块来保留各种大小肿块的特征并有效提取有关肿块边缘和内部纹理的信息。第三，在 cGAN 的损失函数中加入了额外的分类相关约束，以缓解基于分类的图像到图像 (I2I) 翻译任务中难以收敛的挑战。我们提出的模型的生成器端学习检测肿瘤并构建二值掩码，而鉴别器学习区分地面真实和合成掩码，从而驱动生成器生成尽可能真实的掩码。实验结果表明，我们的 BTS-GAN 对于乳腺肿瘤分割更有效、更可靠，并且在公开可用的 RIDER 乳腺癌 MRI 数据集上的 IoU 和 Dice 系数方面优于其他分割技术。我们提出的模型分别实现了 77% 和 85% 的平均 IoU 和 Dice 得分。2022 作者。由 Elsevier BV 代表卡拉布克大学出版 这是一篇根据 CC BY-NC-ND 许可 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ) 的开放获取文章。
基于网络的阿尔茨海默病分期药物再利用
阿尔茨海默病 (AD) 是一种渐进性的神经退行性疾病，也是最常见的痴呆类型。由于没有可用的治疗疾病的药物，而且与 AD 相关的医疗负担不断增加，需要新的方法来确定治疗方法。在这项工作中，我们提出了针对 AD 的不同阶段的候选再利用药物，方法是使用一种基于网络的新型方法针对 AD 严重程度的不同阶段进行药物再利用。对于每个 AD 阶段，该方法 a) 根据一种新的基于网络的分数对候选再利用药物进行排名，该分数来自与失败、批准或当前正在进行的药物的结构相似性的网络中连接的加权总和 b) 根据我们小组最近开发的方法，基于功能、结构和先验信息对候选药物进行重新排名；以及 c) 检查并重新排名其穿过血脑屏障 (BBB) 的渗透性。总体而言，我们建议对每个 AD 阶段的 10 种候选再利用药物进行进一步的实验验证，由于三个 AD 阶段之间存在重叠，因此组成了一组 26 种精英候选再利用药物。我们以回顾性的方式将我们的方法应用于 2016 年之前的已知临床试验药物，并表明我们能够对第二年进入临床试验的药物进行高度排名。我们希望我们提出的基于网络的药物再利用方法将成为对 AD 以外其他脑部疾病中的候选再利用药物进行排名的范例。2022 作者。由 Elsevier BV 代表计算和结构生物技术研究网络出版。这是一篇根据 CC BY-NC-ND 许可开放获取的文章（http://creative-commons.org/licenses/by-nc-nd/4.0/）。
伪装对受监督的SAR超级...
合成孔径雷达（SAR）是一个尖端的遥感系统，在地球仪和环境监测中起着重要作用。高分辨率SAR成像提供了图像中的更细节，可以检测和识别地面上较小的对象和特征。然而，从理论上讲，侧面空气传播的雷达（SLAR）的分辨率受到倾斜范围的雷达带宽的限制，而在方位角[1]中的天线足迹宽度[1]实际上受到目标侧侧的降解[2]。为了克服这些问题，已经在[2、3、4、5]中提出了空间变体速差（SVA）算法及其旨在减少或取消旁观的变体。这些基于脉冲响应模型的这些不明显的算法在计算上是快速有效地减少侧叶的。但是，主叶宽度保持不变。可以使用基于神经网络的监督学习方法来解决后一个问题，通过利用配对高分辨率（HR）和低分辨率（LR）SAR图像的数据库中的先验信息[6，7，8]。对于尖锐的主机，神经网络必须学会从下采样的LR SAR输入中恢复HR SAR图像，这可能是在光学图像超级分辨率上的挑战中类似的设置[9]。但是，SAR图像形成特定于与视神经不同的雷达波。尤其是SAR范围和方位角轴是不可列出的，并且是经典的增强轴（例如旋转和翻转）是不现实的。此外，斑点噪声高度损坏了SAR图像，从而使伪造过程对靶标和异常进行了决定[10]。幸运的是，诸如[11，12]之类的SAR佩克林方法能够使用很少的single外观复杂（SLC）SAR图像减少斑点噪声。在本文中，我们建议评估使用Fell fell
可被证明基于得分的扩散后取样，用于插件图像重建
在科学和工程中的许多任务中，目标是从从已知的前向模型中收集的少量嘈杂测量值中推断出未知的图像，描述了某些传感或成像模式。由于资源限制，此图像重建任务通常是极度不良的，因此需要采用表达性的先验信息以正行解决方案空间。基于得分的扩散模型，由于其令人印象深刻的经验成功，已成为图像重建中表现出的先验的吸引人的候选人。为了立即适应各种任务，开发有效，一致和健壮的算法非常有趣，这些算法将图像先验分布的无条件得分函数与远期模型的灵活选择结合在一起。这项工作开发了一种算法框架，用于在与一般正向模型的非线性反问题中使用基于得分的扩散模型作为当前数据。是由成像社区中的插件和播放框架激励的，我们引入了一种扩散的插件方法（DPNP），该方法替代称为两个采样器，这是一个仅基于远期模型的可能性函数，并且是基于远期的扩散采样者的近端一致性采样器，并基于远期模型的函数。关键见解是，在白色高斯噪声下进行降解可以通过随机（即DDPM型）和确定性（即DDIM型）采样器使用相同的分数函数进行训练。代码可在https://github.com/x1xu/diffusion-plug-and-play上找到。我们同时建立了DPNP的渐近性和非质子性能保证，并提供了数值实验，以说明其在解决线性和非线性图像重建任务方面的希望。据我们所知，DPNP是使用无条件扩散先验的非线性反问题的第一种可证明的后验抽样方法。据我们所知，DPNP是使用无条件扩散先验的非线性反问题的第一种可证明的后验抽样方法。
使用量子金刚石显微镜对 8 nm 工艺节点芯片进行矢量磁流成像和 3D 电流分布
业界越来越倾向于采用三维 (3D) 微电子封装，这要求开发新的创新型故障分析方法。为此，我们的团队正在开发一种称为量子金刚石显微镜 (QDM) 的工具，该工具利用金刚石中的一组氮空位 (NV) 中心，在环境条件下同时对微电子进行宽视野、高空间分辨率的矢量磁场成像 [1,2]。在这里，我们展示了 8 nm 工艺节点倒装芯片集成电路 (IC) 中的二维 (2D) 电流分布和定制多层印刷电路板 (PCB) 中的 3D 电流分布的 QDM 测量结果。倒装芯片中 C4 凸块发出的磁场在 QDM 测量中占主导地位，但这些磁场已被证明可用于图像配准，并且可以减去它们以分辨芯片中微米级相邻的电流轨迹。通孔是 3D IC 中的一个重要组件，由于其垂直方向，因此仅显示 B x 和 B y 磁场，而使用传统上仅测量磁场 B z 分量（与 IC 表面正交）的磁强计很难检测到这些磁场。使用多层 PCB，我们证明了 QDM 能够同时测量 3D 结构中的 B x 、B y 和 B z 磁场分量，这对于在电流通过层间时解析通孔磁场非常有利。两个导电层之间的高度差由磁场图像确定，并且与 PCB 设计规范一致。在我们最初使用 QDM 为复杂 3D 电路中的电流源提供更多 z 深度信息的步骤中，我们证明了由于麦克斯韦方程的线性特性，可以从整个结构的磁场图像中减去各个层的磁场图像。这允许从设备中的各个层中分离信号，该信号可用于通过求解 2D 磁逆来映射嵌入式电流路径。这种方法提出了一种迭代分析协议，利用神经网络对包含各种类别的电流源、隔离距离和噪声的图像进行训练，并结合 IC 的先验信息，
临边红外大气探测反演
最近，已经启动了几种针对地球大气的远红外和微波遥感的新一代工具，使我们能够根据热发射技术观察大气成分。这些新技术和观察数据为将来更加专门的大气研究任务铺平了道路。我论文的动力是对解决大气遥感中出现的非线性反问题的强大版本算法的兴趣日益兴趣。提出了高分辨率辐射转移计算的检索代码PIL（对肢体发声的反转），并提出了来自红外和微波肢体声音测量测量的大气参数的重建。采用的前进模型通过考虑仪器性能和测量特征，以有效的方式模拟物理上现实的肢体发射光谱。尤其是，自动差异（AD）技术提供了快速可靠的确切JACOBIAN的实现，是远期模型的特殊优化功能。反转方法基本上是基于具有自适应（直接和迭代）数值正则化方法的非线性最小二乘框架。这些正则化技术的性能依赖于正规化参数选择方法的设计和A后部停止规则。检索误差的表征，包括平滑误差，噪声误差和模型参数误差，评估了正则化解决方案的准确性。关键错误来源，数据质量）。PILS与荷兰空间研究所（SRON）制定的检索代码之间的比较，处理辐射转移和倒置计算，并用预先确定的输入进行处理，旨在阐明实施的正确性和一致性。在正向模型中的小差异主要是由于连续吸收和辐射传递方程的整合而导致的。检索结果中差异的可能原因是所采用的不同反演方法（正则化，先验信息）和离散化的后果。通过分析合成和真实的辐射光谱，讨论了通过Telis（Terahertz和Simbillimimightimeter Limb Sounder）从气球传播测量（Terahertz和simbillimimightimeter Limb Sounder）中取出气体检索的结果。羟基自由基（OH）检索的灵敏度研究用于评估PIL的反演性能，并揭示Telis测量能力的初步期望（例如，此外，臭氧（O 3），氯化氢（HCl），碳碳
建模玻璃体加权结构份 -
解决蛋白质折叠问题。这些方法在自然语言处理字段中使用变压器模型来解释以多个序列比对（MSA）（MSA）的共同进化性化来映射到其晶体样结构的主要序列。替代模型，例如omegafold [8]和Esmfold [9]，使用蛋白质语言模型（PLM）来绕过MSA的要求。最近，Alphafold3（AF3）[10]将其预测能力扩展到包括蛋白质，核酸，小分子，离子等的复杂结构。尽管这些方法存在于“序列结构 - 功能”范式中，但已经开发了基于这些方法的广泛方法，可以通过修改AF2的输入或先验信息来从“序列 - 元件功能”的角度运行。它们包括MSA-子采样[11]或还原MMSA-AF2（RMSA-AF2），通过从MSA中随机采样序列来减少输入AF2的信息，这些序列会根据序列相似性[12]，Speach_AF [13]与MSA的usa use clustions clusters clusters clusters clusterions clustimation cluse speach_af [13] pertrultiants the MSA，并且更多地基于MSA，并且更多的是群集群体，并且会群众群体群体群体群体/更多。方法[14]。此外，通过利用AF2结构，Diffold [15]方法使用扩散框架来采样异质构象。我们指出了Sala等人的评论文章。[16]有关这些方法和其他方法的详细信息。然而，大多数生物分子功能取决于适用于给定环境变量（例如温度，压力和离子浓度）的精确构象分布。因此，不仅需要获得任何分布，而且需要获得玻璃体加权分配的构象的分配，以准确地构象对环境条件。这是通过多种方式完成的，包括通过直接开发基于AI的采样器或使用AI来增强增强的MD。这确保系统探讨了按照热力学原理在给定温度和压力下在给定温度和压力下的正确相对概率和波动的构象。这些玻尔兹曼的重量为变构网络作品和下游生物分子功能提供了见解[17]，还减少了通过对接和其他应用程序发现药物发现的亚稳态构象的搜索空间[18]（图1C）。在这次微型审查中，我们将讨论在过去几年中为生物分子构象分布的传统甲基动物的影响，并进一步概述了我们认为社区可以采取的鲍尔茨曼（Boltzmann）加权蛋白质及其复合物的结构合成的关键步骤。
用于自动发现的科学机器学习......
科学机器学习是指将机器学习与传统科学方法相结合，近年来已成为一种强大的工具。本论文建立了创新的机器学习方法，结合了物理学、数值分析和计算机科学的知识，用于自动发现量子控制方案和相图。从概念上讲，给定量子系统的（时间相关）汉密尔顿量或林德布拉量，很容易确定其在固定初始状态下的时间演化。根据物理环境，我们将用普通或随机微分方程来描述动力学。控制量子系统的（随机）动力学需要解决逆问题，这在量子计量和信息处理等领域是不可或缺的。然而，通过从头开始推导高性能控制方案来解决控制问题通常很困难。特别是，最好开发能够对系统波动作出反应的反馈控制器，使其成为非常强大的控制系统。到目前为止，还没有通用的现成方法来设计有效的控制策略，因为现有的基于黑盒强化学习的方法很难优化。在这篇论文的第一部分，我们提出了一种基于可微分编程范式的自动控制方案设计，这使我们能够利用有关物理系统结构的先验知识。具体来说，我们采用一种神经网络形式的控制器，该控制器根据当前量子态或观察到的测量记录选择在每个时间步中要应用的控制驱动。神经网络参数在一系列时期内根据通过 (伴随) 灵敏度方法计算的梯度信息进行优化。我们在各种场景中展示了我们的方法，例如进行同相检测的量子比特的状态准备和稳定。同相检测信号仅包含有关系统实际状态的最小信息，被不可避免的光子数波动所掩盖。在第二部分中，我们开发了两种数据驱动的方法来自动识别物理系统中的相边界。第一种方法基于训练预测模型（例如神经网络），以根据物理系统的状态推断其参数。推断出的参数与正确的底层参数之间的偏差最容易受到影响，并且在相边界附近指向相反的方向。因此，模型预测的矢量场发散中的峰值揭示了相变。这种基于预测的方法适用于任意参数维度的相图，而无需有关相的先验信息。我们将该方法应用于二维 Ising 模型、Wegner 的 Ising 规范理论、广义环面代码、Falicov-Kimball 模型和耗散的 Kuramoto-Hopf 模型。作为第二种方法，我们引入了一种基于（适当）输入特征选择的物理驱动、计算上有利且可解释的方法。该方法依赖于平均输入特征之间的差异作为相变的指标，而不使用预测模型。至关重要的是，这种基于均值的方法可以直接洞察揭示的相图，而无需事先标记或了解其相。作为一个例子，我们考虑物理上丰富的