XiaoMi-AI文件搜索系统
World File Search System关键特性
基于开源深度学习的概述
近年来，深度学习彻底改变了机器学习及其应用，在包括神经科学在内的多个领域产生了与人类专家相当的结果。每年，数百份科学出版物介绍了深度神经网络在生物医学数据分析中的应用。由于该领域的快速发展，全球研究人员要清楚地了解最新和最先进的软件库可能是一项复杂且极其耗时的任务。这项工作有助于澄清该领域的现状，概述实现和促进深度学习在神经科学中的应用的最有用的库，使科学家能够确定最适合其研究或临床项目的选项。本文总结了深度学习的主要发展及其与神经科学的相关性；然后回顾了从文献和面向神经科学研究的软件项目的特定中心收集的神经信息学工具箱和库。所选工具以表格形式呈现，详细说明了按应用领域（例如数据类型、神经科学领域、任务）、模型工程（例如编程语言、模型定制）和技术方面（例如界面、代码源）分组的关键特性。结果表明，在众多可用的软件工具中，有几个库在神经科学应用功能方面脱颖而出。这些信息的汇总和讨论可以帮助神经科学界更高效、更快速地开发他们的研究项目，既可以利用现成的工具，也可以了解哪些模块可以改进、连接或添加。
机器学习的老式框架
目的是为机器学习（ML）团队提供明确且动机的指导，该团队基于我们在经验湍流建模方面的经验。在ML外部进行建模也需要指导。mL尚未成功进行湍流建模，许多论文由于数学或物理学错误或严重过度拟合而产生了无法使用的建议。我们认为，“湍流文化”（TC）需要数年的时间来学习，而且很难传达，特别是考虑到现代缺乏仔细学习的时间；在湍流研究和建模和广泛阅读事业之后，不言而喻的重要事实很容易错过。此外，其中许多不是绝对事实，这是我们对湍流的理解以及模型与第一原理的弱连接的差距的结果。一些数学事实是严格的，但是物理方面通常不是。湍流模型令人惊讶地任意。专家之间的分歧使新进入者感到困惑。此外，通过微分方程的非平凡分析特性确定了模型的几个关键特性，这使它们无法触及纯粹数据驱动的ML型方法。最好的例子是模型在湍流区域（ETR）边缘的关键行为。我们希望在此处投放的知识可能会分为“任务”和“要求”，每个知识都结合了物理和数学。呈现了“硬”和“软”约束的明确列表。我们的重点是创建有效的产品，以增强CFD的能力，而不是出版物。首先携带了如何使用DNS数据（可能与ML结盟）的具体示例，并说明了所需的大量决策。
使用离散扩散
在特定细胞类型中具有精确活性水平的工程调控DNA序列具有巨大的医学和生物技术潜力。然而，可能序列的庞大组合空间和复杂的调节语法管理基因调控已被证明对现有的apar术具有挑战性。监督了由本地搜索算法提出的评分序列的深度学习模型，忽略了功能序列空间的全局结构。尽管基于扩散的生成模型在学习这些分布方面已显示出希望，但它们在调节性DNA中的应用受到限制。评估生成序列的质量也仍然具有挑战性，这是由于缺乏统一的框架来表征调节DNA的关键特性。在这里，我们引入了DNA离散扩散（D3），这是一种具有靶向功能活性水平的有条件采样调节序列的生成框架。我们开发了一套全面的评估指标套件，以评估生成序列的功能相似性，序列相似性和调节组成。通过对跨越人类启动子和型增强子的三个高质量功能基因组学数据集进行基准测试，我们证明，D3优于捕获顺式调节语法的多样性和生成更准确地反映基因组调节性DNA特性的序列的现有方法。此外，我们表明D3生成的序列即使在数据限制的情况下，也可以有效地增强监督模型并提高其预测性能。
SHA-256与程序化SAT碰撞攻击
抽象的加密哈希功能在确保数据安全性，从可变长度输入中生成固定长度哈希至关重要。Hash函数SHA-256因其二十多年的严格审查后的弹性而被信任数据安全性。其关键特性之一是碰撞电阻，这意味着找到具有相同哈希的两个不同输入是不可行的。当前，最佳的SHA-256碰撞攻击使用差分密码分析在SHA-256的简化版本中找到碰撞，这些碰撞减少以更少的步骤，从而使发现碰撞是可行的。在本文中，我们使用满意度（SAT）求解器作为搜索步骤减少的SHA-256碰撞的工具，并借助于计算机代数系统（CAS），动态地指导求解器，用于检测不一致之处并推断信息，否则求解器将不会单独检测到求解器。我们的混合动力SAT + CAS求解器明显超过了纯SAT方法，从而使我们能够在步骤减少的SHA-256中发现碰撞，并具有更大的步骤。使用SAT + CAS，我们找到了带有修改初始化向量的SHA-256的38步碰撞，这是由Mendel，Nad和Schläffer的高度复杂搜索工具首先找到的。相反，纯粹的SAT方法可能会发现不超过28个步骤的碰撞。但是，我们的工作仅使用SAT求解器Cadical及其程序化接口Ipasir-Up。
世界卫生组织 mpox 疫苗目标产品概况
文件目的 选定的疾病领域被确定为世卫组织研究和产品开发的重点。就 mpox 1 而言，目标产品概况的开发遵循了传播增加的证据，可能需要根据世卫组织的紧急使用清单 (EUL) 程序提供一种或多种疫苗。该目标产品概况旨在根据最新可用数据传达世卫组织当前疫苗开发的优先事项，无论方案如何（包括它们是作为主要疫苗接种还是加强剂接种），以及它们是旨在针对当前传播的变体还是未来的变体。目标受众包括疫苗科学家、产品开发商、制造商和资助机构。世卫组织政策建议和资格预审指南中包含的所有要求也将适用。以下标准列出了世卫组织未来对 mpox 疫苗进行逐案评估时将涉及的一些考虑因素。因此，如果疫苗概况足够优于一个或多个类别下的关键特性，这可能会抵消未能满足另一个特定关键特性的不足。未能满足多项关键特性的疫苗不太可能在世卫组织的审查过程中取得良好结果。致谢世卫组织衷心感谢 mpox 疫苗目标产品概况研发蓝图工作组以及在公众咨询阶段对草案提出意见的众多个人和机构。
自然语言和人工智能
矛盾的是，自然语言只有对其母语人士来说才是自然的。因此，不同国家的母语人士，甚至是专家，最初（60 年前及以后）都相信任何自然语言处理 - 自然语言处理（NLP） - 都是相当简单和可行的事情。实践表明，大量的语言属性几乎不可能形式化。当我们强调研究语言使用中所体现的认知过程的重要性时，所指的正是这些属性。对此，Kibrik 2020:59文章指出：“语言和言语活动代表着无形的认知系统的主要表现之一。每一个智人代表都会不断大量地产生可以作为研究一般认知过程的数据的材料。”从 NLP 角度来看，最重要的认知现象包括语言的一些关键特性，例如多义性、同音异义性、语义的非离散性、类比（Kazakovskaya、Onipenko 2020）、隐含性、推理性、内涵性、模糊性、融合性、内容表达的“非线性”等。因此，在鲍里索夫 2020:47 的文章中对此指出：“意义的阴影”是“两种意义之间的中间”。因此，正如亚历山德罗夫 2020:37 的文章所指出的那样：“人工智能在许多领域无法与人类竞争”，更不用说（机器）翻译了，尽管它已经朝着积极的方向发展，但还远远没有达到无处不在的程度；查看更多详细信息在 Ryabtsev 的文章 2023 中。因此，现代语言学在这方面的研究与识别潜在的认知结构和过程有关
用于材料模拟的 Wannier 函数软件生态系统
扩展系统（晶体和无序系统）并可用于理解化学键合；表征电极化、磁化和拓扑；并作为最佳基组，在倒易空间或实空间中提供精确插值。本综述总结了当前基于 Wannier 函数的技术、材料特性和模拟代码的概况，这些技术、材料特性和模拟代码已向研究界开放，现已很好地集成到所谓的 Wannier 函数软件生态系统中。首先，介绍 Wannier 函数的理论和实用性，从它们广泛的适用领域开始，适用于使用最大局部化以外的替代方法的高级最小化方法。然后定义了 Wannier 生态系统的概念及其与许多量子模拟引擎和后处理包的交互和互操作性。本评论重点介绍了这种生态系统所赋予的一些关键特性和功能（从带插值和大规模模拟到电子传输、浆果学、拓扑、电子-声子耦合、动态平均场理论、嵌入和 Koopmans 函数），最后总结了互操作性和自动化的现状。本评论旨在强调代码背后的基本理论和概念，同时提及更深入的参考文献。它还阐明了代码之间的关系和联系，以及在相关情况下，其开发策略背后的不同动机和目标。最后，展望了未来的发展，并对整个软件生态系统的生物多样性和可持续性目标发表了评论。
使用...对脑信号进行主体无关分类
摘要 — 在人类语音脑信号解码研究的活跃研究领域中，可以发现新形式的人与人之间的交流尚未开发的潜力。脑机接口系统可以使用脑电图信号来实现，因为它的临床风险较小，并且可以使用便携式仪器获取。脑机接口系统最有趣的任务之一是从原始脑电图信号中解码单词。在新用户使用脑机接口之前，当前基于脑电图的脑机接口研究通常需要特定于受试者的适应阶段。相比之下，与受试者无关的情况是人们非常希望看到的，因为它允许将训练有素的模型应用于新用户，而无需或几乎不需要预校准。鉴于这一关键特性，重点是创建一个可以在与受试者无关的情况下自适应地使用的高效解码器。我们的建议是在卷积层之间明确应用跳跃连接，以实现层间相互信息的流动。为此，我们在层之间添加了跳跃连接，使互信息在层间流动。然后，编码器的输出通过全连接层，最终表示 13 个类的概率。在本研究中，使用显性语音记录了 16 名参与者的脑电图数据。结果表明，当存在跳跃连接时，分类性能显着提高。关键词–脑机接口，深度学习，脑电图，语音处理
非地球静止卫星系统综述
摘要 — 卫星技术的下一阶段以非地球静止轨道 (NGSO) 卫星的新发展为特征，它带来了令人兴奋的新通信能力，可提供非地面连接解决方案并支持来自各个行业的各种数字技术。与传统的地球静止轨道 (GSO) 卫星相比，NGSO 通信系统具有许多关键特性，例如更低的传播延迟、更小的尺寸和更低的信号损耗，这可能使延迟关键型应用能够通过卫星提供。NGSO 有望大幅提高通信速度和能源效率，从而解决 GSO 卫星商业化的主要阻碍因素，以实现更广泛利用。NGSO 系统有望实现的改进促使本文对最先进的 NGSO 研究进行全面调查，重点关注通信前景，包括物理层和无线接入技术以及网络方面以及整体系统功能和架构。除此之外，NGSO 部署仍有许多挑战需要解决，以确保不仅与 GSO 系统无缝集成，而且与地面网络无缝集成。本文还讨论了这些前所未有的挑战，包括在频谱接入和监管问题、卫星星座和架构设计、资源管理问题和用户设备要求方面与 GSO 系统的共存。最后，我们概述了一系列创新研究方向和未来 NGSO 研究的新机遇。索引术语 — 非地球静止 (NGSO) 卫星星座、非地面网络 (NTN)、卫星通信、空间信息网络、太空互联网提供商、航天器。
OpenHD：基于 GPU 的超维计算框架
摘要 — 超维计算 (HDC) 已成为深度神经网络的替代轻量级学习解决方案。HDC 的一个关键特性是高度并行，可以促进硬件加速。然而，以前的 HDC 硬件实现很少关注 GPU 设计，这也导致效率低下，部分原因是在 GPU 上加速 HDC 的复杂性。在本文中，我们提出了 OpenHD，这是一个灵活且高性能的 GPU 驱动框架，用于自动将包括分类和聚类在内的一般 HDC 应用程序映射到 GPU。OpenHD 利用专门针对 HDC 的内存优化策略，最大限度地缩短对不同内存子系统的访问时间，并消除冗余操作。我们还提出了一种新颖的训练方法，以实现 HDC 训练中的数据并行性。我们的评估结果表明，所提出的训练方法可以快速达到目标准确率，将所需的训练周期减少了 4 × 。借助 OpenHD，用户无需领域专家知识即可部署 GPU 加速的 HDC 应用程序。与最先进的 GPU 驱动的 HDC 实现相比，我们在 NVIDIA Jetson TX2 上的评估表明，OpenHD 在基于 HDC 的分类和聚类方面分别快了 10.5 倍和 314 倍。与 GPU 上的非 HDC 分类和聚类相比，由 OpenHD 驱动的 HDC 在准确度相当的情况下快了 11.7 倍和 53 倍。