XiaoMi-AI文件搜索系统
World File Search System参数空间
使用双曲随机编码预测未来认知能力下降
双曲几何已成功应用于具有一般拓扑结构的大脑皮层和皮层下表面建模。然而，与其他基于表面的大脑形态分析方法类似，此类方法通常会生成高维特征。这限制了它们在认知衰退预测研究中的统计能力，尤其是在受试者数量有限的数据集中。为了解决上述限制，我们提出了一种称为双曲随机编码 (HSC) 的新框架。我们首先通过将一般拓扑表面映射到具有一致边界条件的规范双曲参数空间来计算它们之间的差分映射，并提取临界形状特征。其次，在双曲参数空间中，我们引入了一种具有广度优先搜索方法的最远点采样以获得环形斑块。第三，采用随机坐标编码和最大池算法进行特征降维。我们通过在两个用于阿尔茨海默病 (AD) 进展研究的脑成像数据集上将其分类准确率与其他一些方法进行比较，进一步验证了所提出的系统。我们的初步实验结果表明，我们的算法在
与相对论重新连接模型的非常高的能量伽马射线弹性的定量比较
极快变异性的起源是Blazars伽马射线天文学中的长期问题之一。尽管许多模型解释了较慢，能量较低的可变性，但它们无法轻易考虑到达到每小时时间尺度的快速流动。磁重新连接是将磁能转化为重新连接层中相对论颗粒加速的过程，是解决此问题的候选解决方案。在这项工作中，我们在统计比较中采用了最新的粒子模拟模拟，观察到了众所周知的Blazar MRK 421的浮雕（VHE，E> 100 GEV）。我们通过生成模拟的VHE光曲线来测试模型的预测，这些曲线与我们开发的方法进行了定量比较，以精确评估理论和观察到的数据。通过我们的分析，我们可以约束模型的参数空间，例如未连接的等离子体的磁场强度，观察角度和大黄色射流中的重新连接层方向。我们的分析有利于磁场强度0的参数空间。1 g，相当大的视角（6-8°）和未对准的层角度，对多普勒危机的强烈候选危机进行了强大的解释，通常在高同步器峰值峰值的射流中观察到。
cern-faser-conf-2024-001.pdf
报道了第一个FASER搜索对光子腐烂到一对光子的光线颗粒的搜索。搜索使用收集到的2022和2023 LHC质子 - 蛋白质碰撞数据√s= 13。6 TEV，对应于57的综合光度。7 fb -1。具有轴状颗粒（Alps）的模型主要耦合到弱量表玻色子，是针对弱量表的，探测了50至500 MEV的质量范围，并与标准模型粒子G AW W，G AW W，10-5和10-3 GEV-1。信号事件的特征是电磁热量表中的高能量沉积物，否决闪烁体中没有信号。与背景期望为0相比，观察到一个事件。42±0。 38事件，完全由中微子相互作用主导。 在阿尔卑斯山上的世界领先约束获得了高达300 MeV的质量，并在10-4 GEV-1附近获得了耦合，并测试了先前未开发的参数空间区域。42±0。38事件，完全由中微子相互作用主导。在阿尔卑斯山上的世界领先约束获得了高达300 MeV的质量，并在10-4 GEV-1附近获得了耦合，并测试了先前未开发的参数空间区域。
海山尾流的能量学。第二部分：波浪通量
人们认为，海山通过非稳定尾流过程和产生内波来促进海洋混合，内波从海山传播出去，然后断裂。对于均匀正压流 U 中的理想孤立海山（特征宽度为 D 和高度为 H ），研究了这些过程的相对重要性。使用一系列科里奥利参数 f 和浮力频率 N，以便考虑低弗劳德数（ U / NH ）和低罗斯贝数（ U / fD ）的宽参数空间。结果表明，在这一参数空间范围内，涡旋过程在能量上主导内波能量通量。专门研究了内波场，将其划分为稳定背风波和非稳定尾流产生的波。结果发现，现有的分析理论无法解释背风波能量通量。然后将 Smith 的背风波模型扩展到低弗劳德数区域，并考虑旋转的影响。虽然此前的强分层实验表明，只有障碍物的顶部 U / N 会产生内波，但旋转的影响似乎会改变这种造波高度。一旦修改 U / N 高度以考虑旋转，扩展的 Smith 模型就可以合理准确地再现背风波能量通量。
通过机器预测模板打印的转移效率
摘要：进行实验，以获取有关模板打印转移效率的数据，并培训了基于机器学习的技术（人工神经网络）来预测该参数。实验中的输入参数空间包括五个不同级别的打印速度（在20至1120 mm/s之间）以及从0.34到1.69的模板孔的面积比。还研究了三种类型的无铅焊料糊，如下：3型（粒径范围为20-45 µm），4型4（20–38 µm），型5（10-25 µm）。输出参数空间包括打印沉积物的高度和面积以及相应的转移效率，这是沉积物粘贴体积与光圈体积的比率。最后，使用Levenberg -Marquardt培训算法对人工神经网络进行了经验数据。发现网络大小微调的最佳调整因子约为9，导致隐藏的神经元数为160。训练有素的网络能够以平均平均百分比误差（MAPE）低于3％的平均百分比误差（MAPE）来预测输出参数。但是，预测错误取决于输入参数的值，该值在本文中详细列出了。研究证明了机器学习技术在模具印刷过程的产量预测中的适用性。
selscan 2.0：在未经遗传数据中扫描扫描
基于单倍型的摘要统计数据 - 例如IHS（Voight等人2006），NSL（Ferrer-Admetlla等人 2014），XP-EHH（Sabeti等人。 2007）和XP-NSL（Szpiech等人 2021） - 在进化基因组学研究中司空见惯，以确定种群中的最新和持续的阳性选择（例如， Colonna等。 2014，Zoledziewska等。 2015，Ne´de´lec等。 2016，Crawford等。 2017，Meier等。 2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021）。 当适应性等位基因扫描一个人群时，它留下了长期高频单倍型和等位基因附近遗传多样性低的特征模式。 这些统计数据旨在通过总结单倍型纯合性的衰减来捕获这些信号，这是一个距离被推定的区域（IHS和NSL）或两个种群（XP-EHH和XP-NSL）之间的距离。 这些基于单倍型的统计数据非常有力地检测最近的阳性选择（Colonna等人 2014，Zoledziewska等。 2015，Ne´de´lec等。 2016，Crawford等。 2017，Meier等。 2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021），并且两个人群版本甚至可以在很大的参数空间上进行成对的FST扫描（Szpiech等人。 2021）。 此外，基于单倍型的方法也已证明对背景选择是可靠的（Fagny等人。2006），NSL（Ferrer-Admetlla等人2014），XP-EHH（Sabeti等人。 2007）和XP-NSL（Szpiech等人 2021） - 在进化基因组学研究中司空见惯，以确定种群中的最新和持续的阳性选择（例如， Colonna等。 2014，Zoledziewska等。 2015，Ne´de´lec等。 2016，Crawford等。 2017，Meier等。 2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021）。 当适应性等位基因扫描一个人群时，它留下了长期高频单倍型和等位基因附近遗传多样性低的特征模式。 这些统计数据旨在通过总结单倍型纯合性的衰减来捕获这些信号，这是一个距离被推定的区域（IHS和NSL）或两个种群（XP-EHH和XP-NSL）之间的距离。 这些基于单倍型的统计数据非常有力地检测最近的阳性选择（Colonna等人 2014，Zoledziewska等。 2015，Ne´de´lec等。 2016，Crawford等。 2017，Meier等。 2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021），并且两个人群版本甚至可以在很大的参数空间上进行成对的FST扫描（Szpiech等人。 2021）。 此外，基于单倍型的方法也已证明对背景选择是可靠的（Fagny等人。2014），XP-EHH（Sabeti等人。2007）和XP-NSL（Szpiech等人2021） - 在进化基因组学研究中司空见惯，以确定种群中的最新和持续的阳性选择（例如，Colonna等。2014，Zoledziewska等。 2015，Ne´de´lec等。 2016，Crawford等。 2017，Meier等。 2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021）。 当适应性等位基因扫描一个人群时，它留下了长期高频单倍型和等位基因附近遗传多样性低的特征模式。 这些统计数据旨在通过总结单倍型纯合性的衰减来捕获这些信号，这是一个距离被推定的区域（IHS和NSL）或两个种群（XP-EHH和XP-NSL）之间的距离。 这些基于单倍型的统计数据非常有力地检测最近的阳性选择（Colonna等人 2014，Zoledziewska等。 2015，Ne´de´lec等。 2016，Crawford等。 2017，Meier等。 2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021），并且两个人群版本甚至可以在很大的参数空间上进行成对的FST扫描（Szpiech等人。 2021）。 此外，基于单倍型的方法也已证明对背景选择是可靠的（Fagny等人。2014，Zoledziewska等。2015，Ne´de´lec等。 2016，Crawford等。 2017，Meier等。 2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021）。 当适应性等位基因扫描一个人群时，它留下了长期高频单倍型和等位基因附近遗传多样性低的特征模式。 这些统计数据旨在通过总结单倍型纯合性的衰减来捕获这些信号，这是一个距离被推定的区域（IHS和NSL）或两个种群（XP-EHH和XP-NSL）之间的距离。 这些基于单倍型的统计数据非常有力地检测最近的阳性选择（Colonna等人 2014，Zoledziewska等。 2015，Ne´de´lec等。 2016，Crawford等。 2017，Meier等。 2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021），并且两个人群版本甚至可以在很大的参数空间上进行成对的FST扫描（Szpiech等人。 2021）。 此外，基于单倍型的方法也已证明对背景选择是可靠的（Fagny等人。2015，Ne´de´lec等。2016，Crawford等。 2017，Meier等。 2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021）。 当适应性等位基因扫描一个人群时，它留下了长期高频单倍型和等位基因附近遗传多样性低的特征模式。 这些统计数据旨在通过总结单倍型纯合性的衰减来捕获这些信号，这是一个距离被推定的区域（IHS和NSL）或两个种群（XP-EHH和XP-NSL）之间的距离。 这些基于单倍型的统计数据非常有力地检测最近的阳性选择（Colonna等人 2014，Zoledziewska等。 2015，Ne´de´lec等。 2016，Crawford等。 2017，Meier等。 2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021），并且两个人群版本甚至可以在很大的参数空间上进行成对的FST扫描（Szpiech等人。 2021）。 此外，基于单倍型的方法也已证明对背景选择是可靠的（Fagny等人。2016，Crawford等。2017，Meier等。 2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021）。 当适应性等位基因扫描一个人群时，它留下了长期高频单倍型和等位基因附近遗传多样性低的特征模式。 这些统计数据旨在通过总结单倍型纯合性的衰减来捕获这些信号，这是一个距离被推定的区域（IHS和NSL）或两个种群（XP-EHH和XP-NSL）之间的距离。 这些基于单倍型的统计数据非常有力地检测最近的阳性选择（Colonna等人 2014，Zoledziewska等。 2015，Ne´de´lec等。 2016，Crawford等。 2017，Meier等。 2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021），并且两个人群版本甚至可以在很大的参数空间上进行成对的FST扫描（Szpiech等人。 2021）。 此外，基于单倍型的方法也已证明对背景选择是可靠的（Fagny等人。2017，Meier等。2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021）。 当适应性等位基因扫描一个人群时，它留下了长期高频单倍型和等位基因附近遗传多样性低的特征模式。 这些统计数据旨在通过总结单倍型纯合性的衰减来捕获这些信号，这是一个距离被推定的区域（IHS和NSL）或两个种群（XP-EHH和XP-NSL）之间的距离。 这些基于单倍型的统计数据非常有力地检测最近的阳性选择（Colonna等人 2014，Zoledziewska等。 2015，Ne´de´lec等。 2016，Crawford等。 2017，Meier等。 2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021），并且两个人群版本甚至可以在很大的参数空间上进行成对的FST扫描（Szpiech等人。 2021）。 此外，基于单倍型的方法也已证明对背景选择是可靠的（Fagny等人。2018，Lu等。2019，Zhang等。 2020，Salmo´n等。 2021）。 当适应性等位基因扫描一个人群时，它留下了长期高频单倍型和等位基因附近遗传多样性低的特征模式。 这些统计数据旨在通过总结单倍型纯合性的衰减来捕获这些信号，这是一个距离被推定的区域（IHS和NSL）或两个种群（XP-EHH和XP-NSL）之间的距离。 这些基于单倍型的统计数据非常有力地检测最近的阳性选择（Colonna等人 2014，Zoledziewska等。 2015，Ne´de´lec等。 2016，Crawford等。 2017，Meier等。 2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021），并且两个人群版本甚至可以在很大的参数空间上进行成对的FST扫描（Szpiech等人。 2021）。 此外，基于单倍型的方法也已证明对背景选择是可靠的（Fagny等人。2019，Zhang等。2020，Salmo´n等。2021）。当适应性等位基因扫描一个人群时，它留下了长期高频单倍型和等位基因附近遗传多样性低的特征模式。这些统计数据旨在通过总结单倍型纯合性的衰减来捕获这些信号，这是一个距离被推定的区域（IHS和NSL）或两个种群（XP-EHH和XP-NSL）之间的距离。这些基于单倍型的统计数据非常有力地检测最近的阳性选择（Colonna等人2014，Zoledziewska等。 2015，Ne´de´lec等。 2016，Crawford等。 2017，Meier等。 2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021），并且两个人群版本甚至可以在很大的参数空间上进行成对的FST扫描（Szpiech等人。 2021）。 此外，基于单倍型的方法也已证明对背景选择是可靠的（Fagny等人。2014，Zoledziewska等。2015，Ne´de´lec等。 2016，Crawford等。 2017，Meier等。 2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021），并且两个人群版本甚至可以在很大的参数空间上进行成对的FST扫描（Szpiech等人。 2021）。 此外，基于单倍型的方法也已证明对背景选择是可靠的（Fagny等人。2015，Ne´de´lec等。2016，Crawford等。 2017，Meier等。 2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021），并且两个人群版本甚至可以在很大的参数空间上进行成对的FST扫描（Szpiech等人。 2021）。 此外，基于单倍型的方法也已证明对背景选择是可靠的（Fagny等人。2016，Crawford等。2017，Meier等。 2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021），并且两个人群版本甚至可以在很大的参数空间上进行成对的FST扫描（Szpiech等人。 2021）。 此外，基于单倍型的方法也已证明对背景选择是可靠的（Fagny等人。2017，Meier等。2018，Lu等。 2019，Zhang等。 2020，Salmo´n等。 2021），并且两个人群版本甚至可以在很大的参数空间上进行成对的FST扫描（Szpiech等人。 2021）。 此外，基于单倍型的方法也已证明对背景选择是可靠的（Fagny等人。2018，Lu等。2019，Zhang等。 2020，Salmo´n等。 2021），并且两个人群版本甚至可以在很大的参数空间上进行成对的FST扫描（Szpiech等人。2019，Zhang等。2020，Salmo´n等。2021），并且两个人群版本甚至可以在很大的参数空间上进行成对的FST扫描（Szpiech等人。2021）。此外，基于单倍型的方法也已证明对背景选择是可靠的（Fagny等人。2014，Schrider 2020）。 然而，这些统计数据中的每一个都认为单倍型相是已知或据估计的。 作为非模型生物的基因组测序数据的产生正在变得常规（Ellegren 2014），有很多很大的机会来研究整个生命之树的最新适应性（例如， Campagna和Toews 2022）。 但是，这些生物/种群通常没有特征良好的人口历史或重组率2014，Schrider 2020）。然而，这些统计数据中的每一个都认为单倍型相是已知或据估计的。作为非模型生物的基因组测序数据的产生正在变得常规（Ellegren 2014），有很多很大的机会来研究整个生命之树的最新适应性（例如，Campagna和Toews 2022）。但是，这些生物/种群通常没有特征良好的人口历史或重组率
海洋中的昼夜温暖层 - AMS期刊
摘要：在海洋表面附近形成的昼夜温暖层（DWL），天数太阳辐射，弱至中等风和小的地表波效应。在这里，我们使用理想化的第二矩湍流建模，并用大型模拟（LES）验证，研究在整个物理相关的参数空间中DWLS的属性，动力学和能量。两种类型的模型都包括Langmuir湍流（LT）的表示。我们发现，在平衡波条件下，LT仅稍微修改DWL厚度和其他散装参数，但导致表面温度和速度的降低，可能对空气 - 海耦合产生影响。比较热带和较少研究的高纬度DWL，我们发现LT对能量预算有很大的影响，并且高纬度的旋转强烈改善了DWL Energetics，抑制了净能量转移和夹带。我们确定了DWL演变的关键非二维参数，并发现Price等级的比例关系。在包括高纬度DWL在内的宽参数空间上提供了DWL块状特性的可靠表示。我们预先发送了不同的修订模型系数，其中包括由于LT和我们更先进的湍流模型的其他方面加深DWL，以描述中午和下午DWL温度峰值的DWL属性，我们将在1500 - 1630年发生在众多参数范围内发生在1500 - 1630年左右。
比较量子引力模型：弦理论、圈量子引力和纠缠引力与 SU()-QGR
摘要：在之前的文章中，我们提出了一种新的量子引力 (QGR) 和宇宙学模型，称为 SU ( ∞ ) -QGR。该模型的公理之一是宇宙及其子系统的希尔伯特空间表示 SU ( ∞ ) 对称群。在这个框架中，经典时空被解释为表征代表希尔伯特空间的 SU ( ∞ ) 状态的参数空间。利用量子不确定性关系，可以证明参数空间（即时空）具有 3+1 维洛伦兹几何。本文在回顾了 SU ( ∞ ) -QGR（包括证明其经典极限是爱因斯坦引力）之后，将其与几个 QGR 提案进行了比较，包括：弦理论和 M 理论、圈量子引力和相关模型以及受全息原理和量子纠缠启发的 QGR 提案。目的是找到它们的共同和类似特征，即使它们似乎具有不同的作用和解释。希望这项练习能让人们更好地理解引力作为一种普遍的量子力，并阐明时空的物理性质。我们在所研究的模型中发现了几个共同的特征：二维结构的重要性；张量积的代数分解；SU ( 2 ) 群在其公式中的特殊作用；量子时间作为关系可观测量的必要性。我们讨论了如何在不同的模型中将这些特征视为类似。我们还表明它们在 SU ( ∞ ) -QGR 中出现，无需微调、额外假设或限制。
创造量子宇宙：对称性和引力
摘要：到目前为止，所有量化引力的尝试都未能产生令人满意的模型，该模型不仅能描述量子世界领域的引力，还能描述其与基本粒子和其他基本力的关系。本文概述了量子宇宙模型的初步结果，其中引力从根本上和构造上都是量子的。该模型基于三个有充分理由的假设，并具有令人信服的观察和理论证据：量子力学在所有尺度上都有效；量子系统由其对称性描述；宇宙具有无限个独立的自由度。最后一个假设意味着宇宙的希尔伯特空间具有 SU p N Ñ 8q – 面积保持 Diff. p S 2 q 对称性，由两个角变量参数化。我们表明，在没有背景时空的情况下，这个宇宙是平凡而静态的。尽管如此，量子涨落打破了对称性并将宇宙划分为子系统。当一个子系统被单独选为参考（观察者），另一个子系统被单独选为时钟时，就会出现两个连续参数，它们可以解释为距离和时间。我们将经典时空等同于宇宙希尔伯特空间的参数空间。因此，它的量化是没有意义的。从这个角度来看，爱因斯坦方程表示希尔伯特空间中的量子动力学在其参数空间中的投影。当宇宙被划分为子系统/粒子时，由于对称性破缺，基本粒子的有限维对称性就会出现，而对无限维对称性及其相关相互作用（即引力）没有任何影响。这解释了为什么引力是一种普遍的力量。
可扩展，高保真和有效的雷达模拟
摘要 - 由于缺乏可用的高分辨率雷达数据集，并且在获取现实世界中的数据方面缺乏可用的高分辨率雷达数据集和巨大的困难，因此摘要模拟已成为雷达算法开发和测试的重要工具。但是，由于现有的雷达仿真工具不容易易于访问，需要详细的网格输入并花费小时才能模拟，模拟雷达数据很具有挑战性。 为了解决这些问题，我们提出了Shenron，这是一个开源框架，它有效地仅使用LIDAR点云和相机图像来模拟高档MIMO雷达数据。 我们表明，使用Shenron，可以生成模拟数据，这些数据可用于与实际数据一样有效地评估算法。 此外，人们可以通过雷达的庞大参数空间进行快速迭代，以找到任何应用程序的最佳参数集，并在雷达感知和传感器融合方面具有很大的帮助研究。模拟雷达数据很具有挑战性。为了解决这些问题，我们提出了Shenron，这是一个开源框架，它有效地仅使用LIDAR点云和相机图像来模拟高档MIMO雷达数据。我们表明，使用Shenron，可以生成模拟数据，这些数据可用于与实际数据一样有效地评估算法。此外，人们可以通过雷达的庞大参数空间进行快速迭代，以找到任何应用程序的最佳参数集，并在雷达感知和传感器融合方面具有很大的帮助研究。