XiaoMi-AI文件搜索系统
World File Search System反馈
实现模块化自主反馈
迄今为止，自主工作流程的演示 [8–11] 都是基于单个实验室中的单个仪器。[12] 自主实验的这种有限范围植根于实验室中间件，其中实验室硬件的编排发生在单个计算机-仪器配对中。[11] 一些值得注意的例子包括 ChemOS，[12] 原则上它能够通过 ROS [13] 后端在不同机器之间分配工作。然而，这种无可争议的强大软件确实施加了复杂的软件依赖关系，并且随着实验平台范围的增加而增长。虽然商业软件（例如 National Instruments 的 LabView）可以促进仪器自动化编程，但它无法满足 MAP 社区的需求，因为它与版本控制软件的开源开发不兼容。在设备没有（官方）应用程序编程接口 (API) 的情况下，或者仪器的软件驱动程序必须不断发展
准谐振PSR CC/CV 控制器TM5880
VDD欠压保护 UVLO（OFF） VDD 电压下降 8.5 9.5 10.5 V VDD启动电压 UVLO(ON) VDD 电压上升 14 15.5 16.5 V VDD过压保护 VDD_OVP 31 33 35 V VDD钳位电压 VDD_Clamp I(VDD)=7mA 33 35 37 V 反馈输入部分（FB管脚） 反馈参考电压 VFB_EA_Ref 1.98 2.0 2.02 V 输出过压保护阈值电压 VFB_OVP 2.4 V 输出短路阈值 VFB_Short 0.65 V 输出短路钳位频率 FClamp_Short 40 KHz 退磁比较器阈值 VFB_DEM 75 mV 最小关断时间 Tmin_OFF 2 uSec 最大关断时间 Tmax_OFF 3 mSec 最大线缆补偿电流 ICable_max 40 uA 电流检测部分（CS管脚） CS前沿消隐时间 T-blanking 500 nSec 芯片关断延迟 TD_OC CL=1nF at GATE 100 nSec 恒流控制部分（CC管脚） 内部CC基准电压 V_CC_ref 490 500 510 mV
基于虚拟现实的反馈对神经反馈训练效果的影响——一项假对照研究
脑电图-神经反馈 (EEG-NF) 已成为心理学领域的一种宝贵工具，例如，可用于改善认知功能。然而，很大一部分 NF 用户似乎无法控制自己的大脑活动。因此，本研究的目的是检验不同类型的视觉反馈是否能在一次训练后对 NF 表现产生积极影响。虚拟现实 (VR) 似乎具有有益的训练效果，据报道，它可以提高动机训练方面。在本研究中，我们测试了 61 名健康青年（平均年龄：23.48 岁；28 名女性），以调查基于 3D VR 的 NF 训练是否比单纯的 2D 传统 NF 范式对感觉运动节律 (SMR，12-15 Hz) 功率增加具有更有益的影响。在 3D 组中，参与者必须在沉浸式虚拟环境中沿着预定路径滚动球，而 2D 组必须增加杆的高度。两种范例均使用 VR 眼镜呈现。参与者完成一次基线和六次反馈运行，每次 3 分钟，其中他们应尝试增加 Cz 上的 SMR 功率。一半的参与者收到了真实反馈，而另一半收到了假反馈。在一次训练课程中，接受基于 3D VR 的反馈的参与者在反馈运行中显示出 SMR 功率的线性增加。真实 3D 反馈组和假 3D 反馈组都是这种情况，可能与更普遍的 VR 相关影响有关。接受传统条形反馈的 2D 组在反馈运行中没有显示出 SMR 功率的变化。本研究强调，视觉反馈方式对 NF 训练表现有不同的影响，并且基于 3D VR 的反馈比传统的 2D 反馈具有优势。
脑信号相关反馈 - THUIR
最近，便携式和高精度脑机接口 (BCI) 设备的进步为监测用户在搜索过程中的大脑活动提供了可能性。脑信号可以直接反映用户对搜索结果的心理反应，因此它可以充当额外的、无偏的 RF 信号。为了探索脑信号在 RF 背景下的有效性，我们提出了一种新颖的 RF 框架，该框架将基于 BCI 的 RF 与伪相关信号和隐式信号相结合，以提高文档重新排名的性能。在用户研究数据集上的实验结果表明，结合脑信号可以显著提高我们的 RF 框架的性能。此外，我们观察到脑信号在几种困难的搜索场景中表现得特别好，尤其是当作为反馈的隐式信号缺失或有噪声时。这揭示了何时以及如何在 RF 背景下利用脑信号。
通过人工智能进行个性化神经反馈......
个性化神经反馈已在商业上提供给患有不同类型疾病的人。我们探索量化脑电图 (qEEG) 的背景、不同的方法以及神经反馈作为个人发展工具的潜在范例。我们假设神经反馈对每个人都有用，无论他们是否被诊断出患有疾病。我们的个性化方法受到个性化医疗方法的启发，该方法考虑到个体差异以微调治疗干预措施。我们提出了不同的方法，为个人提供一种训练脑电波的方法，以便学习如何轻松地产生或在不同的脑电波及其相关的意识状态之间切换。机器学习技术可以帮助使这些技术更广泛地应用，因为它们消除了目前需要专业人员来解释 qEEG 和选择神经反馈协议的需求。
离散量子反馈控制的热力学第二定律
其中 FS 是初始和最终热力学平衡态之间的亥姆霍兹自由能差。在不同的背景下，量子反馈控制因控制和稳定量子系统而引起了相当大的关注 [16-22]。例如，它可以应用于压缩电磁场 [18]、自旋压缩 [20] 和稳定宏观相干性 [22]。虽然作为随机动态系统的量子反馈控制理论框架已经很完善，但量子反馈控制可能带来的热力学增益尚未完全了解。在本文中，我们推导出一个新的热力学不等式，它对可从具有离散量子反馈控制的多热浴中提取的功设置了基本极限 [7, 23]，包括量子测量 [23, 24] 和取决于测量结果的机械操作。最大功的特征是热力学系统与反馈控制器之间的广义互信息量。我们将其称为 QC 互信息量，其中 QC 表示被测系统是量子的，测量结果是经典的。在经典测量的情况下，QC 互信息量简化为经典互信息量 [25]。在没有反馈控制的情况下，新的不等式