XiaoMi-AI文件搜索系统
World File Search System可控性
结构可控性预测功能模式和大脑刺激益处与工作记忆
大脑是一个固有的动态系统，许多工作都集中在通过局部扰动和全局网络集合功能变化来修饰神经活动的能力上。网络可控性是网络神经科学中的最新概念，该概念旨在预测单个皮质位点对全球网络状态和状态变化的影响，从而对局部对全球脑动力学的影响产生统一的说明。尽管该概念在工程科学中被接受，但在神经科学中的持续辩论中，将网络可控性与大脑活动和人类行为联系起来的经验证据仍然很少。在这里，我们提出了一组源自fMRI，扩散张量成像和在线重复的经颅磁刺激（RTMS）的多模式的大脑 - 行为关系 - 在由两个男女个人执行的单独校准的工作记忆任务中应用的。描述结构网络系统动力学的模式显示了与任务难度相关的大脑活动的直接关系，并且在硬任务条件下有助于功能性脑状态的难度到范围的模式。模态可控性（量化难以到达模式的贡献的措施）在受刺激的站点上预测了与任务难度增加和RTMS对任务绩效的益处相关的fMRI激活。此外，fMRI解释了模态可控性和与5 Hz在线RTMS相关的工作记忆益处之间64％的差异。因此，这些结果为网络控制理论的功能有效性提供了证明，并概述了整合结构网络拓扑和功能活动的清晰技术，以预测刺激对后续行为的影响。
结构可控性预测功能模式和大脑刺激益处与工作记忆
大脑是一个固有的动态系统，许多工作都集中在通过局部扰动和全局网络集合功能变化来修饰神经活动的能力上。网络可控性是网络神经科学中的最新概念，该概念旨在预测单个皮质位点对全球网络状态和状态变化的影响，从而对局部对全球脑动力学的影响产生统一的说明。尽管该概念在工程科学中被接受，但在神经科学中的持续辩论中，将网络可控性与大脑活动和人类行为联系起来的经验证据仍然很少。在这里，我们提出了一组源自fMRI，扩散张量成像和在线重复的经颅磁刺激（RTMS）的多模式的大脑 - 行为关系 - 在由两个男女个人执行的单独校准的工作记忆任务中应用的。描述结构网络系统动力学的模式显示了与任务难度相关的大脑活动的直接关系，并且在硬任务条件下有助于功能性脑状态的难度到范围的模式。模态可控性（量化难以到达模式的贡献的措施）在受刺激的站点上预测了与任务难度增加和RTMS对任务绩效的益处相关的fMRI激活。此外，fMRI解释了模态可控性和与5 Hz在线RTMS相关的工作记忆益处之间64％的差异。因此，这些结果为网络控制理论的功能有效性提供了证明，并概述了整合结构网络拓扑和功能活动的清晰技术，以预测刺激对后续行为的影响。
结构可控性可预测与工作记忆相关的功能模式和大脑刺激益处
这篇早期发布的文章已经过同行评审并被接受，但尚未经过撰写和编辑过程。最终版本在风格或格式上可能略有不同，并将包含指向任何扩展数据的链接。
关于人工智能的可控性
摘要 预计通用人工智能的发明将导致人类文明轨迹的转变。为了获得这种强大技术的好处并避免陷阱，能够控制它是很重要的。然而，控制通用人工智能及其更高级版本超级智能的可能性尚未正式确定。在本文中，我们提出了来自多个领域的论据和支持证据，表明高级人工智能无法完全控制。从人类未来和人工智能研究以及人工智能安全和保障的角度讨论了人工智能不可控性的影响。本文可以作为不可控性主题的全面参考。关键词：人工智能安全和保障、控制问题、更安全的人工智能、不可控性、不可验证性、X-Risk。
最小成本下复杂网络的可控性
控制论中的可控性概念是指通过选择合适的输入将系统引导至期望状态的能力。复杂网络（如交通网络、基因调控网络、电网等）的可控性可以实现高效运行或全新的应用可能性。然而，当控制理论应用于此类复杂网络时，会出现一些挑战。本论文考虑了其中一些挑战，特别是我们研究如何通过放置控制输入或通过在节点之间增加边来扩展网络，以最低成本使给定网络可控。作为成本函数，我们采用所需的控制输入数量或它们必须施加的能量。如果控制输入可以取正值或负值，但不能同时取正值或负值，则称为单侧控制。受许多单侧控制常见的应用的启发，我们将这种特殊情况下的经典可控性结果重新表述为更高效的形式，以便进行大规模分析。假设每个控制输入只针对一个节点（称为驱动节点），我们表明单边可控性问题在很大程度上是结构性的：根据网络的拓扑特性，我们推导出单边控制输入最小数量的理论下限，这些界限与已经为无约束控制输入最小数量建立的界限类似（例如，可以假设正值和负值）。通过单边控制输入放置的建设性算法，我们还表明理论界限通常可以实现。如果需要不合理的控制能量来将其引导到某个方向，网络可能在理论上可控，但在实践中不可控。对于无约束控制输入的情况，我们表明控制能量取决于网络模式的时间常数，它们越长，控制所需的能量越少。我们还提出了不同的驱动节点放置问题策略，以降低控制能量要求（假设理论可控性不是问题）。对于我们考虑的最一般的网络类别，即具有任意特征值（因而具有任意时间常数）的有向网络，我们建议基于网络非正态性的新特征（即网络能量分布不平衡）的策略。我们的公式允许将节点级别的网络非正态性量化为两个不同中心性指标的组合。第一个度量量化每个节点对网络其余部分的影响，而第二个度量则描述从其他节点间接控制节点的能力。选择最大化网络非正态性的节点作为驱动节点可显著减少控制所需的能量。扩大网络，即为其添加更多边，是一种有希望减少控制网络所需能量的替代方法。我们通过推导敏感度函数来实现这一点，该函数能够用 H 2 和 H ∞ 范数量化边修改的影响，进而可用于设计边添加，以改进常用的控制能量指标。
结构脑网络可控性方法论考虑的实用指南
摘要 目的。预测大脑如何通过内部或外部控制进入特定状态需要从根本上理解神经连接与活动之间的关系。网络控制理论是物理和工程科学中一个强大的工具，可以提供有关这种关系的见解；它形式化了复杂系统的动态如何从其相互连接的单元的底层结构中产生的研究。方法。鉴于网络控制理论最近在神经科学中的应用，现在是时候为结构脑网络可控性的方法论考虑提供实用指南了。在这里，我们系统地概述了该框架，研究了建模选择对经常研究的控制指标的影响，并提出了可能有用的理论扩展。我们的讨论、数值演示和理论进展基于一个高分辨率扩散成像数据集，该数据集包含 730 个扩散方向，这些扩散方向是从十名健康年轻人身上扫描约 1 小时获得的。主要结果。在对该理论进行教学介绍之后，我们探讨了建模选择如何影响四个常见统计数据：平均可控性、模态可控性、最小控制能量和最佳控制能量。接下来，我们将通过两种方式扩展当前的最新技术：首先，开发一种替代的结构连接测量方法，以解释活动通过邻接组织的径向传播；其次，定义一个补充指标，量化系统能量景观的复杂性。最后，我们将提出具体的建模建议并讨论方法论上的限制。意义。我们希望这个通俗易懂的解释将激励神经成像界更充分地利用网络控制理论的潜力，解决认知、发育和临床神经科学中的紧迫问题。
飞机可控性和主飞行显示
摘要 LOC-I 事故每年都在发生，而事故调查报告中的建议似乎没有效果。到目前为止，事故报告似乎并没有解决飞行员失去控制的原因，只是关注需要更好或更多的飞行员培训。很少或根本没有关注飞行员失去控制的原因。在去年奥格斯堡举行的 ISASI 会议上，发表了一篇论文，讨论了“分析前庭错觉潜在影响的新工具” 1 ，如躯体重力错觉和躯体旋转错觉导致飞行员空间迷失方向。人类大脑在零重力或偏移重力环境中依赖强烈的视觉提示来保持方向和平衡的知识已得到充分证明。然而，在大多数 LOC-I 事故报告中似乎都缺乏这方面的知识。在黑暗或仪表条件下的飞行条件下，飞行员可能会受到躯体重力、躯体旋转和 G 过量效应错觉的影响，导致飞行员空间定向障碍（“飞行员眩晕”）。对抗这些感官错觉的唯一有效线索是强烈的视觉线索。在这方面的一个说明点是未经训练的私人飞行员进入云层的例子。他很快就会失去控制，但当飞机离开云层并且飞行员在白天视觉条件下观察到自然地平线时，他很可能会恢复控制。在这种情况下，未经训练的飞行员从充满挡风玻璃的自然地平线接收视觉提示，并通过使用他的周边视力，他接收重新