XiaoMi-AI文件搜索系统
World File Search System图论
KSAS 宣传册邮件
凝聚态物理（理论与实验）、计算与理论物理、天文学、材料科学、纳米材料与器件、核物理、光谱学、量子计算与量子信息、高能物理环境科学、生物物理学、生物化学、有机合成、高分子化学、超分子化学、生物地球化学；辐射生物学；食品科学与技术；可持续能源生产；水科学与技术；气候变化、化学冶金、药物输送、伤口愈合、再生医学、昼夜节律、神经生物学、纯数学与应用数学（计算流体动力学、天体力学、运筹学、数值方法、弹性动力学、数论、图论、算子论、可和性理论、概率与统计）
NeuroPycon：一个用于快速多...的开源 Python 工具箱
近年来，神经科学领域出现了大量可重复研究的趋势。不幸的是，这一努力往往受到所用工具种类繁多、项目特定的自定义代码以及难以跟踪所有用户定义参数的挑战。NeuroPycon 是一个开源多模态脑数据分析工具包，它提供基于 Python 的模板管道，用于 MEG、EEG、功能和解剖 MRI 数据的高级多处理，重点是连接性和图论分析。重要的是，它提供可共享的参数文件，以方便复制所有分析步骤。NeuroPycon 基于 NiPype 框架，该框架通过将许多常用的神经成像软件工具包装到一个通用的 Python 环境中来促进数据分析。换句话说，NeuroPycon 并不是一个拥有自己脑信号处理标准算法实现的脑成像软件，而是将现有包（用 Python、Matlab 或其他语言编写）无缝集成到一个统一的 Python 框架中。重要的是，由于 NiPype 提供的多线程处理和计算效率，NeuroPycon 提供了一种快速并行处理的简单选项，这在处理大量多维脑数据时至关重要。此外，其灵活的设计允许用户通过将不同的节点相互连接来轻松配置图形分析管道。每个节点可以是 Python 包装的模块、用户定义的函数或成熟的工具（例如用于 MEG 分析的 MNE-Python、用于图论指标的 Rada 工具等）。最后但并非最不重要的一点是，使用 NeuroPycon 参数文件完整描述任何管道的能力是可重复性的重要特性，因为它们可以共享并用于他人轻松复制。NeuroPycon 的当前实现包含两个互补的包：第一个称为 ephypype，包括用于电生理分析的管道和用于动态管道创建的命令行界面。目前的实现允许 MEG/EEG 数据导入、预处理和清理，通过自动去除眼部和心脏伪影，以及传感器或源级连接分析。第二个包称为 graphpype，旨在通过各种图论指标（包括模块化分区）研究功能连接。本文介绍了该工具包的理念、架构和功能，并通过交互式笔记本提供了说明性示例。NeuroPycon 可通过 github（https://github.com/neuropycon）下载，两个主要包均在线记录（https://neuropycon.github.io/ephypype/index.html 和 https://neuropycon.github.io/graph pype/index.html）。未来的发展包括多模态数据融合（例如 MEG 和 fMRI 或颅内 EEG 和 fMRI）。我们希望 NeuroPycon 的发布能够吸引更多用户和新的贡献者，并且
地形数据中的建筑模式识别 - GDMC
摘要 建筑物模式是地图综合过程中应保留的重要特征。然而，这些模式无法被自动系统明确访问。本文提出了一个框架和几种算法，用于自动从地形数据中识别建筑物模式，重点是共线和曲线对齐。针对这两种模式，开发了两种算法，能够识别中心对齐和边对齐模式。所提出的方法整合了计算几何、图论概念和视觉感知理论的各个方面。虽然共线和曲线模式的单个算法对每种类型的模式都显示出巨大的潜力，但识别出的模式既不完整，也不够好
方差特征保留运动想象 BCI 的共同空间模式
方法：本研究提出了一种方差特征保持的 CSP（VPCSP），并通过基于图论的正则化项对其进行了修改。具体来说，我们在局部保留方差特征的同时计算投影数据的异常损失。然后，通过引入拉普拉斯矩阵将损失重写为矩阵，从而将其转化为与 CSP 等价的广义特征值问题。本研究在来自 BCI 竞赛的两个公共 EEG 数据集上评估了所提出的方法。改进的方法可以提取稳健且可区分的特征，从而提供更高的分类性能。实验结果表明，所提出的正则化显著提高了 CSP 的有效性，并且与已报道的改进 CSP 算法相比取得了显著更好的性能。
在玻色子量子设备上模拟化学反应
摘要：玻色子量子器件提供了一种实现量子计算的新方法，其中量子两能级系统（量子比特）被量子（非）谐振子（量子模式）取代，作为量子模拟器的基本构建块。然后可以通过用玻色子算符表示或映射系统汉密尔顿量来实现化学结构和动力学的模拟。在本文中，我们回顾了使用玻色子量子器件解决各种具有挑战性的化学问题的最新进展和未来潜力，包括分子振动电子谱的计算、气相和溶液相绝热和非绝热化学动力学的模拟、分子图论问题的有效解决以及电子结构的计算。
2024 年 11 月至 12 月的副本
数学系成立于 2008 年，与 BITS Pilani 的海得拉巴校区同时成立。目前，该系与计算机科学系合作提供综合理科硕士、数学博士学位和数据科学辅修课程。我们还通过工作综合学习计划 (WILP) 为行业专业人士提供各种课程和计划。该系有 28 名教职员工，其中 3 名是教授，12 名是副教授，13 名是助理教授。我们的教职员工积极参与数学多维领域的研究，例如代数、分析、应用统计、计算流体动力学、宇宙学和相对论、密码学、微分和积分方程、图论、数学建模、数论和量子信息。
2024 年人工智能网络安全状况
充分利用 AI 驱动的解决方案网络安全领导者和从业者必须在其工具堆栈中的正确位置应用正确类型的 AI，以机器速度识别和消除威胁。他们必须利用无监督机器学习 (ML) 算法，这些算法可以不断训练自己以了解组织中的正常情况，以便他们能够快速自动识别偏离基线的情况。这些应该与其他 AI 方法结合使用，例如监督 ML、LLM、生成对抗网络 (GAN)、图论（揭示复杂关系）、异常检测和生成 AI。使用正确的 AI 类型组合有助于准确识别昨天的工具可能会错过的威胁。最重要的是，AI 应该透明、可解释且保护隐私。
空中交通复杂性分析的时空图指标
摘要：在形式化空中交通复杂性方面已经进行了广泛的研究，但现有的研究主要侧重于限制空中交通管制员峰值工作量的指标，而不是一种可以指导战略、预战术和战术行动以实现飞机平稳流动的动态复杂性方法。本文使用图论形式化飞机相互依赖关系，并描述了四个复杂性指标，这些指标将时空拓扑信息与相互依赖的严重性相结合。这些指标可用于预测复杂性的动态演变，不是给出一个单一的分数，而是测量时间窗口中的复杂性。结果表明，这些指标可以捕捉扇区内复杂的时空区域，并提供扇区复杂性的详细和细致的视图。
太空探索系统成本快速估算
将成本估算纳入太空系统架构设计太空探索过程，使决策者能够定性评估架构决策的成本影响。通过创建简单的系统级成本估算关系 (CER)（源自自下而上的质量估算），可以将此信息纳入决策过程。本文介绍的研究基于每种系统类型的基线配置为各种系统类型开发了这些关系。通过在图论系统架构建模框架中使用这些 CER 来探索在探索系统架构研究 (ESAS) 任务模式比较中确定的选项，可以证明这些 CER 的能力。根据成本对这些选项以及与 ESAS 中确定的任何选项都有很大不同的商业架构进行了比较，并讨论了包括 ESAS 中使用的所有性能系数在内的整体系统架构比较。