XiaoMi-AI文件搜索系统
World File Search System对准
暴露于不同的对准器材料的颜色稳定性
印度饮食中使用的液体 - 一项体外比较研究Akash Goel 1，Sunanda Roychoudhury 2，Kumar Amit 3 1毕业生，2毕业生，2教授兼系主任，3副教授，正畸和牙齿牙齿牙齿矫正术系副教授对于正畸治疗，在过去的几十年中，呈指数增长。清晰的对准器的美学吸引力对于正畸治疗中的患者满意度至关重要。但是，由于印度饮食中的肉欲消耗，这些对齐器偶尔会染色，要求对其颜色稳定性进行分析。因此，这项研究评估了受印度普通饮食液体和人造唾液的颜色稳定性。目标与目标：比较浸入茶，咖啡，橙汁，基于姜黄和人造唾液的溶液中时两种不同对齐材料的颜色稳定性。方法：将两种比对材料浸入延期液体的持续时间为两周。颜色变化是在暴露前后使用分光光度计进行定量的。使用双变量分析进行数据分析，并使用独立的t检验和配对的t检验进行评估颜色稳定性的显着差异。结果：我们的结果表明，在受到橙汁，茶和咖啡之类的染色剂后，PU对准器的颜色变化明显大于PET-G对准器。这些结果强调需要进一步研究长期影响和减轻变色的策略。两周后，PET-G更加受姜黄水的影响，而PU对准器非常容易受到咖啡污渍的影响。结论：材料选择在正畸中至关重要，因为饮食习惯会影响对准器的寿命和美学。关键字：对齐材料，颜色稳定性，饮食液体，正畸，变色
dreamsync：将文本到图像的生成对准图像理解反馈
在微调T2I模型上进行对齐方式，但没有重新调整任何人类反馈。Dream-057 Sync背后的关键见解是利用视觉语言mod- 058 ELS（VLMS）的进步，该eLS（VLMS）可以识别生成的图像和用户的输入060文本之间的细粒度差异-059 CIE [7，20]。在高水平上直观地，我们的方法可以将061视为具有人为反馈（RLHF）的强化学习的可扩展版本；正如Llama2 [49] 063使用人类反馈进行了迭代精制一样，DreamSync 064使用VLMS的反馈改善了T2I模型，除了065，而无需加固学习。066给定了一组文本提示，T2i模型首发-067每个提示都有多个候选图像。DreamSync 068使用两个069 VLM自动评估这些生成的图像。第一个测量世代的忠诚070对文本[7，20]，而第二个则测量美学071质量[23]。最佳世代被收集并使用072使用参数有效的lora 073 Finetuning [19]。使用新的FineTuned T2I模型，我们重新进行了多个迭代的整个过程：生成IM-075年龄，策划新的填充设置，然后再次进行Finetune。076我们使用最新的基准-077分和人类评估进行广泛的实验。我们使用两个T2I模型SDXL [37]和SD V1.4 [39]实验Dreamsync 078。两种模型的结果079都表明Dreamsync增强了Align-080
快速发展的对准站点对于深层生命树的重建
摘要：在假设快速发展的位点没有保留由于取代而没有保留准确的系统发育信号的假设下，快速发展的位点（通常称为“缓慢”分析）广泛用于微生物系统发育重建。因此，删除经历了多次取代的地点将改善系统发育分析中的信噪比，其余较慢发展的位点保留了更可靠的进化关系记录。在这里，我们表明，与此假设相反，即使是经常在生命之树中使用的保守蛋白中存在的最快发展的位点，也包含可靠且有价值的系统发育信息，并且对此类部位的修剪也会对系统发育倒置的准确性产生负面影响。在生命研究中使用的核糖体蛋白数据集建模的模拟比对始终表明，慢速进化位点比甚至最快发展的位点恢复真正的两部分的可能性较小。此外，特定于位点的取代率与准确恢复的短分支两部分的频率呈正相关，因为在这些时间间隔内缓慢发展的位点不太可能在这些间隔内经历过替代。使用已发表的生命序列对准数据集，我们还表明，慢速和快速发展的站点都包含类似不一致的系统发育信号，对于快速发展的站点，这种不一致的不一致可以归因于较差的对齐质量。此外，修剪快速站点，缓慢的位点或两者都被证明对多个进化模型的系统发育重建产生了重大影响。这在真实的和asgardarchaeota群体的结果中最明显，这对于实施不同的修剪方案特别敏感。
研究文章转移具有输出权重对准的极限学习机
极限学习机（ELM）是模式识别和机器学习中的快速且有效的神经网络模型，当标记的训练样本不足以使其下降。转移学习通过使用不同但相关域中的大量标记样本来帮助目标任务学习可靠的模型。在本文中，我们提出了一台具有知识传递性的监督极限学习机器，称为“转移极限学习机器”，具有输出权重对齐（telm-Owa）。首先，它通过对齐由来自源和目标域标记的样品训练的ELM的输出权重矩阵来减少域之间的分布差异。其次，将域间ELM输出权重矩阵之间的近似值添加到目标函数中，以进一步实现知识的跨域转移。tirdly，我们将目标函数视为最小平方问题，并将其转换为标准的ELM模型，以便有效地解决。最后，通过对16组图像数据集和6组文本数据集进行了分类实验对所提出算法的效果进行了验证，结果证明了我们方法相对于其他ELM模型和转移学习方法的竞争性能。
用于激光辅助键合的先进芯片光束对准方法
摘要 在激光辅助键合工艺中检查激光束和芯片是否对准的动作称为芯片束对准。当前的芯片束对准方法是简单的肉眼目视检查，这使得该方法极易受到人为错误的影响，因为它取决于负责它的工程师/操作员的感觉和能力。此外，它缺乏明确的定量评估标准。本研究的目的是开发一种基于计算机视觉算法的无人为错误的芯片束对准方法。专用的图像采集相机与基于计算机视觉的定制软件相结合，成功地将芯片和激光束对准，精度为 0.060 毫米。简单的硬件设置与用户友好的软件相结合，使其成为一种方便的现场使用方法。 关键词 计算机视觉、芯片束对准、激光辅助键合、LAB。
ngia：一种新型的基于基因序列聚类的基于贪婪的增量对准算法✩
基因序列聚类在计算生物学和生物信息学中非常重要且重要，用于研究系统发育关系和基因功能预测等。随着生物学数据量的快速生长（基因/蛋白质序列），基因序列聚类算法在低精度和效率方面面临着更多挑战。 基因序列数据库中增长的冗余序列通常有助于大多数聚类方法的记忆和计算需求的增加。 例如，原始的基于贪婪的增量比对（GIA）聚类算法获得了很高的精度聚类结果，但效率非常低。 已经开发了有效的贪婪增量聚类算法，其精确成本降低了，通常可以关闭速度的贸易聚类精确度以提高速度。 需要在精度和速度之间取得更好平衡的算法。 本文提出了一种新型的基于贪婪的增量比对算法，称为NGIA，用于具有高效率和精度的基因聚类。 ngia由一个预滤波器，修改后的短词过滤器，一种新的数据包装策略，一种修改的贪婪增量方法组成，并通过GPU并行化。 四个独立数据集上的实验评估表明，所提出的工具可以以99.99％的高精度聚类。 与CD-HIT，VSEARCH和UCLUST的结果相比，NGIA平均快13.6倍，6.2倍和1.7倍。 此外，我们开发了一个多节点版本来处理大型数据集。 该软件可从https://github.com/siat-hpcc/gene-sequence-clustering获得。随着生物学数据量的快速生长（基因/蛋白质序列），基因序列聚类算法在低精度和效率方面面临着更多挑战。基因序列数据库中增长的冗余序列通常有助于大多数聚类方法的记忆和计算需求的增加。例如，原始的基于贪婪的增量比对（GIA）聚类算法获得了很高的精度聚类结果，但效率非常低。已经开发了有效的贪婪增量聚类算法，其精确成本降低了，通常可以关闭速度的贸易聚类精确度以提高速度。需要在精度和速度之间取得更好平衡的算法。 本文提出了一种新型的基于贪婪的增量比对算法，称为NGIA，用于具有高效率和精度的基因聚类。 ngia由一个预滤波器，修改后的短词过滤器，一种新的数据包装策略，一种修改的贪婪增量方法组成，并通过GPU并行化。 四个独立数据集上的实验评估表明，所提出的工具可以以99.99％的高精度聚类。 与CD-HIT，VSEARCH和UCLUST的结果相比，NGIA平均快13.6倍，6.2倍和1.7倍。 此外，我们开发了一个多节点版本来处理大型数据集。 该软件可从https://github.com/siat-hpcc/gene-sequence-clustering获得。算法。本文提出了一种新型的基于贪婪的增量比对算法，称为NGIA，用于具有高效率和精度的基因聚类。ngia由一个预滤波器，修改后的短词过滤器，一种新的数据包装策略，一种修改的贪婪增量方法组成，并通过GPU并行化。四个独立数据集上的实验评估表明，所提出的工具可以以99.99％的高精度聚类。与CD-HIT，VSEARCH和UCLUST的结果相比，NGIA平均快13.6倍，6.2倍和1.7倍。此外，我们开发了一个多节点版本来处理大型数据集。该软件可从https://github.com/siat-hpcc/gene-sequence-clustering获得。强可伸缩性测试表明，NGIA的多节点版本可以以31％的并行效率扩展32个线程。©2022 Elsevier B.V.保留所有权利。
AASD：通过在多模式大型语言模型中对准投机解码来加速推理
多模式大型语言模型（MLLM）在视觉教学调整中取得了显着的成功，但由于大型语言模型（LLM）骨干的自动回归解码，它们的推论既耗时又耗时。传统的加速推理方法，包括模型压缩和从语言模型加速的迁移，通常会损害输出质量或有效整合多模式特征的face Challenges。为了解决这些问题，我们提出了AASD，这是一个新型的框架，用于加速使用精制的KV缓存并在MLLM中对准投机解码。我们的方法利用目标模型的缓存键值（KV）对提取生成草稿令牌的重要信息，从而有效地投机解码。为了减少与长多模式令牌序列相关的计算负担，我们会引入KV投影仪，以压缩KV缓存，同时保持代表性保真度。此外，我们设计了一种目标放射线注意机制，以优化草稿和目标模型之间的对齐方式，从而以最小的计算开销来实现真实推理情景的好处。主流MLLM的广泛实验表明，我们的方法在不牺牲准确性的情况下达到了2倍推理的速度。这项研究不仅为加速MLLM推断提供了有效且轻巧的解决方案，而且还引入了一种新颖的对齐策略，用于在多模式背景下进行投机解码，从而为未来的有效MLLM研究奠定了强大的基础。代码可在https://anonymon.4open.science/r/asd-f571上使用。
热膜 X 探头校准，用于风洞中的高精度角度对准
本论文由 DigitalCommons@USU 研究生院免费开放供您使用。它已被 DigitalCommons@USU 的授权管理员接受并纳入所有研究生论文和学位论文。欲了解更多信息，请联系 digitalcommons@usu.edu 。
磁对准控制涂覆氧化铁纳米粒子的金纳米棒的等离子体
新的光学特性在光热疗法、比色传感、生物成像和光电子学中具有潜在的应用。[1–8] 在过去二十年中，随着 GNR 合成方法的不断改进，[9,10] 人们开发出了许多用于排列和组装 GNR 的技术，从而获得了新的光学特性。[11] GNR 具有纵向和横向表面等离子体共振 (LSPR 和 TSPR)，当光的电场分别沿长度和直径方向取向时，会激发这些共振。LSPR 比 TSPR 更强烈，LSPR 的波长取决于纳米棒的长宽比，从而可以调谐到近红外光谱。 GNR 的取向可以选择性地激发 LSPR 或 TSPR，目前已通过拉伸聚合物薄膜[12–14] 静电纺丝聚合物纤维[15,16] 控制蒸发介导沉积[17,18] 模板沉积[19–23] 皱纹辅助组装[24] 机械刷[25] 和液晶分散[26–31] 等方法实现。尽管其中一些取向技术可以提供高度有序性，但利用施加的磁场或电场对分散在液体中的 GNR 进行动态取向的能力因其速度和可逆性而颇具吸引力。利用电场对 GNR 进行取向，
MADTP：多模式对准引导的动态令牌修剪，以加速视力 - 语言变压器
视觉 - 语言变压器（VLT）最近显示出巨大的成功，但同时伴随着大量的计算成本，其中主要原因可以归因于大量的视觉和语言令牌。存在用于压缩VLTS的令牌修剪研究主要遵循基于单模式的方案，但忽略了对齐不同模态来指导令牌修剪过程的关键作用，从而导致重要的代币在另一个模态分支中错误地修剪一个模态。同时，现有的VLT修剪作品也缺乏基于不同输入样本动态压缩每一层的灵活性。为此，我们提出了一个名为M Ultodal的新颖框架，用于加速变化VLT的木质制成d ynamic t ynamic t oken p Runing（MADTP）。具体来说，我们首先引入了精心设计的多模式对齐指导（MAG）模块，该模块可以使相同语义概念的特征与不同的模式相结合，以确保修剪的代币对所有模式都不太重要。我们进一步设计了一种新型的dy-namic令牌修剪（DTP）模块，该模块可以根据不同的输入实例自适应地调节每个层中的令牌压缩比。对各种基准测试的广泛实验表明，MADTP可以显着确定多种模型的计算复杂性，同时保留竞争性能。值得注意的是，当将MADTP应用于NLVR2数据集中的BLIP模型时，可以将GFLOPS降低80％，而性能降低少于4％。该代码可在https://github.com/double125/madtp上找到。