XiaoMi-AI文件搜索系统
World File Search System展开
基于并行局部最小值的相位展开方法……
摘要：考虑数据可靠性，用于相位不连续性重构的对偶残差优化连接提供了更可靠的方案并产生了更稳健的解缠结果。然而，它们的实际实现通常涉及耗时的迭代全局操作，不适合应用于大块干涉合成孔径雷达（InSAR）相位数据的相位解缠（PU）。提出了一种基于局部最小可靠性对偶扩展的并行PU方法。在给定质量权重图的情况下，基于残差定义对偶可靠性，并引入最小可靠性残差对来表示可能的不连续边界。我们提供了一种具有局部最小可靠性搜索和对偶合并的对偶动态扩展方法。最终获得的最小平衡树用于在可靠性图的帮助下对PU进行路径集成。可靠性图的计算、残差对搜索和动态扩展被设计为并行进行。我们采用基于艾科纳方程和洪水填充的界面传播方案进行并行实现。采用所提方法处理了两大块机载 InSAR 数据，实验结果和分析验证了该方法对大规模 PU 问题的鲁棒性和有效性。© 作者。由 SPIE 根据 Creative Commons Attribution 4.0 Unported 许可证发布。分发或复制
热波动（最终）展开纳米级折纸
折纸是变形机器人技术，可部署结构的规模不变范式（例如卫星，救灾避难所，医疗支架）和具有可调的热，机械或电磁特性的超材料。使用折纸原理以及2D材料或DNA都引起了人们的兴趣，以设计各种纳米级设备。在这项工作中，我们认识到小规模设备容易受到熵热波动的影响，因此是小规模折纸与其稳定性有关的基本问题，即折纸结构由于热波动而倾向于“展开”和随之而来的展开速度。要正确理解这些基于折纸的纳米版的行为，我们必须同时考虑折纸的几何力学以及热波动，熵排斥力，范德华的吸引力和其他分子尺度现象之间的相互作用。在这项工作中，为了阐明在纳米级折纸设备演变的富裕行为，我们开发了折叠纳米级床单的最小统计力学模型。我们使用该模型来研究（1）纳米级折纸结构的热力学多稳定性以及（2）热波动推动其展开的速率，即其时间稳定性。我们首次识别出一种熵扭矩，这是展开过程的关键驱动力。对于多层石墨烯）和温度，在该温度下不能稳定折叠。热力学多稳定性和时间稳定性都对折纸的弯曲刚度，其折痕的曲率，环境温度，其厚度和界面能量（折叠层之间）都有非平凡的依赖性。具体来说，对于石墨烯，我们表明存在一个临界侧长，在此不再以稳定性折叠；同样，存在临界直径，膜厚度（例如为了研究热驱动的展开速率，我们将Kramers的逃生速率理论扩展到了能量的最小孔出现在边界处的情况。展开的速率被发现从有效零到瞬时，并且在展开速率上温度，几何形状和机械性能之间存在明显的相互作用。
纽约输电业主工作组就 Tie-Line 展开工作...
2019 年联络线评级报告是纽约输电业主 (NYTO) 第四次调查确定设备评级的方法。最初工作组的目的是建立一种明确且通用的方法来确定设备热评级。此举将解决联络线设备评级确定不一致的问题。结果可用于确定连接纽约地区不同电力设施的设备评级。如果纽约输电业主确定工程需要对这些方法或假设做出例外，则输电业主有责任为该方法提供充分的技术依据。
QUnfold 是一种基于量子退火的 HEP 展开工具
近几十年来，尽管在研制能够解决复杂问题的大型量子计算机方面迄今为止取得的成果很少，但量子计算一直是发展最快的领域之一。迄今为止，D-Wave 是第一家也是唯一一家允许用户直接与量子计算机交互的公司，从而让任何想要解决某些问题的人都能够使用量子计算。正是从这种可能性出发，QUnfold 的想法诞生了，这是一种软件，旨在利用 D-Wave 获得的量子优势实现一种新的展开技术（粒子物理学中的标准问题）。本论文旨在测试和分析该方法与常用的传统方法相比的局限性和优势。为此，我们利用了从 t 夸克衰变中获得的数据，并对这些数据运行了各种展开算法，以便可以比较获得的结果。
重新思考加速 MRI 的深度展开模型......
摘要。磁共振成像 (MRI) 是一种广泛用于临床诊断和外科手术计划的成像方式。加速 MRI 试图通过减少图像重建所需的原始 k 空间数据量来减轻长扫描时间的固有限制。最近，深度展开模型 (DUM) 通过使用深度神经网络截断和展开传统的迭代重建算法，已证明对 MRI 重建具有显着的有效性和更高的可解释性。然而，DUM 在 MRI 重建中的潜力尚未得到充分利用。在本文中，我们首先增强了 DUM 迭代阶段内和迭代阶段之间的梯度和信息流，然后我们强调了使用各种相邻信息进行准确且内存高效的敏感度图估计和改进多线圈 MRI 重建的重要性。在几个公共 MRI 重建数据集上进行的大量实验表明，我们的方法大大优于现有的 MRI 重建方法。代码可以在https://github.com/hellopipu/PromptMR-plus上找到。
通过Schrödinger桥改善基于生成模型的展开
基于机器学习的展开已实现了无链接和高维差异横截面测量值。该研究领域已经出现了两种主要方法。一个基于判别模型和基于生成模型的模型。歧视模型的主要优点是，他们学习对起始模拟的较小校正，而生成模型则可以更好地扩展到相位空间区域，而数据很少。我们建议使用Schrödinger桥和扩散模型来创建Sbunfold，这是一种结合了歧视性和生成模型的优势的展开方法。sbunfold的关键特征是，其生成模型将一组事件映射到另一组事件中，而无需经过已知的概率密度，就像使流量和标准扩散模型的正常情况一样。我们表明，与合成ZÞJETS数据集中的最新方法相比，Sbunfold取得了出色的性能。
再次展开打造世界最小原子钟的竞赛
uan-Yu Jau 正在努力制造世界上最小的原子钟，一种可以极其精确地计时的设备。如果成功，他和他在桑迪亚的团队将制造出比方糖还小的原子钟。但他并不是唯一一个挑战微型钟表极限的人。去年，美国国防高级研究计划局向研究团队发出挑战，要求制造更小、更精确的时钟。Yuan-Yu 领导着从事这项工作的桑迪亚团队。Yuan-Yu 说：“他们希望所有东西的体积都在 1 立方厘米，目前还没有这种尺寸的原子钟。”他的核心设计甚至更小——长约 1 厘米，宽和高仅为 2 毫米，总体积为 0.04 立方厘米。DARPA 要求这些设备在一周后准确度在百万分之一秒以内。
学习如何在大脑中展开：迈向优化视图
大脑的变化如何导致学习？要回答这个问题，请考虑一个人工神经网络（ANN），其中学习通过优化给定的目标或成本功能进行进行。此“优化框架”可能会提供有关大脑学习方式的新见解，因为通过训练以执行相同任务的ANN可以概括神经活动的许多特质特征。尽管如此，在整个学习过程中神经种群活动如何变化的关键特征无法轻易根据视觉来解释，并且不是ANN的特征。在这里，我们详细介绍了以下三个功能：（1）整个学习中神经变异性的影响，（2）即使在简单任务期间也使用多个学习过程，以及（3）存在大型任务 - 非专业活动的变化。我们建议了解这些特征在大脑中的作用将是使用优化框架来描述生物学习的关键。
基于极地代码的查找表的展开和管道解码器
摘要 - 解码算法允许以增加面积的成本实现极高的吞吐量。查找表（LUTS）可用于替换其他作为电路实现的功能。在这项工作中，我们显示了通过在独立的解码器中精心制作的LUTS代替逻辑块的影响。我们表明，使用LUTS改善关键性能指标（例如，区域，吞吐量，潜伏期）可能比预期更具挑战性。我们提出了三种基于LUT的解码器的变体，并详细描述了它们的内部工作以及电路。基于LUT的解码器与常规展开的解码器进行了比较，该解码器采用固定点表示数字，具有可比的误差校正性能。简短的系统极性代码被用作说明。所有由此产生的展开解码器均显示能够在28 nm FD-SOI技术中以1.4 GHz至1.5 GHz的时钟进行少于10 Gbps的信息吞吐量。与常规展开的解码器相比，我们的基于LUT的解码器的最佳变体可将面积的需求降低23％，同时保留可比的错误校正性能。
