XiaoMi-AI文件搜索系统
World File Search System引导的
基于语言引导的杂种高斯扩散
摘要 - 在机器人操纵任务中，实现操纵对象的可识别目标状态通常对于促进机器人臂的运动计划至关重要。具体来说，在悬挂杯子等任务中，必须将杯子放置在钩子周围可行区域内。先前的方法已经揭示了杯子的多个可行目标状态的产生；但是，这些目标状态通常是随机生成的，缺乏对特定生成位置的控制。此限制使这种方法在存在约束的情况下，例如其他杯子已经占据的钩子或必须达到特定的操作目标时。此外，由于在现实世界中悬挂的方案中杯子和机架之间的频繁物理相互作用，因此从端到端模型中生成的目标状态通常会导致重叠点云。这种重叠会对机器人组的后续运动计划产生不利影响。为了应对这些挑战，我们提出了一种语言引导的混合高斯扩散（LHGD）网络，用于生成操纵目标状态，并结合了基于重力覆盖系数的基于重力覆盖率的基于重力覆盖率的方法。为了在语言指定的分布设置下评估我们的方法，我们在5个不同的架子上收集了多种可行的目标状态，用于10种不同的架子上的10种类型的杯子。此外，我们为验证目的准备了五种看不见的杯子设计。实验性调查表明，我们的方法在单模，多模式和语言指定的分布操纵任务中达到了最高的成功率。此外，它大大降低了点云的重叠，直接产生无碰撞的目标状态，并消除了机器人臂对额外的避免避免障碍物操作的需求。
由晶体学电子密度引导的蛋白质集合的生成建模
蛋白质是动态分子，在生物过程中和其他方面的热力学采样构象中的状态之间的过渡。尽管由X射线晶体学生成的模型通常描绘了单个构象，但这实际上是一个集合度量。蛋白质晶体是一个巨大的分子阵列，从衍射中重建的电子密度可捕获该阵列中原子位置之间的变异性。随着蛋白质链中的灵活性的增加，电子密度越来越散布。由于难以识别和建模特定构象产生平均密度，因此通常仅以B因子的形式间接报告最佳拟合模型周围的变异性。然而，如果可检测到的晶体学者在多个替代位置（通常称为Altlocs）中的原子模型。交替位置的蛋白质主链段仍然不足以识别，因为大多数可视化平台（例如Pymol和Chimerax）以及使用结构模型作为输入（例如Gromacs）的程序完全忽略了Altloc或用简单的启发式方法来解决它们[4]。最近的工作[11]创建了从PDB结构中提取的Altloc的全面目录，这表明该数据集应在努力中使用单个序列预测多个结构的努力。有趣的是，作者表明，对于一组良好的分离和稳定的Altlocs，即使结构合奏预测因子识别该区域是灵活的，他们也无法捕获实验确定的构象甚至骨架构象分布的双峰性。
AI引导的癌症治疗，用于共存偏头痛患者
1盟军和公共卫生系，卫生学院，体育与生物科学学院，东伦敦大学，伦敦E16 2rd，英国； d.olawade@uel.ac.uk 2研究与创新部，Medway NHS基金会信托基金会，吉林汉姆ME7 ME7 5NY，英国肯特； j.teke@nhs.net（J.T。 ）; kusal.weerasinghe@nhs.net（k.w.） 3 <约克圣约翰大学，伦敦E14 2BA，英国4号医学，卫生和社会护理学院，坎特伯雷基督教堂大学，坎特伯雷CT1 1Qu，肯特，英国肯特郡5 Elaine Marieb护理学院，马萨诸塞大学，马萨诸塞州阿姆斯特大学，马萨诸塞州阿姆斯特大学，美国马萨诸塞州01003，美国； kadeleye@umass.edu 6组织工程和再生医学系，生命科学工程学院FH Technikum，奥地利维也纳1200； eghosaseregabriel@gmail.com 7工程与科学学院，格林威治大学伦敦大学，查塔姆海事ME4 4TB，英国肯特； s.v.ovsepian@greenwich.ac.uk 8第比利斯州立大学医学院，第比利斯大学0177，乔治亚州9号，乔治亚州9号生命科学与医学学院，癌症与药学科学学院，伦敦国王伦敦国王学院，伦敦国王，斯特兰德，斯特兰德，伦敦WC2R 2LS，英国10 Kent Medway医学院 of Medical Oncology, Medway NHS Foundation Trust, Gillingham ME7 5NY, Kent, UK 12 AELIA Organization, 9th Km Thessaloniki–Thermi, 57001 Thessaloniki, Greece * Correspondence: stergiosboussios@gmail.com or stergios.boussios@nhs.net or stergios.boussios@kcl.ac.uk or stergios.boussios@kmms.ac.uk或s.boussios@kent.ac.uk1盟军和公共卫生系，卫生学院，体育与生物科学学院，东伦敦大学，伦敦E16 2rd，英国； d.olawade@uel.ac.uk 2研究与创新部，Medway NHS基金会信托基金会，吉林汉姆ME7 ME7 5NY，英国肯特； j.teke@nhs.net（J.T。）; kusal.weerasinghe@nhs.net（k.w.）3 <约克圣约翰大学，伦敦E14 2BA，英国4号医学，卫生和社会护理学院，坎特伯雷基督教堂大学，坎特伯雷CT1 1Qu，肯特，英国肯特郡5 Elaine Marieb护理学院，马萨诸塞大学，马萨诸塞州阿姆斯特大学，马萨诸塞州阿姆斯特大学，美国马萨诸塞州01003，美国； kadeleye@umass.edu 6组织工程和再生医学系，生命科学工程学院FH Technikum，奥地利维也纳1200； eghosaseregabriel@gmail.com 7工程与科学学院，格林威治大学伦敦大学，查塔姆海事ME4 4TB，英国肯特； s.v.ovsepian@greenwich.ac.uk 8第比利斯州立大学医学院，第比利斯大学0177，乔治亚州9号，乔治亚州9号生命科学与医学学院，癌症与药学科学学院，伦敦国王伦敦国王学院，伦敦国王，斯特兰德，斯特兰德，伦敦WC2R 2LS，英国10 Kent Medway医学院 of Medical Oncology, Medway NHS Foundation Trust, Gillingham ME7 5NY, Kent, UK 12 AELIA Organization, 9th Km Thessaloniki–Thermi, 57001 Thessaloniki, Greece * Correspondence: stergiosboussios@gmail.com or stergios.boussios@nhs.net or stergios.boussios@kcl.ac.uk or stergios.boussios@kmms.ac.uk或s.boussios@kent.ac.uk<约克圣约翰大学，伦敦E14 2BA，英国4号医学，卫生和社会护理学院，坎特伯雷基督教堂大学，坎特伯雷CT1 1Qu，肯特，英国肯特郡5 Elaine Marieb护理学院，马萨诸塞大学，马萨诸塞州阿姆斯特大学，马萨诸塞州阿姆斯特大学，美国马萨诸塞州01003，美国； kadeleye@umass.edu 6组织工程和再生医学系，生命科学工程学院FH Technikum，奥地利维也纳1200； eghosaseregabriel@gmail.com 7工程与科学学院，格林威治大学伦敦大学，查塔姆海事ME4 4TB，英国肯特； s.v.ovsepian@greenwich.ac.uk 8第比利斯州立大学医学院，第比利斯大学0177，乔治亚州9号，乔治亚州9号生命科学与医学学院，癌症与药学科学学院，伦敦国王伦敦国王学院，伦敦国王，斯特兰德，斯特兰德，伦敦WC2R 2LS，英国10 Kent Medway医学院 of Medical Oncology, Medway NHS Foundation Trust, Gillingham ME7 5NY, Kent, UK 12 AELIA Organization, 9th Km Thessaloniki–Thermi, 57001 Thessaloniki, Greece * Correspondence: stergiosboussios@gmail.com or stergios.boussios@nhs.net or stergios.boussios@kcl.ac.uk or stergios.boussios@kmms.ac.uk或s.boussios@kent.ac.uk<约克圣约翰大学，伦敦E14 2BA，英国4号医学，卫生和社会护理学院，坎特伯雷基督教堂大学，坎特伯雷CT1 1Qu，肯特，英国肯特郡5 Elaine Marieb护理学院，马萨诸塞大学，马萨诸塞州阿姆斯特大学，马萨诸塞州阿姆斯特大学，美国马萨诸塞州01003，美国； kadeleye@umass.edu 6组织工程和再生医学系，生命科学工程学院FH Technikum，奥地利维也纳1200； eghosaseregabriel@gmail.com 7工程与科学学院，格林威治大学伦敦大学，查塔姆海事ME4 4TB，英国肯特； s.v.ovsepian@greenwich.ac.uk 8第比利斯州立大学医学院，第比利斯大学0177，乔治亚州9号，乔治亚州9号生命科学与医学学院，癌症与药学科学学院，伦敦国王伦敦国王学院，伦敦国王，斯特兰德，斯特兰德，伦敦WC2R 2LS，英国10 Kent Medway医学院 of Medical Oncology, Medway NHS Foundation Trust, Gillingham ME7 5NY, Kent, UK 12 AELIA Organization, 9th Km Thessaloniki–Thermi, 57001 Thessaloniki, Greece * Correspondence: stergiosboussios@gmail.com or stergios.boussios@nhs.net or stergios.boussios@kcl.ac.uk or stergios.boussios@kmms.ac.uk或s.boussios@kent.ac.uk
MRI-CT图像引导的自适应近距离放射治疗和宫颈癌的进展
课程内容•雌性骨盆的正常和病理解剖结构•基于图像的解剖结构，包括我们，诊断时的CT，MRI和常规放射线照相术，在BT•GTV/CTV-HR，CTV-HR，CTV-LR // PTV，用于IG-IMRT和治疗计划概念•ITV和适应性EBRT方法。•GTV-RES，CTV-HR，CTV-IR，剂量处方，D90的概念，D98的靶标和2 cc的桨。•放射性辐射和近距离疗法的放射生物学效应和组合，使用EQD2
Lyapunov引导的深度加强学习，用于语义意识到的AOI最小化，在UAV辅助无线网络中
摘要 - 该论文研究了一个无人驾驶汽车（UAV）辅助语义网络，地面用户（GUS）通过无人机的继电器定期将传感信息定期捕获到基站（BS）。GUS和UAV都可以从大型原始数据中提取语义信息，并将其传输到BS以恢复。较小尺寸的语义信息可降低延迟并改善信息新鲜度，而较大尺寸的语义信息可以在BS上进行更准确的数据重建，从而保留原始信息的价值。我们引入了一种新颖的语义感知年龄（SAOI）度量，以捕获信息的新鲜度和语义重要性，然后通过共同优化UAV-GU关联，语义提取，以及UAV的轨迹来提出时间平均的SAOI最小化问题。我们通过Lyapunov框架将原始问题分解为一系列子问题，然后使用层次深度强化学习（DRL）来解决每个子问题。具体来说，UAV-GU关联由DRL确定，然后是更新语义提取策略和无人机部署的优化模块。仿真结果表明，层次结构提高了学习效率。此外，它通过语义提取可实现较低的AOI，同时确保最小的原始信息丢失，表现优于现有基准。
自适应语言引导的对比解释的抽象
摘要：许多机器人学习方法首先从一组人类示范中推断出奖励功能。要学习良好的奖励，有必要在确定应如何使用这些功能来计算奖励之前确定环境的哪些功能。联合特征和奖励学习的端到端方法（例如，使用深网或程序合成技术）通常会产生对虚假国家敏感的脆弱奖励功能。相比之下，人类通常可以通过将强大的先验纳入少量的示范中，从而可以从少量的示范中学习，以了解示威的特征可能对感兴趣的任务有意义。在从新演示中学习时，我们如何构建利用这种背景知识的机器人？本文介绍了一种名为藻类的方法（来自[对比]解释的自适应语言引导的处理），该方法在使用语言模型来迭代地识别所需的人类卑鄙的特征之间交替，然后识别出所需的人类卑鄙的特征，然后识别出标准的逆增强学习技术，将权重分配给这些特征。在各种模拟和现实世界机器人环境中进行的实验表明，藻类仅使用少量的示例来学习在可解释的特征上定义的可通用奖励功能。重要的是，藻类可以识别何时缺少功能，然后提取并定义这些功能而无需任何人类输入，从而可以快速有效地获得对用户行为的丰富表示形式。
互动3D建模的文本引导的可控网格精炼
我们考虑通过文本指导将几何细节添加到3D对象网格的问题。文本到3D生成建模已成功应用于计算机视觉[Poole等。2023;张等。2024]，计算机图形[Khalid等。2022]和地理处理[Gao等。2023; Xu等。2024]应用。这些方法着重于直接从文本中生成3D网格[Poole等。2023; Wang等。2023]没有为用户提供控制输出形状粗糙结构的能力，从而限制了需要仔细控制生成过程的艺术家的实际实用性。其他方法着重于生成3D网格的纹理[Cao等。2023;理查森等。2023]，但它们在几何形状上没有执行任何变化。虽然有一些方法[Gao等。2023; Metzer等。2023]向用户提供控制并能够修改给定形状的几何形状，这些方法通常很慢，因为它们依赖于昂贵的得分蒸馏采样[Poole等。2023]。在本文中，我们提出了一种创建3D对象与丰富几何细节的方法，同时允许用户保留对全局形状结构（通过输入粗网格）和本地几何细节（通过输入文本提示）的控制。随着文本引导的生成方法的最新成功[Metzer等。2023; Poole等。2023;理查森等。2023; Wang等。2024;张等。2023]，我们在大型预训练的文本对图模型上构建了我们的方法[Rombach等。2022]并使用语言指导几何细节的生成。我们的公式不需要配对的粗几何图和细几何训练数据，而是使用大型预训练的文本对图像模型作为监督，以指导通过可区分的渲染器添加几何细节的过程。我们的主要见解源于以下事实：训练以深度信息指导的文本对图像生成的模型[Mou等。2023]最终创建包含其他几何提示的图像。如图2所示，这些提示是如此突出，即使是现成的正常估计模型也可以提取它们。即，即使小鼠图像仅从三个球体产生，其正常估计（最右图像）显示了与描绘眼睛，鼻子和耳朵的表面相对应的正态。但是，此过程只能从单个角度创建可见的细节，而我们希望将细节添加到给定形状的整个可见表面。我们的方法在三个阶段中将几何详细信息添加到输入网格中。第一阶段基于输入文本提示和输入粗网格生成单视RGB图像。此RGB图像可以看作是如何将其添加到输入网格的几何详细信息的预览。第二阶段根据第一阶段和输入粗网格的单视输出进行多视图生成。第三阶段根据第二阶段的多视图生成来完善输入网格的几何细节。由于每个阶段的输出是非提交的，人类可理解的图像或效果图，因此此属性允许在完成之前的早期瞬间，以便用户决定更改参数或返回并更改/修改输入。此外，前两个阶段仅涉及运行预训练网络的推断，最后阶段直接在网格上运行。每个阶段都可以在几秒钟内完成，因此允许我们的方法用于支持
磁共振引导的集中超声心理切开术 - 临床确定和适应症 - 美国退伍军人事务部
必需震颤是一种神经（神经系统）疾病，会导致身体部位的非自愿摇动或发抖。基本震颤也可能被称为良性基本震颤，是最常见的震颤类型，在任何年龄都可以发生，但在40岁以上的人中最常见。没有已知的原因震颤的原因，但是50％的病例与遗传危险因素有关。研究表明，小脑，丘脑和皮层（大脑结构的组成部分）参与了必需震颤的机制。症状可能包括摇摇欲坠/颤抖的声音，点头点头和握手，影响写作，保持对象或使用工具的能力。症状可能是由某些药物，情绪，疲劳，咖啡因或温度变化引起的。
人工酶中远端突变的计算引导的工程
需要特定的c c类型的转换类型，这些转换不是天然发生的。5为了利用这些过程中的巨大酶良好的益处，已经设计了人工酶来产生新的催化反应性。6 - 8个促酶，从而产生基本的酶，然后可能会受到定向进化的能力，以实现通常与酶催化相关的高活性和选择性。9,10然而，尽管有明显的进展，但大多数人促酶的催化效率尚未与天然酶相媲美。11迄今为止，使用人工酶的大多数定向进化运动仅针对催化中心近距离的残留物，以直接影响其化学环境。越来越清楚的是，就像天然酶一样，整个蛋白质的12个结构合作也需要与人工酶促进酶进行催化。例如，刘易斯和同事观察到在模型环丙烷化反应中，在引入脱离活性位点的突变后，由人工hodios的模型环化反应提高了对映选择性。13 o s，远端突变的引入产生由蛋白质的先天结构动力学决定的细微结构重排，该结构动力学已在天然酶的进化中被逐渐构成。18,19是Hilvert等人设计的KEMP消除酶HG3.17的局部示例。14,15那些可以间接地通过调节结构动力学的催化活性的残基称为动力学的远端位点或热点。16,17针对定向演化算法中这些热点的16,17可以将构象动力归为催化生产构象，从而导致高度效率高的设计师酶。能够通过开发具有催化能力的构象合奏的速率加速度提高10 8倍。20当前，它们的鉴定阳离子o cen依赖于广泛的分子动力学（MD）模拟，这对工作的吞吐量构成了显着的限制。21尽管最近已经描述了基于机器的新策略并保持了大大减轻计算费用的希望，但对大型培训数据集的需求阻碍了他们在鲜为人知的系统中的应用。为了确定远端突变和远距离网络在人工酶中的作用，我们以23,24的lactocococococcal多药耐药性调节剂（LMRR）为示例，是探讨了以较广泛的新型到Nature Adectivitivitivities量身定制的混杂蛋白SCA效率的示例。该蛋白质属于padr遗传因素的PADR家族，并调节乳酸乳酸菌中LMR操纵子的表达。lMRR的特征是独特的构象thimational质量和结构可塑性25,26，在其大型恐惧孔中引起了宽阔的配体滥交。然后将这些基本酶定向进化，从而导致专业酶显着增加活性和（对映）的选择性。引入各种人工催化部分，金属复合物，27个非典型氨基酸（NCAA），28甚至两者均为29个具有多种新型催化性活性的endow LMRR。但是，迄今为止，迄今为止，定向进化仅集中在孔内的残基上，以优化新创建的活性位点的结构。在这里，我们展示了如何通过利用LMRR的构象动力学来进一步增加这些设计师酶之一的活性。