XiaoMi-AI文件搜索系统
World File Search System数十场
高体积撤离如何改变流场和1
©2021。此手稿版本可在CC-BY-NC-ND 4.0许可证https://creativecommons.org/licenses/by-nc-nc-nd/4.0/下提供。
行星灰尘和辐射环境集中的场
Scientific PI of two scientific payloads: Dust Analyzer for Chinese asteroid mission (2021-2025) & Solar X-ray Detector for “Aoke-1” Satellite (2020-2022) Macau Natural Science Award 2016 (First Prize) & 2022 (Second Prize) FDCT – 2022-2025 – PI – Study on electrostatic migration mechanism of dust in space environment FDCT – 2019-2022 – PI - Chang'e-4 Lunar勘探数据NSFC-FDCT的科学分析 - 2017-2020 - PI - 关于某些主要核反应的理论研究及其在火星辐射环境研究中的应用FDCT - 2014- 2017年 - PI - PI - PI- PI - 有关Lunar Dust
信息场与物理噪声发生器纠缠
在使用基于电子或光子量子事件的物理噪声发生器进行实验时，人们反复观察到与随机分布的显著偏差。为了解释这些影响，有人提出了意识和思维之间基于意图的相互作用以及物理随机过程，这种相互作用要么是由个体思维引起的，要么由假定的全球思维引起。由于这些解释涉及“思维”和“意识”等物理上未定义的对象，因此本文给出了一个基于信息场概念的解释模型，该模型基于广义量子纠缠的概念，包括物理噪声过程与信息场的纠缠以及与量子隐形传态的类比。此外，在一项有 100 名参与者的随机对照研究中检验了使用这种物理噪声发生器捕捉个体定性特征的非随机假设。
共振隧穿增强场的理论分析
图 3. 场发射电流密度（根据公式 (10) 计算）在不同条件下量子阱宽度 d 的函数：(a) 直流场 F ，其中 L = 0.1 nm，H = 6 eV；(b) 阱深度 H ，其中 L = 0.1 nm，F = 4 V/nm；和 (c) 到表面的距离 L ，其中 H = 6 eV，F = 4 V/nm。在 J - d 图中，共振峰出现在不同的 (d) F 、(e) H 和 (f) L 处的量子阱宽度，分别对应于 (a) – (c) 中的情况。向上的三角形是从图 3(a)-3(c) 中提取的。圆圈是使用公式 (11) 计算的。公式 (10) 中的温度取自 T = 300 K。
双机编队飞行远场尾流涡演变...
大涡模拟 (LES) 已用于研究飞机编队后方 10 分钟内的远场四涡尾流涡旋演变情况。在编队飞行场景中，尾流涡旋行为比传统的单架飞机情况复杂、混乱且多样，并且非常敏感地取决于编队几何形状，即两架飞机的横向和垂直偏移。尽管在各种编队飞行场景中尾流涡旋行为的个案变化很大，但涡旋消散后的最终羽流尺寸通常与单架飞机场景有很大不同。羽流深约 170 至 250 米，宽约 400 至 680 米，而一架 A350/B777 飞机将产生 480 米深和 330 米宽的羽流。因此，编队飞行羽流没有那么深，但它们更宽，因为涡流不仅垂直传播，而且沿翼展方向传播。两种不同的 LES 模型已被独立使用，并显示出一致的结果，表明研究结果的稳健性。值得注意的是，二氧化碳排放只是航空气候影响的一个因素，还有其他几个因素，如凝结尾迹、水蒸气和氮氧化物的排放，这些都会受到编队飞行的影响。因此，我们还强调了年轻编队飞行凝结尾迹与经典凝结尾迹在冰微物理和几何特性方面的差异
TGD关于水记忆和形态发生场的概念
除了一般问题（可能被视为哲学上的一般问题）外，物理主义世界观的异常是灵感的来源。几个知之甚少的现象在“类似po的”过程中发挥了核心作用，导致基于TGD的量子生物学观点的发展。仅提及Elf Emfields对脊椎动物大脑，生物摄影，水记忆，Pollack ectect和comorosan效果的影响。Fantappie的综合概念也挑战了以下信念，即在生命系统中，时间并不总是相同的信念，也令人鼓舞。在本文中，我将讨论基于TGD的愿景和上述现象，这些现象经常被遗忘。i还将将基于TGD的观点与DNA产生的形态发生场的解释进行比较，并意识到在Savelev等人的文章中讨论的遗传代码，并将其与基于TGD的基于TGD的基于TGD模型的遗传代码模型进行了比较。这些文章中描述的发现以及有关水记忆的Yolene Thomas文章中还为基于TGD的视图提供了新的测试。一如既往，这种过程导致了一些新的想法和见解。
使用生成人工智能模拟地震波场
模拟现实的地震波场对于一系列地震任务至关重要，包括采集设计，成像和反转。传统的数值地震波模拟器对于大型3D模型在计算上昂贵，并且模拟和观察到的波形之间的差异来自波方程选择和输入物理参数，例如地下弹性模型和源参数。为了应对这些挑战，我们采用了数据驱动的人工智能方法，并提出了一个有条件的生成建模（CGM）框架，以进行地震波模拟。新颖的CGM框架工作从观察到的数据中学习复杂的3D波物理学和地下杂音，而无需依赖明确的物理约束。因此，经过训练的基于CGM的模型充当随机波传播操作员，该操作员用局部地下模型和由训练数据集定义的局部矩张量解决方案编码。给定这些模型，我们可以使用源和接收器的几何形状和源参数作为输入条件变量，以模拟观察区域内任意采集设置的多组件地震数据。在这项研究中，我们在CGM框架内开发了四个模型 - CGM-GM-1D/3D，CGM-WAVE和CGM-FAS，并使用两个地震数据集证明了它们的性能：从San Francisco湾区，具有高地震风险的高密度的高密度的高密度的自然地震波形的少量低密度数据集，并具有高密度的数据，并具有高密度的数据，这些密度是高密度的，这些密度是众所周知的，并构成了高密度的信息，这些密度是高密度的，这些密度是高密度的，这些密度是高密度的，这些杂志的范围是高密度的，并构成了良好的杂货。 场地。CGM框架重现了真实观测值的波形，光谱和运动学特征，证明了为任意源位置，接收器位置和源参数生成波形的能力。我们应对关键挑战，包括数据密度，采集几何形状，缩放和发电变异性，并概述了未来的方向，以促进地震应用及其他地区的CGM框架。
晶格场理论的量子计算审查
在这些程序中，我们回顾了将量子计算应用于晶格场理论的最新进展。量子计算提供了在很大程度上无法与常规蒙特卡洛方法无法访问的参数制度中模拟晶格场理论的前景，例如，有限的巴里元密度，拓扑术语和异常动力学的符号问题遭受了符号问题。已经完成了（1+1）尺寸的晶格量表理论的第一个概念验证量子计算，并且已经开发了（1+1）和（2+1）维度的第一个资源有效量子算法。（包括晶格QCD）（包括晶格QCD）的（3+1） - 维晶格计算的量子计算的路径需要许多增量步骤来改善量子硬件和量子算法。审查了这些要求和最新进展后，我们讨论了主要的挑战和未来方向。
叠加与纠缠对混合量子场的影响...
近来，量子计算的算法和生成的量子计算机技术不断发展。另一方面，机器学习已成为解决计算机视觉、自然语言处理、预测和分类等许多问题的重要方法。量子机器学习是一个结合这两种主要方法的优点而发展起来的新领域。作为量子和经典计算的混合方法，变分量子电路是一种机器学习的形式，它可以根据输入变量预测输出值。在本研究中，当数据集较小时，使用变分量子电路模型研究了叠加和纠缠对天气预报的影响。在变分层之间使用纠缠层对电路性能进行了显着的改善。在数据编码层之前使用叠加层可以减少变分层的使用。
用于偏差场的深度卷积神经网络...
摘要 偏置场作为一种低频平滑信号，对磁共振（MRI）图像具有一定的破坏作用，是医生诊断和图像处理（如分割、纹理分析、配准等）的主要障碍。在分析受损的MRI图像之前，需要一个预处理步骤来校正图像中的偏置场。与传统基于信号模型和先验假设的偏置场去除算法不同，深度学习方法不需要对信号和偏置场进行精确建模，也不需要调整参数。经过深度神经网络训练大训练集后，输入带有偏置场的MRI图像，输出校正后的MRI图像。本文提出以log-Gabor滤波器组获得的多个频带上的偏置场局部特征图像和原始图像作为输入，通过深度可分离卷积神经网络对脑MRI图像的偏置场进行校正，并使用残差学习和批量归一化来加速训练过程并提高偏置场校正性能。我们的训练模型在 BrainWeb 模拟数据库和 HCP 真实数据集上进行了测试，定性分析的结果表明我们的训练模型取得了比传统最先进的 N4 和 NIMS（非迭代多尺度）方法更好的性能。关键词：磁共振成像；强度不均匀性校正；偏置场；Log-Gabor 滤波器；深度学习