XiaoMi-AI文件搜索系统
World File Search System模型结构
探索疟疾寄生虫表面蛋白以设计高度免疫原性的多雌性亚基疫苗用于恶性疟原虫
背景：在热带和亚热带国家的人们中，疟疾仍然是数十年来的主要健康问题。恶性疟原虫是引起严重疟疾并应对主要死亡率的关键物种之一。此外，该寄生虫对所有推荐药物和疗法的人产生了抵抗力。因此，迫切需要采用可靠疫苗的形式采取预防措施，以实现疟疾自由世界的目标。表面蛋白是亚基疫苗开发的可取选择，因为它们是由宿主免疫细胞迅速检测和参与的。此外，丰富的表面或膜蛋白可能会导致疫苗诱导的抗体对病原体的调整。结果：在我们的研究中，我们列出了文献中所有这些表面蛋白，这些蛋白可能在功能上很重要且对于疟原虫的感染和免疫逃避至关重要。八个质子表面和膜蛋白来自前肌细胞和红细胞阶段。使用免疫信息工具预测了这些蛋白质的三十七个七个表层（B-细胞，CTL和HTL表位），并与合适的肽接头一起设计疫苗构建体。tlr -4激动剂肽佐剂，然后是Padre序列和EAAAK接头。TLR -4受体与构造的预期模型结构对接。在模拟的生理环境下，发现疫苗和TLR -4的复合物，最低的能量-1514。结论：这项研究提供了一种新型的多源构建体，可以进一步利用，以开发疟疾的有效疫苗。
接受的手稿 - addi
摘要 - 基于机器学习的嵌入式系统，这些系统在安全 - 关键应用中（例如航空航天和自主驾驶）中所需的系统需要强大，以防止软错误产生的扰动。软误差是现代数字处理器越来越多的关注点，因为较小的晶体管几何形状和较低的电压使电子设备对背景辐射具有更高的敏感性。深神经网络（DNN）模型对参数扰动的弹性在很大程度上是通过模型本身的结构以及所选的数值表示并使用算术精确的。应用诸如模型修剪和模型量化之类的压缩技术来减少内存足迹和部署的计算复杂性时，模型结构和数值表示都会修改，因此，软误差稳健性也会改变。从这个意义上说，尽管DNN模型中的激活功能（AFS）的选择经常被忽略，但它不仅可以预测它们的准确性和训练性，还可以应对可压缩率和数值鲁棒性。本文涉及使用有限的AFS来提高模型鲁棒性对DNN参数扰动的适用性，同时评估了此选择对模型准确性，可压缩性和计算负担的影响。尤其是我们分析了旨在在高光谱图像上执行语义分割任务的编码器完全卷积模型，以在自主驾驶中进行场景理解。部署表征是在AMD-Xilinx的KV260 SOM上进行实验的。索引项 - 稳定性，激活功能，模型组合，边缘计算，语义分割
WRF-PDAF V1.0：在线局部整体数据同化框架
摘要。数据同化是一种常见技术，可在数值模型中估算状态及其相关的不确定性。基于合奏的方法是一种可预见的选择，尽管由于所需的集成集成，因此可以在计算上是计算费用。在这项研究中，我们通过以完全在线模式将其与平行数据同化框架（PDAF）耦合，从而增强了天气研究和预测研究WRF（WRF-ARW）模型的能力。通过最小的Modifations到WRF-ARW模型代码，我们开发了一个有效的数据同化系统。该系统利用模型和数据同化过程之间的并行数据传输，从而大大减少了对I/O的需求，并在同化过程中重新启动了模型。我们在本研究中详细介绍了必要的程序修改。由此产生的同化系统的一个优点是数据同化方法与PDAF模型结构产生的模型应用之间的关注点明确。为了评估同化系统，我们进行了一个双实验，模拟了理想化的热带气旋。循环数据同化实验的重点是温度漏洞的影响。同化不仅可以提高温度场的准确性，而且还证明了初始的U和V型场。与没有数据同化的模型相比，在运行时的同化过程仅在运行时最少，并且表现出卓越的并行性能。因此，在线WRF-PDAF系统是实施高分辨率中尺度预测和重新分析的有效框架。
引用出版版本的引文：吴，x，jiang，s，li，g，liu，s，metcalfe，b，chen，l＆zhang，d 2023，''卷卷卷神经网络的深度学习
摘要 - 目的：基于卷积神经网络（CNN）的深度学习已使用头皮脑电图（EEG）在脑部计算机界面（BCIS）方面取得了成功。然而，对所谓的“黑匣子”方法的解释及其在立体情节摄影（SEEG）基于BCIS（SEEG）的BCIS中的应用仍然在很大程度上未知。因此，在本文中，对SEEG信号深度学习方法的解码性能进行了评估。方法：招募了三十例癫痫患者，并设计了包括五种手和前臂运动类型的范式。六种方法，包括过滤库公共空间模式（FBCSP）和五种深度学习方法（EEGNET，浅层和深CNN，Resnet，Resnet和一个名为STSCNN的深CNN变体），用于对SEEG数据进行分类。进行了各种实验，以研究Resnet和STSCNN的窗口，模型结构以及解码过程的影响。结果：EEGNET，FBCSP，浅CNN，DEEP CNN，STSCNN和RESNET的平均分类精度分别为35±6.1％，38±4.9％，60±3.9％，60±3.3％，61±3.2％和63±3.1％。对所提出方法的进一步分析表明，在光谱域中不同类别之间的可分离性明显。结论：重新连接和STSCNN分别达到了第一高的解码精度。STSCNN证明了额外的空间卷积层是有益的，并且可以从空间和光谱的角度部分解释解码过程。意义：这项研究是第一个研究Seeg信号深度学习的表现的研究。此外，本文证明了所谓的“黑盒”方法可以部分解释。
关于IC EMC可靠性的最新评论-Univ-Angers
d'Angers，Laris，SFR Mathstic，F-49000 Angers，法国。电子邮件：mihaela.barreau@univ-angers.fr集成电路（IC）的电磁兼容性（EMC）应在可取的水平范围内，以维持在不同复杂的自动动力和航空应用中电子系统的功能安全性和可靠性。在IC的整个操作寿命中，严峻的环境条件在内，包括极高或低温，湿度，冲击和压力倾向于引起内在的物理降解，这会导致IC设备的长寿EMC性能的显着变化。因此，确保保持电磁鲁棒性（EMR）并在整个生命周期内整合IC可靠性是需要解决的关键挑战。本文的目的是进行一项全面的最先进研究，以开发基于各种衰老加速生命测试的各种IC EMC测量方法的定量评估IC的准确免疫力和发射模型。产生准确的瞬态EMC模型不仅有助于估计IC的EMC免疫和发射水平，而且还可以确定当应用于IC模型结构时，由于射频干扰而导致的不同故障类型和机制。本文介绍了一些有关基于IEC标准模型的ICS进行的有关脉冲免疫力以及ICS的发射模型的一些研究，展示了对衰老影响的不同IC销的电气快速瞬变（EFT）模拟和测量结果。先前的研究表明，根据衰老应力参数，衰老对IC的EMC性能的重要性。当前研究的未来观点将涉及在加速生命测试中为IC在其整个生命周期内提出和实施预测可靠性模型。关键字：EMC，电磁鲁棒性，可靠性，集成电路，进行免疫和发射模型，EFT。
一个紧凑而可解释的卷积神经网络，用于从单个通道EEG
摘要 - 驾驶员嗜睡是导致运输行业道路死亡和危害的主要因素之一。脑电图（EEG）被认为是检测驾驶员昏昏欲睡状态的最佳生理信号之一，因为它直接测量了大脑中的神经生理活性。但是，设计一个无校准的系统，用于用脑电图设计驾驶员的嗜睡检测仍然是一项艰巨的任务，因为脑电图遭受了不同受试者的严重精神和身体漂移。在本文中，我们提出了一个紧凑且可解释的卷积神经网络（CNN），以发现不同受试者跨主题的共享脑电图特征，以进行驾驶员嗜睡检测。我们将全局平均池（GAP）层纳入模型结构中，从而允许类激活图（CAM）方法用于定位对分类最大的输入信号的区域化区域。结果表明，对于2级跨受试者EEG信号分类，提出的模型可以实现11名受试者的平均准确性，高于常规机器学习方法和其他最先进的深度学习方法。通过可视化技术揭示了该模型在生物学上可以解释的特征，例如α纺锤体和theta爆发，作为昏昏欲睡状态的证据。也很有趣的是，该模型使用通常主导着觉醒的脑电图，例如肌肉伪影和传感器漂移来识别警报状态。代码可从：https：//github.com/cuijiancorbin/a-compact-and-interpretable-convolutional-neural-network- for single-channel-eeg提出的模型说明了使用CNN模型作为一个强大工具的潜在方向，以发现与EEG信号不同受试者的不同心理状态相关的共享特征。
automatica koopman形式的非线性系统带有输入
Koopman框架通过通常无限的全球线性嵌入来提出有限维非线性系统的线性表示。最初，Koopman形式主义是为自主系统得出的。在具有输入的系统应用程序中，通常假定了Koopman模型的线性时间不变（LTI）形式，因为它有助于使用控制技术，例如线性二次调节和模型预测控制。但是，可以很容易地表明，此假设不足以捕获基础非线性系统的动力学。对具有线性或控制仿射输入的启动的连续时间系统的适当理论扩展才开始制定，但是尚未开发到离散时间系统和一般连续时间系统的扩展。在本文中，我们在连续和离散的时间内系统地调查并分析了在输入中提出的表格。我们证明，所产生的提升表示形式在状态转换是线性的情况下给出了库普曼模型，但是输入矩阵依赖于状态依赖性（在离散时间中的状态和输入依赖于状态和输入依赖性），从而产生了特殊结构的线性参数 - 变化（LPV）的描述。我们还提供了有关输入矩阵的依赖性对产生表示形式的贡献以及系统行为的依赖程度的误差界限。©2024作者。由Elsevier Ltd.引入的理论洞察力极大地有助于使用Koopman模型在系统识别中执行适当的模型结构选择，并为通过Koopman方法控制非线性系统的LTI或LPV技术做出适当的选择。这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
使用CMIP6型号捕获和归因于西非萨赫勒的降雨量加强
摘要：Sahel的降雨每天对多年时间尺度的变化极为变化，挑战气候模型，以现实地模拟其过去和未来的演变，并质疑其与定义合适的气候变化适应策略的相关性。可以通过（i）评估其再现观察到的气候进化和（ii）归因这些演变的能力来实现气候模型中的提高信心。此外，从最终用户的角度来看，有必要考虑相关的插曲指标。完全耦合（CMIP6-AOGCM）具有理想化的检测和归因强制（DAMIP）以及仅大气模拟（AMIP）的模型，用于研究Sahelian降雨降雨法规的外部强迫因素和内部气候变化的各自作用。我们表明，CMIP6模型包含了过去35年来从区域每日观察网络中检测到的降雨状况的迹象。潮湿日的强度和发生的增加以及每日降雨的降雨都非常有效地通过融合了人为强迫因子的历史模拟，具有人为气溶胶，造成了这一趋势的最大份额。虽然受模型结构不确定性的影响更大，但温室气体强迫也表现出明显的健壮功能。模型显示出模拟观察到的干燥极端进化的失败。这些发现激励了进一步研究驱动萨赫勒降雨状态在区域范围内进化的基本物理机制。此外，应探讨萨赫勒（Sahel）的未来水电气候术语，尽管需要考虑要考虑哪种降雨指标。
基于脑电图的深度运动图像分类的可概括和歧视性学习方法
卷积神经网络（CNN）已广泛应用于运动图像（MI）分类范围，从分类精度方面显着提高了最新的（SOA）性能。尽管彻底探索了创新的模型结构，但对目标函数的关注很少。在MI区域中的大多数可用CNN中，标准的横向损失通常作为目标函数执行，这仅确保深度特征可分离性。与当前目标函数的限制相对应，提出了一种新的损失函数，该损失函数与平滑的跨熵（标签平滑）和中心损失的组合被提议作为MI识别任务中模型的监督信号。特别是，通过预测标签和通过均匀分布的噪声正规化的一式硬硬标签之间的熵来计算平滑的横膜。中心损失将学习每个班级的深度特征中心，并最大程度地减少深度特征及其相应中心之间的距离。拟议的损失试图在两个学习目标中优化该模型，以防止过度确定预测并增加深度特征的判别能力（类间的可分离性和内部不变性），从而确保MI识别模型的有效性。我们对两个众所周知的基准（BCI竞争IV-2A和IV-2B）进行了广泛的实验，以评估我们的方法。结果表明，所提出的方法比两个数据集上的其他SOA模型都能达到更好的性能。提出的学习方案为MI分类任务中的CNN模型提供了更强大的优化，同时降低了过度拟合的风险，并增加了深入学习特征的歧视性。
全球自动化人形机器人 AI 加速器
2023 年机器人 LLM 的发展最让我们感到意外，例如 PalM-E 和 RT-2 的推出，以及特斯拉开发人形机器人的端到端 AI 方法。当今所有机器人 LLM 的基石都是谷歌的 Transformer 模型，该模型自 2017 年开始开发，引入了一种基于自注意力机制的新型神经网络架构。基于 Transformer 模型结构，谷歌继续开发了三类模型：1）PaLM（Pathways Language Model），专注于文本内容分析和生成；2）ViT（Vision Transformer）和 PaLI（Pathways Language and Image Model），结合文本和图像的分析、转换和推理；3）RT（Robot Transformer），使用标记化的输入和输出连接输入命令和机器人输出控制。三种模型通过技术路径演化为PaLM-E、PaLI-X和RT-1，而谷歌通过PaLM-E & PaLI-X进行数据训练、RT-1进行微调，在2023年7月推出了RT-2。RT-2借助PaLM-E和PaLI-X的多模态分析能力，能够处理自然语言指令、通过视觉分析任务场景；借助RT-1的运动数据库和标记化数据处理技术，能够控制机器人执行任务。RT-2的端到端AI能力基于机器人运动数据库，谷歌花了1.5年时间收集数据，因此RT模型的研发周期比其他两种模型更长。RT-2 发布后，国内部分机器人企业也纷纷推出自己的机器人 LLM，而我们认为，目前大部分国内人形机器人厂商的 AI 能力都是基于开源机器人 LLM（大型语言模型）开发的，比如 OpenAI、Meta 和 Google Deepmind 等。