XiaoMi-AI文件搜索系统
World File Search System模拟的
扩散光学中蒙特卡洛模拟的缩放关系的应用限制。第1部分：理论
摘要：Monte Carlo（MC）是研究散射媒体中光子迁移的强大工具，但很耗时以解决反问题。为了加快MC模拟的速度，可以将缩放关系应用于现有的初始MC模拟，以生成具有不同光学属性的新数据集。我们命名了这种方法基于轨迹，因为它使用了初始MC模拟的检测到的光子轨迹的知识，这与基于较慢的光子方法相反，在这种方法中，新型MC模拟具有新的光学特性。我们研究了缩放关系的收敛性和适用性限制，这两者都与所考虑的轨迹样本也代表了新的光学特性有关。为了吸收吸收，缩放关系包含平滑收敛的兰伯特啤酒因子，而对于散射，它是两个快速分化因子的乘积，其比例很容易达到十个数量级。我们通过研究给定长度的轨迹中的散射事件数量来研究这种不稳定。我们根据记录的轨迹中的最小最大散射事件进行了散射缩放关系的收敛测试。我们还研究了MC模拟对光学性质的依赖性，这在反问题中最关键，发现散射衍生物归因于小泊松分布的散射事件分布的小偏差。本文也可以用作教程，有助于理解比例关系的物理学与其局限性的原因，并制定了应对它们的新策略。
BEHAVIOR-1K：具有 1,000 个日常活动和现实模拟的具身 AI 基准
摘要：我们提出了 BEHAVIOR-1K，一个以人为本的机器人综合模拟基准。BEHAVIOR-1K 包括两个部分，分别由“您希望机器人为您做什么？”这一广泛调查的结果指导和推动。第一个部分是定义 1,000 种日常活动，基于 50 个场景（房屋、花园、餐厅、办公室等），其中有 5,000 多个对象，并标注了丰富的物理和语义属性。第二个部分是 O MNI G IBSON，这是一个新颖的模拟环境，它通过逼真的物理模拟和刚体、可变形体和液体的渲染来支持这些活动。我们的实验表明，BEHAVIOR-1K 中的活动是长期的并且依赖于复杂的操作技能，这两者对于最先进的机器人学习解决方案来说仍然是一个挑战。为了校准 BEHAVIOR-1K 的模拟与现实之间的差距，我们提供了一项初步研究，研究如何在模拟公寓中使用移动机械手学到的解决方案转移到现实世界中。我们希望 BEHAVIOR-1K 的人性化本质、多样性和现实性能够使其对具身化 AI 和机器人学习研究有价值。项目网站：https://behavior.stanford.edu。
量子计算在推进血浆物理模拟的融合能和高能量
适应性免疫通过调节抗原特异性反应，炎症信号传导和抗体产生，在动脉粥样硬化的发病机理中起着重要作用。但是，随着年龄的增长，我们的免疫系统经历了逐渐的功能下降，这种现象称为“免疫衰老”。这种下降的特征是增生性幼稚的B和T细胞的减少，B和T细胞受体库库减少，以及相关的分泌性分泌性疾病。此外，衰老会影响生发中心的反应，并恶化次级淋巴器官功能和结构，从而导致T-B细胞动力学受损并增加自身抗体的产生。在这篇综述中，我们将剖析衰老对适应性免疫的影响以及与年龄相关的B-和T细胞在动脉粥样硬化发病机理中所起的作用，强调需要针对与年龄相关的免疫功能障碍的干预措施，以减少心血管疾病风险。
情绪模拟的记忆：记住玫瑰色的未来
Terms of use This article was downloaded from Harvard University's DASH repository, and is made available under the terms and conditions applicable to Open Access Policy Articles (OAP), as set forth at https://harvardwiki.atlassian.net/wiki/external/NGY5NDE4ZjgzNTc5NDQzMGIzZWZhMGFlOWI2M2EwYTg
用于量子计算和模拟的可扩展微潘宁阱阵列
我们建议使用二维 Penning 阱阵列作为量子模拟和量子计算的可扩展平台，以捕获原子离子。这种方法涉及将定义静态电四极子位置的微结构电极阵列放置在磁场中，每个位置捕获单个离子并通过库仑相互作用与相邻离子耦合。我们求解此类阵列中离子运动的正常模式，并推导出即使在存在陷阱缺陷的情况下也能实现稳定运动的广义多离子不变定理。我们使用这些技术来研究在固定离子晶格中进行量子模拟和量子计算的可行性。在均匀阵列中，我们表明可以实现足够密集的阵列，轴向、磁控管和回旋加速器运动表现出离子间偶极耦合，其速率明显高于预期的退相干。通过添加激光场，这些可以实现可调范围的相互作用自旋汉密尔顿量。我们还展示了局部电位控制如何隔离固定阵列中的少量离子，并可用于实现高保真门。使用静态捕获场意味着我们的方法不受系统尺寸增加时的功率要求限制，从而消除了标准射频陷阱中存在的重大缩放挑战。因此，这里提供的架构和方法似乎为捕获离子量子计算开辟了一条道路，以实现容错规模的设备。
评估远红外波长辐射模拟的缩放方法的准确性
Michele Martinazzo，Davide Magurno，William Cossich，Carmine Serio，Guido Masiello，Tiziano Maestri，评估远红外和中红外波长的缩放方法的准确性，定量光谱和辐射转移杂志，杂志
增强锂离子电池分子动力学模拟的REAXFF：一种交互式重新聚集协议
锂离子电池（LIB）已成为绿色经济过渡的重要技术，因为它们被广泛用于便携式电子，电动汽车和可再生能源系统中。固体电解质中相（SEI）是LIB的正确操作，性能和安全性的关键组成部分。SEI源于阳极 - 电解质界面的最初热量稳定性，所得的电解质还原产物通过形成电化学缓冲窗口稳定界面。本文旨在使第一个（但很重要）步骤，以增强广泛使用的反应力场（RAEXFF）的参数化，以确保对LIBS中SEI成分的精确分子动力学（MD）模拟。为此，我们专注于氟化锂（LIF），这是一种非常感兴趣的无机盐，这是由于其在钝化层中的有益特性。该协议在很大程度上依赖于各种python库，该库旨在与原子模拟一起使用，允许对所有重新聚体步骤进行强有力的自动化。所提出的配置集和所得数据集，允许新的Reaxff恢复无机盐的固体性质，并改善MD模拟中的质量传输属性预测。优化的REAXFF通过准确调节固体晶格中锂的扩散性，从而超过了先前可用的力场，从而在室温下预测的两阶提高了两阶数字。然而，我们对模拟的全面研究表明，Reaxff对训练集的敏感性很强，从而使其能够插入势能表面具有挑战性。因此，可以通过利用提出的互动重新聚体化协议来构建数据集，从而有效地利用RAEXFF的当前表述来建模特定且定义明确的现象。总体而言，这项工作代表了精确的反应性MD模拟迈克斯的重要第一步，阐明了Reaxff力场参数化的挑战和局限性。所证明的局限性强调了通过我们的交互式重新聚集协议开发更通用和先进的力场来提高仿真的潜力，从而实现了将来更准确，更全面的MD模拟。
在模拟的环境辐射和微生物孵育条件下研究单个羧酸盐富含甲基甲基分子的稳定性
了解环境溶解的有机物（DOM）依赖于能够导航其固有复杂性的方法的发展。尽管分析技术一直在不断提高，从而改善了散装和分级DOM的见解，但单个化合物类别的命运几乎不可能通过当前技术跟踪。以前，我们报道了羧酸盐富含甲基分子（CRAM）化合物的合成，该化合物与以前可用的标准相比，与DOM共享更相似的分析特征。在这里，我们采用我们的合成式烤箱化合物并将它们与选择的一组策划的一组购买的分子以及选择的生物学或化学相关性的附加策划的一组购买的分子一起，采用我们的合成的CRAM化合物，将常规使用DOM用作批量材料。辐照实验通常表明，在饱和碳主链上仅携带羧酸和/或酒精的化合物对光化学降解具有最具耐药性，但在DOM的存在下，某些具有CRAM样式和化学功能的化合物也更稳定。在微生物孵化中，在各种水生环境中8个月后，我们的所有合成cram均完全稳定。这些实验集为环境中提议的CRAM的稳定性提供了支持，并提供了一个平台，可以使用该平台，可以使用多种多样的分子来帮助探测DOM的稳定性。
基于机器学习的混合双胞胎增强了磁轴承实时模拟的减少订单模型
磁轴承的模拟涉及高度非线性物理，对输入变化高度依赖。此外，在使用经典计算方法时，在现实的计算时间内，这种模拟是耗时而无法运行的。另一方面，经典模型还原技术无法在允许的计算窗口内实现所需的精度。为了解决这种复杂性，这项工作提出了基于物理的计算方法，模型还原技术和机器学习算法的组合，以满足要求。用于表示磁性轴承的物理模型是经典的Cauer梯子网络方法，而模型还原技术是在物理模型解决方案的误差上应用的。后来，在潜在空间中，机器学习算法用于预测潜在空间中校正的演变。结果显示了解决方案的改进，而不会稀释计算时间。该解决方案是几乎实时计算的（几毫秒），并将其与有限的元素参考解决方案进行了比较。关键字：光谱法，减少基础，机器学习，磁性轴承，磁悬浮，长期术语记忆
海面上拉格朗日漂移模拟的深度学习
引言在海面上的Lagrangian轨迹模拟对于各种应用领域非常重要，包括监测塑料和碎屑运动[Maximenko等，2012]，研究Algae和Plankton Dynamics [Son等，2015]，或轨迹预测对搜索和救援作业的搜查至关重要[Breivik et al。此外，对拉格朗日漂移的研究允许评估海洋数值模型准确地代表小规模动力学的能力[Barron等，2007； Botvynko等，2023]。尽管如此，在海面上产生逼真的轨迹，在操作海洋学领域中提出了一个显着的科学挑战[Rérs等，2021]。基于模型的拉格朗日轨迹数值模拟的方法依赖于使用海面速度场的分步对流程序[Lange and van Sebille，2017a]。然而，基础速度场中的微小差异或缺乏精细空间分辨率的速度场的使用可能导致Lagrangian轨迹建模不正确，从而使这些方法不切实际地用于操作应用。基于数据驱动的学习方法，例如卷积神经网络（CNN），复发性神经网络（RNN），长期记忆（LSTM）网络以及生成性模型，例如变异自动编码器（VAE）（VAES）或诸如捕获的捕获范围内的既定能力（GANS），表现出巨大的能力，表现出促成的Spat-temers Incorport [spat-tempor pender] [等，2020，Jiang等，2019，Jenkins等，2023，Julka等，2021，Dan，2020年]。然而，只有限制数量的先前研究应用于单个拉格朗日轨迹的条件模拟[Quinting and Grams，2022]。由于上述局限性，本研究的目的是提出一个原始的深度学习框架，称为漂移网，用于对海面上各个轨迹的有条件模拟。所提出的模型可以用任何包含有关海洋动力学信息的地球物理场吞噬，并在海面上产生漂移物体的轨迹。Driftnet是完全卷积的，包括对靶向轨迹的空间解释的潜在编码，这是受到漂移的Eulerian Fokker-Planck形式的启发[Botvynko等，2023年]。在此表示形式中，该轨迹是通过从条件输入字段中提取的非本地特征提取的，这意味着模拟轨迹的动力学是通过考虑周围区域的整个动力学来建模的。