XiaoMi-AI文件搜索系统
World File Search System物理参数
从视觉识别地形物理参数
摘要 - 识别周围环境的物理特性对于机器人的运动和导航对于处理非几何危害（例如湿滑和可变形地形）至关重要。机器人在接触之前预测这些极端的物理特性将是很大的好处。但是，从视力中估算环境物理参数仍然是一个开放的挑战。动物可以利用他们先前的经验以及对自己所看到的东西和感受的了解来实现这一目标。在这项工作中，我们为基于视觉的环境参数估计提出了一个跨模式的自我监督学习框架，这为未来的物理范围内的运动和导航铺平了道路。我们弥合了在模拟中训练和识别视力的物理地形参数的现有政策之间的差距。我们建议在模拟中训练物理解码器，以预测多模式输入的摩擦和刚度。训练有素的网络允许以自我监督的方式将现实世界图像标记，以在部署过程中进一步训练视觉网络，这可以密集地预测图像数据的摩擦和僵硬。我们使用四倍的Anymal机器人在模拟和现实世界中验证物理解码器，表现优于现有基线方法。我们表明，我们的视觉网络可以预测室内和室外实验中的物理特性，同时允许快速适应新环境。- 项目页面https://bit.ly/3xo5aa8 -
从视觉识别地形物理参数
摘要 - 识别周围环境的物理特性对于机器人的运动和导航对于处理非几何危害（例如湿滑和可变形地形）至关重要。机器人在接触之前预测这些极端的物理特性将是很大的好处。但是，从视力中估算环境物理参数仍然是一个开放的挑战。动物可以利用他们先前的经验以及对自己所看到的东西和感受的了解来实现这一目标。在这项工作中，我们为基于视觉的环境参数估计提出了一个跨模式的自我监督学习框架，这为未来的物理范围内的运动和导航铺平了道路。我们弥合了在模拟中训练和识别视力的物理地形参数的现有政策之间的差距。我们建议在模拟中训练物理解码器，以预测多模式输入的摩擦和刚度。训练有素的网络允许以自我监督的方式将现实世界图像标记，以在部署过程中进一步训练视觉网络，这可以密集地预测图像数据的摩擦和僵硬。我们使用四倍的Anymal机器人在模拟和现实世界中验证物理解码器，表现优于现有基线方法。我们表明，我们的视觉网络可以预测室内和室外实验中的物理特性，同时允许快速适应新环境。- 项目页面https://bit.ly/3xo5aa8 -
MOSFET物理参数对阈值电压Milaim Zabeli，Nebi Caka，Myzafere Limani，Qamil Kabashi Electrical An
摘要：本文的目的是研究表征MOSFET晶体管结构对阈值电压值的物理参数的影响。还可以分析底物（身体效应）对阈值电压的作用。MOSFET阈值电压值将在设备的动态和静态工作状态（模式）中产生影响。基于获得的结果，我们可以进一步看到每个物理参数对阈值电压总值的影响。我们可以看到这些参数中的哪个将对阈值电压产生重大且小的影响。因此，考虑到我们可以调整MOSFET物理参数的值以达到所接受的阈值电压。关键词：MOSFET参数，阈值电压，身体效应，增强型NMO，掺杂密度，短通道，窄通道。1简介特征MOSFET晶体管的重要值是阈值电压的值。根据MOSFET类型，阈值电压的值可能为正值和负值。在MOSFET晶体管的制造过程中，可以控制此值。N通道增强型MOSFET（或NMO）的物理结构如图1所示。由于增强型NMO比其他类型的MOSFET晶体管具有优势，因此在遵循时，我们将分析此。MOSFET晶体管的末端用S（源），D（drain），G（Gate）和B（身体）表示。创建（诱导）导电通道（导致表面反转）所需的栅极到源电压V GS的值称为阈值电压，并用V t或V t表示[1、2、3、4]。阈值电压的值取决于某些特征MOSFET结构的物理参数，例如：栅极材料，氧化物层T ox的厚度，T OX的厚度，底物掺杂浓度（密度）N A，氧化物 - 接口固定电荷浓度（密度）N OX，N OX，n ox，n ox，通道长度l，通道宽和偏置Voltage V sb v sb [2，5]。
识别人类和人类物理参数Jovana Jovic，Eiichi Yoshida（日本AIST），Gentiane Venture（日本TUAT）
对类人动作和人类运动的动力学和运动学分析需要对段质量参数（质量，质量中心和惯性基质）进行准确估算，并且它们的误解可能会导致估计的关节运动学的显着差异。在机器人技术领域中，已经开发了几种方法，用于基于双足体系统动态方程的线性特性，以相对于一组质量参数。本演讲将重点介绍有关该主题最新研究的方法。将给出人类和类人形机器人质量参数估计的示例。确定的质量参数改善了人类动态分析的输出和人形模拟和基于模型的控制。
纹章：物理参数和生物学因素会影响放射疗法与免疫疗法相结合的脱节效应：临床前工作的更新
在发表的文章中，有几个错误。代替“中国深圳深圳大学医学院”，官员4应该是“马歇尔生物医学工程实验室，中国深圳大学医学院生物医学工程学院，中国登陆大学”。代替“量子医学科学院，QUSSCOCICONT与技术研究所高级核医学科学系，日本Chiba，日本Chiba”，应为“ Quantum Science和Chiba，Chiba，Chiba，National Medical Scients，National Medical Scients，National Medical Scients，National Medical Scients of Accelerator and Medical Physicts of Accelerator and Bysical Physick。作者对这些错误表示歉意，并指出这不会以任何方式改变文章的科学结论。原始文章已更新。
物理系统的可解释的元学习
机器学习方法在科学过程中可能是有价值的帮助，但是他们需要面对来自非均匀实验条件的数据的具有挑战性的环境。最近，元学习方法在多任务学习方面取得了重大进展，但它们依靠黑盒神经网络，占据高计算成本和有限的解释性。利用学习问题的结构，我们认为可以使用更简单的学习模型，并具有以学习任务为例，可以使用更简单的学习模型来实现多环境的概括。至关重要的是，我们证明该体系结构可以识别系统的物理参数，从而实现可解释的学习。我们通过将其与物理系统上的最新算法进行比较，降低了我们方法的竞争性概括性能和低计算成本，从玩具模型到复杂的，非分析系统。我们的方法的解释性用原始应用在物理参数诱导的适应性和自适应控制中进行了说明。
使用机器学习对船的唤醒可检测性
基于卫星的合成孔径雷达（SAR）采集中唤醒特征的可检测性取决于描述检测过程中当前情况的各种物理参数。SAR中的船舶唤醒签名是复杂的结构，该结构由多个唤醒组件组成，这些尾流组件的出现不同，具体取决于当前的检测情况。对这些唤醒组件的可检测性有影响的物理参数称为影响参数。尽管几十年以来就开发了自动检测唤醒的各种方法，但没有系统地分析尾流组合和影响参数之间的可检测性与影响参数之间的依赖性。在这项研究中，将机器学习应用于对所有受影响参数的所有尾流组件之间的依赖性建模。分析机器学习模型的组成，以得出有关影响参数和唤醒组件的可检测性之间物理关系的陈述。对于这种类型的应用程序，引入了可检测性的优点和衍生陈述不确定性的措施。基于SAR图像中的船舶唤醒及其可检测性的模拟和/或物理减免的文献形成对比。