XiaoMi-AI文件搜索系统
World File Search System状态图
卷积神经生成编码
在这项工作中，我们开发了卷积神经生成代码（Conv-NGC），这是对基于卷积/反卷积计算的情况进行预测性编码的概括。特定的是，我们具体地实现了一种灵活的神经生物学动机算法，该算法逐渐重新填充了潜在的状态图，以便动态地形成更准确的内部表示/重构自然图像模型。在复杂数据集（例如Color-Mnist，CIFAR-10和SVHN）等复杂数据集上进行了评估。我们研究了我们的大脑启发模型对重建和图像降解任务的有效性，并发现它具有卷积自动编码系统的竞争力，该系统通过误差的反向传播培训，并超过了它们，并超越了它们在造成的分发重构方面的表现（包括完整的90K ininic-10测试集）。关键字：预测编码；受脑为灵感的学习； compoter视觉，神经形态硬件，卷积
安全关键系统的故障安全测试
摘要 摘要 本论文提出了一种测试安全关键系统的方法。该方法基于行为和故障模型。分析了这两个模型的兼容性，并确定了使它们兼容的必要更改。然后使用转换规则将故障模型转换为与行为模型相同的模型类型。集成规则定义如何组合它们。这种方法会产生一个集成模型，然后可以使用该模型根据各种测试标准生成测试。本论文使用 CEFSM 作为行为模型，使用故障树作为故障模型，说明了这个通用框架。我们将该技术应用于各种应用，例如燃气燃烧器、航空航天发射系统和铁路交叉口控制系统。我们还研究了该方法的可扩展性，并将其效率与集成状态图和故障树进行了比较。分布式进程的构建和分析 (CADP) 已被用作该方法的支持工具，用于从集成模型生成测试用例，并分析集成模型的某些属性，例如死锁和活锁。
方法学用于计算量子键分布系统同步时间的平均时间，并通过图形分析方法降低长度的量子键分布的站点
摘要。提出了一种方法，用于计算量子密钥分布系统（QKD）站的平均进入时间，并通过降低长度的纤维通信线（focl）的段进行顺序进行轮询。构建了对光子脉冲的顺序搜索的状态图和过渡图。是为了找到检测光子脉冲的概率，进入站点同步的平均步骤数，步骤数的差异以及进入连接的平均时间的平均步骤数。注意到，当焦点分为长度降低的部分时，黑暗电流脉冲（DCP）的水平会显着降低。后者允许减少光电探测器的错误警报的概率。对所获得的结果的分析表明，在算法 - 模拟的情况下，提出的算法进入同步时间的时间比进入站点的通信所需的时间少3倍。获得的结果表明有可能增加焦点的长度，同时确保同步误差概率在0.01的水平上的值。
量子几何、逻辑和概率
摘要 离散集上的量子几何意味着有向图，其权重与定义量子度量的每个箭头相关联。然而，这些“格间距”权重不必与箭头的方向无关。我们利用这种更大的自由度，对以转移概率为箭头权重的离散马尔可夫过程给出量子几何解释，即对图拉普拉斯算子∆ θ 取扩散形式 ∂ + f = ( − ∆ θ + q − p ) f ，根据概率构建的势函数 q、p 以及时间方向的有限差分 ∂ + 。在这一新观点的启发下，我们引入一个“离散薛定谔过程”，即 ∂ + ψ = ı ( − ∆+ V ) ψ，其中拉普拉斯算子与双模连接相关联，使得离散演化是幺正的。我们明确地为 2 状态图解决了这个问题，找到了此类连接的 1 参数族和 f = | ψ | 2 的诱导“广义马尔可夫过程”，其中有一个由 ψ 构建的附加源电流。我们还提到了我们最近在场 F 2 = { 0 , 1 } 上以“数字”形式进行的逻辑量子几何研究，包括德摩根对偶及其可能的推广。
未知空间上的协同映射和目标搜索...
摘要 — 本文提出了一种协作式地图绘制和目标搜索算法，用于在城市环境中检测单个移动地面目标，该目标最初对于配备有噪声、范围有限的传感器的自主四旋翼飞行器团队来说是未知的。目标根据有偏随机游走模型移动，搜索代理（四旋翼飞行器）构建一个目标状态图，该图对过去和现在的目标位置进行编码。检测前跟踪算法将目标测量值同化为对数似然比，各向异性克里金插值预测未探索区域中占用节点的位置。在搜索区域的每个位置评估的相互信息定义了一个采样优先级表面，该表面由加权 Voronoi 算法划分为候选航路点任务。通过迭代解决效用最大化分配问题，将任务分配给每个代理。数值模拟表明，与非自适应割草机和随机覆盖策略相比，所提出的方法更具优势。我们还通过使用两个真实四旋翼飞行器和两个虚拟四旋翼飞行器进行户外飞行测试，对所提出的策略进行了实验验证。
3D RNA逆设计的几何深度学习
计算RNA设计任务通常被提出为反问题，其中设计序列是基于采用单个所需的二级结构而不考虑3D几何和构象多样性的。我们介绍了Grnade，这是在3D RNA骨干上运行的G型RNA de标志管道，以设计明确解释结构和动力学的序列。在引擎盖下，Grnade是一个多状态图神经网络，它在一个或多个3D主干结构上生成候选RNA序列，在该结构中，碱的身份未知。在单态固定骨架上，来自Das等人鉴定的PDB的14个RNA结构的重新设计基准。[2010]，与罗塞塔（Rosetta）相比，Grnade获得了更高的天然序列恢复率（平均为56％）（平均45％），与Rosetta报道的小时相比，要花一秒钟的时间才能产生设计。我们进一步证明了Grnade在用于结构柔性RNA的多状态设计的新基准上的实用性，以及对最近的RNA聚合酶核酶结构的回顾性分析中突变适应性景观的零摄像排名。
grnade：3D RNA逆设计的几何深度学习
计算RNA设计任务通常被提出为反问题，其中设计序列是基于采用单个所需的二级结构而不考虑3D几何和构象多样性的。我们介绍了Grnade，这是在3D RNA骨干上运行的G型RNA de标志管道，以设计明确解释结构和动力学的序列。在引擎盖下，Grnade是一个多状态图神经网络，它在一个或多个3D主干结构上生成候选RNA序列，在该结构中，碱的身份未知。在单态固定骨架上，来自Das等人鉴定的PDB的14个RNA结构的重新设计基准。[2010]，与罗塞塔（Rosetta）相比，Grnade获得了更高的天然序列恢复率（平均为56％）（平均45％），与Rosetta报道的小时相比，要花一秒钟的时间才能产生设计。我们进一步证明了Grnade在用于结构柔性RNA的多状态设计的新基准上的实用性，以及对最近的RNA聚合酶核酶结构的回顾性分析中突变适应性景观的零摄像排名。
通过作用长
高吞吐量测序技术和色度状态图表明，真核细胞产生了许多非编码转录本1-3。任意定义为200多个不属于任何其他明确定义的非编码RNA的核苷酸的转录本，例如核糖体RNA。通过各种机制，LNCRNA与各种细胞过程有关，包括转录调控，分化，细胞重编程和许多其他细胞（在其他地方4-6中综述）。具有不同水平的证据，LNCRNA也与各种人类疾病有关7 - 9。lncRNA由RNA聚合酶II（POL II）转录，它们的生物发生与mRNA相似，因为它们被封闭和聚腺苷酸化。lncRNA通常也被剪接，尽管它们的外显子数和剪接效率平均低于mRNAS 10-13的外显子数。然而，由于LNCRNA主要由排除标准定义，因此注释为lncRNA的基因包含许多不同的子基团，体现了多样化的结构性和功能特征。将LNCRNA分配给不同的官能团对于识别常见的原理至关重要，因此在开始阐明其角色时，构成了关键步骤。这一步骤仍然非常挑战，在过去十年的LNCRNA研究中取得了有限的进展。一种类型的LNCRNA分类基于LNCRNA相对于其转录位点功能的位置。他们的trans-作用LNCRNA被转录，处理，然后撤离其转录部位，以在其他地方（类似于mRNA）发挥其功能。
![arxiv：2305.14749v7 [cs.lg] 2025年2月25日](/simg/g:\will\search\icon\source\c\c76d39d4c6e939d3fabf8e266ba4e6c3a39b970f.webp)
arxiv：2305.14749v7 [cs.lg] 2025年2月25日
计算RNA设计任务通常是作为反问题提出的，其中设计是基于采用单个所需的二级结构，考虑到3D构象多样性。我们介绍了Grnade，这是在3D RNA骨架上运行的G型RNA DE标志管道，以设计出解释结构和动力学的序列。GRNADE使用多状态图neu-ral网络和自回归解码来生成候选RNA序列，该候选RNA序列在一个或多个3D骨干结构上，在一个或多个碱的身份未知。在单态固定骨架上，来自Das等人鉴定的PDB的14个RNA结构的重新设计基准。（2010年），与罗塞塔（Rosetta）相比，Grnade获得了更高的天然序列恢复率（平均为56％）（平均45％），与Rosetta报告的小时相比，要花一秒钟的时间才能产生设计。我们进一步证明了Grnade在用于结构柔性RNA的多状态设计基准上的实用性，以及对最近的核酶的回顾性分析，突变适应性景观的零摄像排名。对10种不同结构化RNA骨架的实验性湿实验室验证发现，在设计伪后的RNA结构时，Grnade的成功率为50％，对于Rosetta而言，超过35％的增长率超过35％。开源代码和教程可在以下网址找到：github.com/chaitjo/ geometric-rna-design
自主智能强化推断象征主义
使用专家系统[3]，可以编码可以代表环境或应用程序域中固有的因果规则的简单规则集。这些规则控制系统（或系统的代理）如何感知环境，计划行动并执行任务。规则是由决定系统行为的人类程序员手工编码的。在视频游戏等环境中，这些规则可能会导致能够与环境，其他代理和玩家进行复杂的互动的智能代理。不幸的是，这些规则在程序员提供的规则之外的情况之外时，这些规则很容易失败。airis是一种从对其操作环境的原始观察结果中自主学习专家的休闲规则的方法。每个规则都描述了状态的部分变化（而不是全州过渡），并且可以共同用于通过将规则预先确定不匹配的投票机制产生未来的预测状态。在高水平上，这导致了代表内部世界模型的动作状态图。但是，与马尔可夫决策过程（MDP，[8]）中的状态转移模型相比，代理可以构建代理商以前尚未经历过的未来状态。Sys-TEM然后使用该世界模型上的任何计划算法来制定计划和执行任务，同时使其具有与非平稳环境的灵活性，并通过典型的MDP形式化可以实现强化学习推动者[5]超越强化学习剂[5]来实现的灵活性。airis保留了透明度，可变性，可忽视性和有效性等专家系统的所有好处，同时还提供了灵活性和