XiaoMi-AI文件搜索系统
World File Search System监督训练
使用潜在向量表示的晶圆图缺陷模式半监督分类
摘要 —随着半导体设计和制造工艺的全球化，集成电路制造阶段的缺陷检测需求变得越来越重要，在提高半导体产品的产量方面发挥着重要作用。传统的晶圆图缺陷模式检测方法涉及使用电子显微镜进行手动检查以收集样本图像，然后由专家评估缺陷。这种方法劳动密集且效率低下。因此，迫切需要开发一种能够自动检测缺陷的模型来替代手动操作。在本文中，我们提出了一种方法，该方法首先采用预先训练的 VAE 模型来获取晶圆图的故障分布信息。该信息作为指导，结合原始图像集进行半监督模型训练。在半监督训练期间，我们利用师生网络进行迭代学习。本文提出的模型在基准数据集 WM-811K 晶圆数据集上进行了验证。实验结果表明，与最先进的模型相比，该模型具有更高的分类精度和检测性能，满足了工业应用的要求。与原始架构相比，我们取得了显着的性能提升。索引术语——缺陷检测；半监督学习；无监督学习；变异自动编码器
Pocket2Drug：基于目标的药物设计的编码器-解码器深度神经网络
计算建模是现代药物发现的重要组成部分。其最重要的应用之一是选择有希望的药理学相关靶蛋白候选药物。由于结构生物学的不断进步，在与各种疾病相关的众多蛋白质中发现了小有机分子的假定结合位点。这些宝贵的数据为通过应用数据挖掘和机器学习来构建预测靶位结合分子的有效计算模型提供了新的机会。特别是，深度神经网络是一种强大的技术，能够从复杂数据中学习，从而做出明智的药物结合预测。在本文中，我们描述了 Pocket2Drug，这是一种深度图神经网络模型，用于预测给定配体结合位点的结合分子。这种方法首先从大量口袋结构数据集中通过监督训练学习小分子的条件概率分布，然后从训练模型中抽样候选药物。全面的基准模拟表明，与传统的药物选择程序相比，使用 Pocket2Drug 显著提高了找到与靶口袋结合的分子的机会。具体来说，已知结合物针对测试集中存在的多达 80.5% 的靶标生成，而测试集由与用于训练深度图神经网络模型的数据不同的数据组成。总体而言，Pocket2Drug 是一种很有前途的计算方法，可用于指导新型生物制药的发现。
评估在家庭 SMR 神经反馈训练环境中调节脑信号的能力
基于脑电图 (EEG) 的神经反馈 (NF) 主要用于临床治疗干预或优化健康个体的表现。家庭 NF 系统已经面世，可能有助于普遍获得 NF 训练，尤其是在需要重复训练时。然而，在家进行 NF 训练是否可行仍是一个悬而未决的问题，除非进行远程监控。在本研究中，我们评估了健康个体在使用家庭 NF 训练系统时调节自身 EEG 活动的能力，其方式与参与者购买市售 NF 系统的方式类似。参与者与实验者的面对面接触减少到最低限度，仅以书面信息或视频的形式提供说明。最初，38 名参与者进行了 9 次基于感觉运动节律 (SMR) (12-15 Hz) 的 NF 训练（三次泛化训练，六次训练）。一个主动对照组 (n = 19) 接受了随机 EEG 频率的反馈。由于技术问题、EEG 数据质量差或不遵守规定，21 名参与者不得不被排除在最终数据分析之外，这为无监督家庭 NF 训练的困难提供了第一手证据。在这项研究中，参与者在 NF 训练期间无法将自己的大脑活动调节到所需的方向。我们的结果表明，与 NF 专家的个人互动可能很重要，并且远程监督训练数据和与 NF 用户更直接的沟通对于成功进行 NF 训练是必不可少的。我们为家庭 NF 系统的开发和实施提供了建议。
自监督自然图像重建和大型...
从 fMRI 脑记录中重建自然图像并解码其语义类别是一项挑战。获取足够多的图像对及其相应的 fMRI 响应（这些响应涵盖了巨大的自然图像空间）是难以实现的。我们提出了一种新颖的自监督方法，该方法远远超出了稀缺的配对数据，用于实现：（i）最先进的 fMRI 到图像重建，以及（ii）首次从 fMRI 响应进行大规模语义分类。通过在一对深度神经网络（从图像到 fMRI 和从 fMRI 到图像）之间施加循环一致性，我们在来自许多新颖语义类别的大量“未配对”自然图像（没有 fMRI 记录的图像）上训练我们的图像重建网络。这使得我们的重建网络能够适应非常丰富的语义覆盖，而无需任何明确的语义监督。具体而言，我们发现将我们的自监督训练与高级感知损失相结合，可以产生新的重建和分类能力。具体来说，这种感知训练能够很好地对从未见过的语义类别的 fMRI 进行分类，而无需在训练期间使用任何类别标签。这带来了：（i）前所未有的从从未见过的图像的 fMRI 图像重建（通过图像指标和人工测试进行评估），以及（ii）在网络训练期间对从未见过的类别进行大规模语义分类。以前从未证明过从 fMRI 记录中进行如此大规模（1000 种）语义分类。最后，我们为所学模型的生物一致性提供了证据。
基于代码调制视觉诱发电位 (c-VEP) 的脑机接口：文献综述
摘要。目的。近年来，代码调制视觉诱发电位 (c-VEP) 已被视为能够提供非侵入式脑机接口 (BCI) 以实现可靠、高速通信的强大控制信号。它们在通信和控制方面的实用性反映在过去十年中相关文章的指数级增长中。本综述的目的是提供文献的全面概述，以了解自 c-VEP BCI 诞生 (1984 年) 至今 (2021 年) 以来的现有研究，并确定有希望的未来研究方向。方法。文献综述是根据系统评价和荟萃分析的首选报告项目 (PRISMA) 指南进行的。在评估期刊手稿、会议、书籍章节和非索引文档的资格后，共纳入 70 项研究。全面分析了基于 c-VEP 的 BCI 的主要特征和设计选择，包括刺激范式、信号处理、建模响应、应用等。主要结果。文献综述表明，最先进的基于 c-VEP 的 BCI 能够通过大量命令、高选择速度甚至无需校准来提供对系统的精确控制。总体而言，在实际设置中缺乏验证，尤其是针对残疾人群体的验证。未来的工作应侧重于开发应用于现实环境的自定进度的基于 c-VEP 的便携式 BCI，以利用 c-VEP 范式的独特优势。异步、无监督训练或代码优化等方面仍需要进一步研究和开发。意义。尽管基于 c-VEP 的 BCI 越来越受欢迎，但据我们所知，这是关于该主题的第一篇文献综述。除了联合讨论该领域的进展之外，还提出了一些未来的研究方向，以促进可靠的即插即用的基于 c-VEP 的 BCI 的开发。
在工作记忆任务期间，前额叶大脑活动的复发性神经网络模型
当将多个项目保存在短期内存中时，回顾性优先级优先级优先于另一个项目（复古示意）可以促进后续召回。然而，这种作用的神经和计算基础知之甚少。最近的一项研究记录了在复古任务期间猕猴侧向前额叶皮层（LPFC）中的神经信号，在（预先提示）和（会引发后）回归开始之前（预告症）和之后的延迟期间活动对比。他们报告说，在提示前延迟中，单个刺激被维持在神经种群活动的非独立子空间中，而在提示后延迟中，先前的项目被旋转成一个共同的子空间，有可能允许一种常见的读取机制。为了了解如何通过错误最小化可以学习此类代表性转变，我们通过监督训练了经常性的神经网络（RNN），以执行同等的提示回复任务。rnns提供了两个表示结合性颜色刺激的输入，然后进行了预示记忆延迟，位置返回和后提示延迟。我们发现，在猕猴LPFC中观察到的正交到平行的几何变换自然出现在经过训练以执行任务的RNN中。有趣的是，仅当需要在读数之前将提示信息用于几个周期的短期记忆中才能形成平行几何形状，这表明它在维护过程中可能具有鲁棒性。我们通过分析RNN的学习动态和连接模式以及用概率提示训练的模型的行为来扩展这些发现，从而使我们能够为将来的研究做出预测。总的来说，我们的发现与最新的理论说明是一致的，该账目提出的回顾将优先的内存项转化为前瞻性，面向动作的格式。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。