XiaoMi-AI文件搜索系统
World File Search System粒度
粒度：使用粒状材料进行机器人任务的高性能模拟
摘要 - 植物材料对行星科学，建筑和制造业中许多机器人任务的关键兴趣。但是，颗粒材料的动力学很复杂，并且通常在计算上非常昂贵。我们提出了一组方法和一个用于快速模拟图形处理单元（GPU）的颗粒材料的系统，并表明该模拟足够快，可以通过增强学习算法进行基础培训，目前需要许多动力学样本才能实现可接受的性能。我们的方法模型使用隐式时间播放方法进行多体刚性接触的颗粒材料动力学，以及算法技术，用于在粒子对和任意形成的刚体之间和任意形状的刚体之间的有效并行碰撞检测，以及用于最小化Warp Divergence的编程技术，以最大程度地构建单层构造（构建多项）。我们在针对机器人任务的几个环境上展示了我们的仿真系统，并将模拟器作为开源工具发布。
细浓度：通过扩散模型进行细粒度及时驱动的3D人姿势估计
3D人姿势估计（3D HPE）任务使用2D图像或视频来预测3D空间中的人类关节坐标。尽管最新的基于深度学习的方法取得了进步，但它们主要忽略了可访问的文本和自然可行的人类知识的能力，而错过了有价值的隐性监督，以指导3D HPE任务。此外，以前的努力经常从整个人体的角度研究这项任务，从而忽略了隐藏在不同身体部位的细粒度指导。为此，我们基于3D HPE的扩散模型（名为FinePose）提出了一个新的细粒及时驱动的DeNoiser。它由三个核心块组成，增强了扩散模型的反向过程：（1）通过耦合辅助辅助文本和可学习的提示以模拟隐式指南的耦合知识，并通过耦合的辅助辅助文本和自然可行的零件知识，可以通过耦合的辅助辅助文本和自然可行的零件知识来构建精细的部分零件感知的提示。（2）Fine-
卫星和地面视图之间的跨注意，以增强细粒度的机器人地理位置
跨视图图像地理位置定位旨在通过用GPS标记的卫星图像补丁绘制当前的街道视图图像来确定户外机器人的位置。最近的作品在识别卫星贴片中达到了显着的准确性，该卫星贴片在机器人所在，其中将中央像素在匹配的卫星贴片中用作机器人粗糙位置估计。这项工作着重于机器人在已知的卫星贴片中的细粒度定位。现有的细颗粒定位工作利用相关操作来获得卫星图像本地描述符和街道视图全局描述符之间的相似性。基于衬里匹配的相关操作简化了两个视图之间的相互作用过程，从而导致距离误差很大并影响模型的概括。为了解决这个问题，我们设计了一个具有自我注意力和跨注意层的跨视图功能fu-sion网络，以取代相关操作。此外，我们将分类和回归预测结合在一起，以进一步降低位置距离误差。实验表明，我们的新型网络体系结构的表现优于最先进的，可以在看不见的地区更好的概括能力。具体而言，我们的方法在同一区域和在活力基准的同一区域和看不见的区域中分别将中位定位距离误差降低了43％和50％。
手术视频中的精细粒度多级多级跟踪
准确的工具跟踪对于计算机辅助干预的成功至关重要。以前的努力通常会严格地对工具轨迹进行建模，从而俯瞰外科手术程序的动态性质，尤其是跟踪诸如身体外和相机外视图之类的场景。在解决此限制时，新的CholectRack20数据集提供了详细的标签，以三个角度说明多个工具轨迹：（1）术中，（2）体内和（3）可见性，代表不同类型的工具轨迹时间。这些细粒标签可增强跟踪灵活性，但也提高了任务复杂性。由于高视觉相似性，尤其是在同一类别的工具中，遮挡或重新插入身体后的工具仍然具有挑战性。这项工作认识到工具操作员在区分工具轨道实例中的关键作用，尤其是属于同一工具类别的工具轨道实例。但是，在手术视频中未明确捕获操作员的信息。因此，我们提出了Surgitrack，这是一种利用Yolov7进行精确工具检测的新型深度学习方法，并采用了注意机制来对工具的起源方向进行建模，作为其操作员的代理，以重新识别工具。为了处理各种工具轨迹的观点，Surgitrack采用了协调的两分匹配图，最大程度地减少冲突并确保准确的工具身份关联。cholectrack20的实验结果证明了外科手术的有效性，优于实时推理能力的最先进方法和最先进的方法。这项工作为手术工具跟踪设定了新的标准，为在微创手术中提供了更适合适应性和精确的帮助。
细粒度太粗糙：一种以数据为中心的新型方法，用于有效场景图
学习以场景图的形式从原始信息组成视觉关系是一项高度挑战的任务，这是由于上下文依赖性的，但是在依赖于场景所在的现场视觉应用程序中至关重要。但是，场景图生成（SGG）中没有当前的方法旨在为下流任务提供有用的图形。相反，主要重点主要是公开数据分布以预测更多细粒关系的任务。据说，所有的关系关系都不相同，至少其中一部分对现实世界应用没有用。在这项工作中，我们介绍了有效的SGG的任务，该任务旨在阐述相关关系的产生，从而促进了在下游任务（例如图像生成）中使用场景图的使用。为了支持进一步的方法，我们根据流行的Visual Genome数据集的注释提出了一个新的数据集，即VG150策划的新数据集。我们通过一组实验表明，该数据集包含比通常在SGG中使用的数据更高质量和多样的注释。最后，我们显示了从场景图1中生成图像生成的任务中该数据集的效率。
粗粒度量子细胞自动机
可以将某些物理演化视为微观离散模型的突发有效结果。受经典粗粒化程序的启发，我们提供了一种遵循 Goldilocks 规则的粗粒化色盲量子细胞自动机的简单程序。该程序包括 (i) 将量子细胞自动机 (QCA) 在时空上分组为大小为 N 的细胞；(ii) 将细胞的状态投射到其边界上，并将其与精细动力学联系起来；(iii) 通过边界状态描述整体动力学，我们称之为信号；(iv) 为不同大小为 N 的细胞构建粗粒化动力学。这个简单的玩具模型的副产品是斯托克斯定律的一般离散模拟。此外，我们证明在时空极限中，自动机收敛到狄拉克自由哈密顿量。我们在这里介绍的 QCA 可以通过当今的量子平台实现，例如里德堡阵列、捕获离子和超导量子比特。我们希望我们的研究能够为更深入地理解这些分辨率有限的系统铺平道路。
用于 fMRI 分析的功能模式细粒度图谱
群体成像显著增加了功能成像数据集的大小，为个体间差异的神经基础提供了新的见解。分析这些大数据带来了新的可扩展性挑战，包括计算和统计方面的挑战。因此，大脑图像通常总结为几个信号，例如使用大脑图谱或功能模式减少体素级测量值。选择相应的大脑网络非常重要，因为大多数数据分析都是从这些减少的信号开始的。我们贡献了精细解析的功能模式图谱，包含 64 到 1024 个网络。这些功能模式词典 (DiFuMo) 是在数百万个 fMRI 功能性大脑体积上训练的，总大小为 2.4TB，涵盖了 27 项研究和许多研究小组。我们展示了在我们的细粒度图谱中提取精简信号对许多经典功能数据分析流程的好处：从 12,334 个大脑反应中解码刺激、跨会话和个体的 fMRI 标准 GLM 分析、提取 2,500 个个体的静息状态功能连接组生物标志物、对超过 15,000 个统计图进行数据压缩和荟萃分析。在每一个分析场景中，我们都将我们的功能图谱与其他流行参考资料的性能进行比较，并与简单的体素级分析进行比较。结果强调了使用高维“软”功能图谱来表示和分析大脑活动同时捕捉其功能梯度的重要性。高维模式的分析实现了与体素级类似的统计性能，但计算成本大大降低，可解释性更高。除了提供它们之外，我们还根据这些模式的解剖位置为其提供有意义的名称。这将有助于报告结果。
马提尼 3 粗粒度力场：小分子
Martini 粗粒度力场 Martini 3 的最新重新参数化提高了该模型在预测分子动力学模拟中的分子堆积和相互作用方面的准确性。在这里，我们描述了如何在 Martini 3 框架内精确参数化小分子，并提供了一个经过验证的小分子模型数据库。我们特别关注脂肪族和芳香族环状结构的描述，这些结构在溶剂和药物等小分子或蛋白质和合成聚合物等大分子的构成块中普遍存在。在 Martini 3 中，环状结构由使用更高分辨率粗粒度颗粒（小颗粒和微小颗粒）的模型描述。因此，本数据库构成了校准新 Martini 3 小颗粒和微小颗粒尺寸的基石之一。这些模型表现出出色的分配行为和溶剂性能。还捕获了不同本体相之间的可混溶性趋势，从而完成了参数化过程中考虑的一组热力学性质。我们还展示了新的珠子尺寸如何能够很好地表示分子体积，从而转化为更好的结构特性，例如堆叠距离。我们进一步介绍了设计策略，以构建复杂度更高的小分子的 Martini 3 模型。
细化粗粒度分子拓扑
摘要 分子动力学 (MD) 模拟对于预测不同分子体系的物理和化学性质至关重要。虽然全原子 (AA) MD 提供了高精度，但其计算成本高昂，这促使了粗粒度 MD (CGMD) 的发展。CGMD 将分子结构简化为具有代表性的微珠，以降低成本，但会牺牲精度。像 Martini3 这样的 CGMD 方法，经过实验数据校准后，在各个分子类别中具有良好的泛化能力，但往往无法满足特定领域应用的精度要求。本研究引入了一种基于贝叶斯优化的方法来优化 Martini3 拓扑结构，使其能够适应特定应用，从而确保精度和效率。优化后的 CG 势能适用于任何聚合度，提供与 AA 模拟相当的精度，同时保持与 CGMD 相当的计算速度。通过弥合效率和精度之间的差距，该方法推动了多尺度分子模拟的发展，使各个科学技术领域能够以经济高效的方式发现分子。 1. 引言粗粒度分子动力学 (CGMD) 1,2 已成为材料开发的重要工具，为了解聚合物 3 、蛋白质 4 和膜 5 等复杂分子系统提供了关键信息。CGMD 的主要优势在于它能够在更大长度尺度和更长时间范围内探索分子现象，超越了传统全原子分子动力学 (AAMD) 6–8 模拟的能力，后者通常提供更高的分辨率，因此特别擅长捕捉详细的界面相互作用 9 。具体而言，CGMD 通过将原子团有效地表示为珠子 10–15 来实现这种加速，从而将模拟能力在时间上从皮秒扩展到微秒，在空间上从纳米扩展到微米。因此，粗粒度技术为传统 AAMD 无法获得的复杂分子现象提供了前所未有的洞察，从而能够研究聚合物自组装行为等复杂现象 16 。新兴的CGMD建模工具集依赖于两个关键组件来学习潜在的分子间关系：珠子映射方案和珠子间相互作用的参数化。这些组件的开发主要采用两种方法：自上而下10–12和自下而上13–
