XiaoMi-AI文件搜索系统
World File Search System粗粒度
执行摘要 - 气象服务新加坡
每6 - 7年，政府间气候变化小组（IPCC）发布评估报告，这些报告提供了有关有关气候变化，其影响和未来风险的科学，技术和社会经济知识状态的最新信息，以及降低气候变化的速度的选择。IPCC在其最新和第六个评估周期中，在物理科学基础上生产了工作组（WG-I）报告，WG-II关于影响，适应和脆弱性的报告，《 WG-III关于气候变化缓解的WG-III报告》，以及最终的合成报告。尽管这些报告可用于告知全球和大规模的气候变化，但它们缺乏评估区域和地方层面的气候变化并指导适应计划的必要粒度。因此，作为新加坡第二次国家气候变化研究（V2）的后续，新加坡的第三个国家气候变化研究（V3）为新加坡和更广泛的东南亚（SEA）地区提供了高分辨率的气候变化预测，并通过动态降低了粗分辨率的全球气候模型模型。这个新数据集可以很容易地用于适应计划，从而有助于保护新加坡免受气候变化的不利影响。
从地面到对象：与地面接触的动态物体的粗到细节自我监督的单眼估计
自我监督的单眼深度估计（DE）是一种学习深度的方法，没有昂贵的深度地面真理。但是，它经常在移动物体上挣扎，这些物体违反了训练期间的静态场景假设。为了结束这个问题，我们介绍了一个粗到最新的训练策略，该策略利用了地面与先验接触的地面，该期望是在户外场景中大多数移动物体在地面上造成的。在粗糙的训练阶段，我们将动态类中的对象排除在再投入损失计算中，以避免深度学习不准确。为了对物体的深度进行精确的监督，我们提出了一种新颖的接地式差异平滑度损失（GDS-loss），该损失（GDS-loss）鼓励DE网络将物体的深度与其接地接触点保持一致。随后，在精细的训练阶段，我们完善了DE网络，以了解重新投影损失中对象的详细深度，同时通过使用基于成本量的加权因素利用我们的正则化损失来确保对移动对象区域的准确DE。我们的整体粗表表训练策略可以轻松地与无需修改的方法集成，从而显着提高了挑战性的城市景观和KITTI数据集的DE性能，尤其是在移动对象区域中。
粒度事项：病理图形驱动的脑CT报告生成的跨模式比对
自动脑CT报告生成可以提高诊断颅疾病的效率和准确性。但是，当前方法受1）粗粒监督的限制：图像文本格式中的训练数据缺乏识别微妙的异常性的监督，以及2）耦合的交叉模式对齐：视觉文本一致性可能不可避免地以粗糙的方式进行，从而导致鲜明的特征代表性地汇总，以报道的代表。在本文中，我们提出了一种新型的病态图形驱动的跨模式比对（PGCA）模型，以进行准确且健壮的脑CT报告生成。我们的方法可以通过对病理图进行构建以学习精细的视觉提示并与文本单词对齐，从而有效地解开了跨模式的对准。该图包含代表基本病理性贡献的异质淋巴结（即，组织和病变）通过与先前的知识相关的内部和属间边缘。通过精心设计的图形嵌入和更新模块，我们的模型完善了微妙的tiss和病变的视觉特征，并使用对比度学习使它们与文本单词对齐。广泛的实验结果证实了我们方法的生存能力。我们认为，我们的PGCA模型有可能大大增强脑CT报告的自动产生，并最终有助于改善颅骨疾病诊断。
网络大脑：细胞外基质、细胞网络和血管如何塑造大脑的体内机械特性
从机械角度来看，大脑具有固体和液体的特性。由此产生的独特材料行为促进细胞和血管网络的增殖、分化和修复，并最佳地保护它们免受破坏性剪切力的影响。磁共振弹性成像 (MRE) 是一种非侵入性成像技术，可映射体内大脑的机械特性。MRE 研究表明，神经元变性、脱髓鞘、炎症和血管渗漏等异常过程会导致组织软化。相反，神经元增殖、细胞网络形成和更高的血管压力会导致脑僵硬。此外，据报道，脑粘度会随着正常的血液灌注变化和脑成熟以及肿瘤侵袭等疾病状况而变化。本文讨论了神经元、神经胶质细胞、细胞外和血管网络对 MRE 确定的粗粒度参数的贡献。这种还原主义的脑力学多网络模型有助于从微观解剖变化的角度解释许多 MRE 观察结果，并表明脑粘弹性是脑部疾病的合适成像标记。
faah抑制剂在众人瞩目的焦点中，但遗憾的是
Saptarshee Mitra，Raphael Paris，Laurent Bernard，RémiAbbal，Pascal Charrier等。应用于海啸沉积物的X射线图：优化的图像处理和粒度，粒度，粒度形状和沉积物的定量分析3D。海洋地质学，2024，470，pp.107247。10.1016/j.margeo.2024.107247。hal-04514532
通过粗粒分量并发提高地球系统模型的可伸缩性 - 与图标v2.6.5建模系统的案例研究
摘要。在Exascale计算时代，具有前所未有的计算能力的机器可用。使这些大规模平行的机器有效地使用了数百万个核心，提出了一个新的挑战。需要多级和多维并行性来满足这种挑战。粗粒分量并发性提供了一个差异的并行性维度，该维度通常使用了通常使用的并行化方法，例如域分解和循环级别的共享内存方法。虽然这些主教化方法是数据并行技术，并且它们分解了数据空间，但组件并发是一种函数并行技术，并且分解了算法MIC空间。并行性的额外维度使我们能够将可扩展性扩展到由已建立的并行化技术设置的限制之外。，当通过添加组件（例如生物地球化学或冰盖模型）增加模型复杂性时，它还提供了一种方法来提高性能（通过使用更多的计算功率）。此外，货币允许每个组件在不同的硬件上运行，从而利用异质硬件配置的使用。在这项工作中，我们研究了组件并发的特征，并在一般文本中分析其行为。分析表明，组件并发构成“并行工作负载”，从而在某些条件下提高了可扩展性。这些通用考虑是
大卫·罗尔
• DAR*，L. Ding* 等人。具有 Fluxonium 量子比特的快速高保真门的圆极化驱动和相称脉冲。准备中（2024 年）。• L. Ateshian，DAR 等人。Fluxonium 量子比特相干性：温度和磁场依赖性的表征。准备中（2024 年）。• DAR 等人。弱磁场下超导量子比特中 1/𝑓 通量噪声的演变。物理评论快报（2023 年）。[链接] • B. Kannan、A. Almanakly、Y. Sung、A. Di Paolo，DAR 等人。使用波导量子电动力学的按需定向微波光子发射。自然物理（2023 年）。[链接] • DAR，PJ Atzberger。具有相分离域的异质囊泡的粗粒度方法：形状波动、板压缩和通道插入的弹性力学。数学与计算机模拟（2023 年）。[链接] • DAR、M. Padidar 和 PJ Atzberger。表面波动流体动力学方法用于弯曲流体界面内粒子和微结构的漂移扩散动力学。计算物理学杂志（2022 年）。[链接]
多目标定向灰盒模糊测试
摘要 — 定向灰盒模糊测试 (DGF) 可以通过寻求到达程序位置或按顺序探索某些位置来快速发现或重现程序中的错误。然而，由于其静态阶段划分和粗粒度的能量调度，以前的 DGF 工具在面对多个目标位置（简称目标）时表现不佳。在本文中，我们提出了多目标定向灰盒模糊测试，旨在在模糊测试活动中到达多个程序位置。具体而言，我们提出了一种新颖的策略来自适应地协调探索和利用阶段，以及一种新颖的能量调度策略，通过考虑种子和目标位置之间的更多关系。我们在一个名为 LeoFuzz 的工具中实现了我们的方法，并在崩溃重现、真正验证和实际程序中的漏洞暴露方面对其进行了评估。实验结果表明，LeoFuzz 在有效性和效率方面优于六种最先进的模糊测试器，即 QYSM、AFLGo、Lolly、Berry、Beacon 和 WindRanger。此外，LeoFuzz 在实际程序中检测到 23 个新漏洞，其中 11 个已分配 CVE ID。
ATLAS 高粒度定时探测器低增益雪崩探测器在光束测试中的性能研究
堆积作用的显著增加是高亮度 (HL) LHC 运行阶段物理项目面临的主要实验挑战之一。作为 ATLAS 升级计划的一部分，高粒度计时探测器 (HGTD) 旨在减轻前向区域的堆积效应并测量每束团的光度。HGTD 基于低增益雪崩探测器 (LGAD) 技术，覆盖 2.4 到 4.0 之间的伪快速度区域，将提供高精度计时信息，以区分在空间上靠近但在时间上相隔很远的碰撞。除了具有抗辐射功能外，LGAD 传感器还应在寿命开始时为最小电离粒子提供每轨 30 ps 的时间分辨率，在 HL-LHC 运行结束时增加到 75 ps。本文介绍了 2021-2022 年 CERN SPS 和 DESY 使用测试光束研究的来自不同供应商的几种辐照 LGAD 的性能。这项研究涵盖了 LGAD 在收集电荷、时间分辨率和命中效率方面的有希望的结果。在大多数情况下，对于高辐照传感器（2.5 × 10 15 n eq / cm 2 ），测量的时间分辨率小于 50 ps。
量子连接
肖恩·哈特诺尔。高能物理学和凝聚态物理学围绕着对称破缺和重正化群等共同的基本概念展开，并共享费曼图和拓扑等核心数学机制。这导致了这两个领域之间历史上卓有成效的交汇。在过去的几十年里，出现了两个新的联系点。首先，全息对偶性已经证实，黑洞视界的经典演化精确地捕捉了物质强量子相的耗散动力学。近年来，这种联系已经超越了简单的相关函数（描述粗粒度热平衡方法），转向了更细微的可观测量，可以探测多体量子混沌的特征。与这种转变密切相关的是 Sachdev-Ye-Kitaev (SYK) 模型的出现。该模型具有成熟的全息理论的许多特征（和局限性），但在微观上更接近传统的凝聚态哈密顿量，并且受到更大的技术控制。其次，多体量子纠缠同时成为这两个领域的组织原则。看来，支持全息引力出现的量子态具有纠缠结构，可能类似于物质拓扑非平凡相的纠缠结构。充实这种联系有望成为未来进步的源泉。