XiaoMi-AI文件搜索系统
World File Search System级联的
基于级联的高分辨率集成光谱仪...
摘要：提出了一种由级联微环谐振器和AWG组成的高分辨率集成光谱仪，实现了0.42nm的高分辨率和90nm的带宽，在生化传感应用方面有很高的潜力。OCIS代码：(300.6190) 光谱仪；(130.3120) 集成光学器件；(130.6010) 传感器。引言当前光谱仪领域最重要的研究之一是基于平面集成光波导技术的光谱仪，其结构多种多样，例如阵列波导光栅（AWG）[1]、中阶梯光栅[2]、微环谐振器（MRR）[3]和波导傅里叶变换（FT）光谱仪[4-5]。其中，对AWG和EDG等分光式传统光谱仪的研究已经持续了很长时间。在我们之前的工作中，我们提出并演示了一种基于级联 AWG 和可调微环谐振器阵列的高分辨率、宽带宽集成光谱仪 [4]。然而，每个通道的微环都需要调谐，这非常耗时。在本文中，我们提出了一种将热调谐 MRR 与 AWG 级联的结构来制作高分辨率光谱仪，从而减少了微环阵列调谐所花费的时间。
Gcm/Glide 级联的进化保护
在脊椎动物的中枢神经系统 (CNS) 中，神经胶质细胞源自神经干细胞（也称为放射状神经胶质细胞），其在早期胚胎阶段从神经上皮分化而来 [4]。放射状神经胶质细胞首先产生神经元，然后转换到胶质生成阶段，产生少突胶质细胞和星形胶质细胞 [4]。细胞命运决定由几种分泌信号（例如，音猬因子 (Shh)、成纤维细胞生长因子 (FGF)、Wnt、Notch/Delta、骨形态发生蛋白 (BMP) 和细胞因子）精细调控。关键转录因子，包括 Sox9、核因子 I、血清反应因子和 Olig1/Olig2 共同作用以促进神经胶质细胞分化 [5],[6],[7],[8],[9],[4]。几种神经元发育途径在进化上是保守的 [10],[11]。相反，神经胶质细胞的发育在整个进化过程中表现出显著差异。例如，在无脊椎动物模型果蝇中，神经胶质细胞的产生与神经元的产生同时发生，这两种神经类型同时由称为神经母细胞的神经干细胞产生，而在高等生物中，神经胶质细胞的产生晚于神经元的产生 [12],[4]。此外，一种名为 Glial Cell Missing/GLIal Cell DEficient（全文为 Gcm/Glide 或 Gcm）的转录因子是神经胶质细胞特化的必要和充分条件 [13],[14],[15],[16]。Gcm 直系同源物已在原口动物和后口动物中被鉴定 [17]，但它们在脊椎动物神经胶质细胞的分化中既不表达也不需要，因此在进化过程中 Gcm 级联的功能保守性方面产生了一个长期存在的难题。除淡水龙虾 [18] 外，Gcm 靶基因 Repo（反向极性）在苍蝇以外的动物中没有神经胶质生成作用，repo 基因甚至不存在于脊椎动物基因组中。总之，这些发现表明神经胶质发育程序在进化过程中多次出现。
基于改进的多任务级联的面部检测...
摘要 - 随着深度学习和计算机视觉的发展，面部检测已得以快速发展。面部检测有多个应用程序域，包括身份身份验证，安全保护，媒体和娱乐。尽管多任务级联的卷积神经网络（MTCNN）具有很高的精度和鲁棒性，但由于真实场景的复杂性和硬件设施的约束，该模型在真实场景中具有大参数和计算开销的缺点。因此，改进的网络模型的开发至关重要。本文通过减少参数和计算开销的数量并使用更好的模型参数来定位面部的关键点来改善MTCNN模型。该模型提高了面部年龄估计的准确性和鲁棒性。宽面和Celeba数据集用于培训。最终的面部检测精度达到98.7％，同时将模型参数的数量减少到相同条件下的70％。该模型满足现代社会对面部检测的应用需求，并证明了改进的网络模型的效率和准确性。
从混合和级联的非线性中模拟超强
非线性光学频率转化在光子学和基础上具有根本重要性，其应用是其应用的基础：与二次非线性的媒体中的总和和差异频率产生，允许其他不可接近的波长制度，以及超级非线值的超级范围的跨越跨度范围的巨大效果，超过了跨越的跨度范围，超过了跨越的跨度范围，这超出了越来越多的范围。用激光获得媒体。芯片集成的波导允许同时利用二次和立方效应，从而在非线性材料的整个透明度窗口中为多旋转的跨度光谱创造了前所未有的机会。设计这样的波导通常依赖于基础非线性过程的数字建模，但是，当涉及多个和级联的非线性过程时，这些过程变得极具挑战性。在这里，为了应对这一挑战，我们报告了一种新颖的数字模拟工具，用于混合和级联的非线性，该工具使用抗声明策略，以避免由有限的模拟带宽产生的杂散光。设计参数研究所需的专用五阶相互作用图片runge-kutta求解器，允许有效的数字模拟。表明，模拟结果与实验数据相吻合，并且仿真工具可作为开源python软件包（Pychi）获得。
通过重新平衡凝血级联的新型血友病治疗
这是被接受出版的作者手稿，并且已经进行了完整的同行评审，但尚未通过复制，排版，分页和校对过程，这可能会导致此版本和记录版本之间的差异。请引用本文为doi：10.1002/pbc.28934。
通过浅神经网络级联的模拟RF电路尺寸
摘要 - 提出了用于模拟电路组件自动尺寸的深神经网络体系结构，重点是2至5 GHz区域的射频（RF）应用。它解决了通常少数网络培训示例的挑战和多种解决方案的存在，其中该型解决方案是集成电路实现的不切实际值。，由于一系列专用的浅神经网络（SNN），我们通过一次将学习限制到一个组件大小来解决这些问题，在该级联限制了下一个网络的预测。此外，SNN是通过遗传算法单独调整预测顺序和准确性的。在每个步骤中的解决方案空间的缩小允许使用小型训练集，以及SNNS处理组件相互依赖的限制。该方法在三种不同类型的RF微电路上成功验证：低噪声放大器（LNA），电压控制的振荡器（VCO）和混合器，使用180 nm和130 nm CMOS实现。所有预测均在成分和性能水平的真实值的5％之内，所有响应均在4至47分钟后在不到5 s的情况下获得。在常规PC站进行培训。获得的结果表明，所提出的方法快速且适用于任意模拟电路拓扑，而无需为每组新的所需电路性能重新训练开发的神经网络。
具有代码级联的资源高效容错单向量子中继器
单向量子中继器通过量子纠错码抵消丢失和操作错误，可以确保量子网络中快速可靠的量子比特传输。至关重要的是，这种中继器的资源需求（例如，每个中继器节点的量子比特数和量子纠错操作的复杂性）必须保持在最低水平，以便在不久的将来实现。为此，我们提出了一种单向量子中继器，它使用代码连接以资源高效的方式针对通信信道中的丢失和操作错误率。具体来说，我们将树簇代码视为内部容错代码，与外部 5 量子比特代码连接，以防止泡利错误。采用基于标志的稳定器测量，我们表明，通过散布每个专门用于抑制丢失或操作错误的中继器节点，可以以最小的资源开销连接长达 10,000 公里的洲际距离。我们的工作证明了定制的纠错码如何显著降低长距离量子通信的实验要求。
在阿尔茨海默氏病级联的情节记忆网络的功能障碍
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。它是制作
大脑中线移位检测和通过级联的深层网络管道对非对比度计算机断层扫描
大脑中线移位（MLS）是一种定性和定量的放射学特征，它可以衡量脑中线结构的横向移位，以响应由血肿，肿瘤，脓肿或任何其他占据脑膜内病变引起的质量效应。可以使用其他参数来确定神经外科干预的紧迫性，并预测占据病变的患者的临床结果。然而，由于跨病例的临床相关大脑结构的差异很大，因此精确检测和量化MLS可能具有挑战性。在这项研究中，我们通过使用分类和分割网络架构来研究了由病例级MLS检测以及脑部标记位置的初始定位以及对脑部标记位置的最初定位和完善的级联网络管道。我们使用3D U-NET进行初始定位，然后使用2D U-NET来估计更精确的分辨率的确切地标点。在改进步骤中，我们从多个切片中融合了预测，以计算每个地标的最终位置。，我们用大脑的解剖标记产生的高斯热图目标训练了这两个UNET。案例级别的地面真相标签和地标注释是由多个训练有素的注释者产生的，并由放射学技术人员和放射科医生进行了审查。我们提出的管道实现了使用2,545个头部非对比度计算的测试数据集在AUC中的情况级MLS检测性能