XiaoMi-AI文件搜索系统
World File Search System经过训练
基于简单模型的脑肿瘤分类取得了良好的结果...
无论是在分割还是分类的情况下，脑肿瘤疾病都已成为研究课题。对于分类的情况，分组的脑肿瘤类型通常包括高级别胶质瘤 (HGG) 和低级别胶质瘤 (LGG)。在这项研究中，我们提出了一种使用卷积神经网络 (CNN) 算法对两种类型的肿瘤（即 HGG 和 LGG）进行分类的方法，该算法经过训练并将针对 2018 年和 2019 年脑肿瘤分割 (BRATS) 数据集进行测试，该数据集具有 4 种模式，即流体衰减反转恢复 (FLAIR)、T1、T1ce 和 T2，共计 2048 张图像。之所以选择 CNN 算法，是因为它可以直接接收磁共振图像 (MRI) 形式的输入，并进行特征提取过程以及分类算法。通过形成一个仅具有3个卷积层的简单CNN算法架构，其输入层的形式为尺寸为240×240×3的完整MRI图像，我们获得了94.14％的相对较高的准确率结果，甚至可以说比具有更复杂架构的类似方法更好。
2015 年海军航空计划
美国海军陆战队是我们国家的战备力量——当国家准备最不充分时，联合兵种的战备程度最高。因此，我们的海军陆战队必须随时准备部署和使用来自海上和远征/严酷的前方作战基地的联合兵种——在任何气候和地点的任何威胁条件下。抵达后，我们将击败所有敌人——无论大小——或者向需要帮助的朋友提供援助。海军陆战队依靠的主要工具之一是我们的有机航空兵，以实现这一能力。海军陆战队航空兵是每个海军陆战队空地特遣部队不可或缺的重要组成部分。我们的航空兵与每个海军陆战队空地特遣部队无缝集成并前沿部署。这些海军陆战队空地特遣部队赋予海军陆战队能力和影响力，为我们的国家创造战略优势。作为海军陆战队航空兵副司令，我负责确保海军陆战队航空兵拥有足够的资源，在当今和未来的战场上取得胜利。为此，海军陆战队航空兵必须经过训练、配备人员和装备，以便： • 成为我们海军陆战队的战备航空兵，随时准备组织、部署和维持战备部队——在任何地点、任何地点、任何地点，从海上或前方作战基地——以支持海军陆战队空地特遣部队、海军、联合作战司令部 (COCOM) 的要求。
利用经典和量子异常检测揭示标准模型以外的物理学
摘要 在微观尺度上发现新物理现象的希望很大程度上依赖于从高能物理实验中获得的观测结果，例如在大型强子对撞机 (LHC) 上进行的实验。然而，目前的实验并没有显示出可以指导更多超标准模型 (BSM) 理论发展的新物理迹象。从 LHC 产生的大量数据中识别新物理特征属于异常检测类，是最大的计算挑战之一。在本文中，我们提出了一种在监督学习环境中执行异常检测的新策略，该策略基于通过随机过程人工创建异常。对于由此产生的监督学习问题，我们成功地应用了经典和量子支持向量分类器（分别为 CSVC 和 QSVC）来识别 SM 事件中的人工异常。更有希望的是，我们发现使用经过训练以识别人工异常的 SVC，可以高精度地识别真实的 BSM 事件。同时，我们还探索了量子算法提高分类准确性的潜力，并为充分利用这种新颖的计算范式提供了合理的条件。
通过深度学习对扭曲的原子薄双层材料的识别和结构表征
摘要：二维材料有望在下一代电子和光电设备中发挥重要作用。最近，由于其独特的物理特性和潜在的应用，扭曲的双层石墨烯和过渡金属二核苷引起了极大的关注。在这项研究中，我们描述了光学显微镜的使用来收集二硫化钼（MOS 2）的化学蒸气沉积（CVD）的色彩空间，并应用了语义分割卷积神经网络（CNN）的应用，以准确且快速地识别MOS 2 Flakes的厚度。第二个CNN模型经过训练，以在CVD生长的双层薄片的扭曲角度提供精确的预测。该模型利用了一个数据集，该数据集包含10,000多个合成图像，其中包括从六角形到三角形形状的几何形状。通过第二次谐波产生和拉曼光谱执行了对扭曲角度深度学习预测的后续验证。我们的结果引入了一种可扩展的方法，用于自动检查扭曲的原子薄的CVD生长双层。关键字：扭曲角度，过渡金属二核苷（TMD），深度学习，OpenCV，拉曼
用于量子多参数估计的深度强化学习
摘要。物理量的估计是大多数科学研究的核心，而量子设备的使用有望提高其性能。在实际场景中，必须考虑到资源是有限的，而贝叶斯自适应估计是一种在估计过程中有效分配所有可用资源的强大方法。然而，这个框架依赖于通过精细校准获得的系统模型的精确知识，其结果通常在计算和实验上要求很高。我们引入了一种无模型和基于深度学习的方法来有效地实现现实的贝叶斯量子计量任务，完成所有相关挑战，而不依赖于任何系统的先验知识。为了满足这一需求，直接在实验数据上训练神经网络以学习多参数贝叶斯更新。然后，通过强化学习算法提供的反馈将系统设置在最佳工作点，该算法经过训练以重建和增强所研究的量子传感器的实验启发式方法。值得注意的是，我们通过实验证明了比标准方法更高的估计性能，证明了这两种黑盒算法在集成光子电路上结合的强大功能。我们的工作代表着朝着完全基于人工智能的量子计量迈出了重要一步。
在后处理阶段应用深度神经网络减少量子误差
深度神经网络 (DNN) 可应用于后处理阶段，以改进在嘈杂的中型量子 (NISQ) 处理器上进行量子计算的结果。在这里，我们提出了一种基于此想法的方法，该方法最适合于以由 Trotter 步骤组成的量子电路周期性结构为特征的数字量子模拟。我们方法的一个关键因素是它在训练阶段不需要来自经典模拟器的任何数据。该网络经过训练，可以将从具有人为增加的 Trotter 步骤数（噪声水平）的量子硬件获得的数据转换为没有这种增加而获得的数据。额外的 Trotter 步骤是虚构的，即它们包含可忽略不计的小旋转，并且在没有硬件缺陷的情况下，基本上减少到身份门。这在训练阶段保留了有关相关量子电路特征的信息。考虑了两个特殊示例，即横向场 Ising 链和 XY 自旋链的动力学，它们在两个真实的五量子比特 IBM Q 处理器上实现。DNN 应用的结果显示，误差显著减少，使我们能够有效地增加 Trotter 步长的量子电路深度。
对火星着陆点的类似物的深度学习选择
摘要：遥感观测和火星漫游者任务记录了火星沉积物中海滩，盐湖和风侵蚀地面的存在。所有这些观察结果表明，火星在其早期历史上得到了水分。曾经在火星上有海洋，但现在它们已经干燥了。因此，在此过程中形成的蒸发物中可以保留火星上一生的迹象。因此，蒸发区域的研究已成为火星生活探索的优先领域。本研究提出了一种从地面和火星的地面土地图像数据训练相似性指标的方法，可用于识别或验证应用。该方法将用于模拟任务，使用火星Analaogue的选择小型区域选择火星着陆点，Qinghai-pibet Plateau的Qaidam Basin蒸发区域。此学习过程最大程度地降低了区分损失函数，这使得相似性测量来自同一位置的图像较小，而对于来自不同位置的图像的图像较大。这项研究选择了基于卷积神经网络（CNN）模型，该模型已经过训练，可以解释图像外观的各种变化并识别火星中的不同地面。通过识别不同的地貌，可以选择火星上的优先着陆点。
自动驾驶船舶的可认可人工智能：挑战和可能的解决方案
人工智能 (AI) 被誉为确保自主船舶安全的重要贡献者。然而，利用人工智能技术来增强安全性可能会存在问题。例如，人工智能只能在经过训练或以其他方式编程来处理的情况下表现良好。因此，量化此类技术的真实性能非常困难。这就提出了一个问题，即这些技术是否可以应用于需要批准和安全认证的大型船舶。当作为远程控制中心的一个元素引入时，问题变得更加复杂。本文概述了人工智能与自主船舶最相关的应用，以及它们在批准方面的局限性。研究发现，通过限制此类系统的操作范围以及利用可解释和可信赖的人工智能的最新发展，可以简化审批流程。如果利用得当，人工智能模型可以自我意识到自己的局限性，并只应用于低风险情况，从而减少人类操作员的工作量。在高风险情况下，例如人工智能模型不确定性高或导航情况复杂，应及时有效地移交给人类操作员。这样，基于人工智能的系统不需要能够处理所有可能的情况，而是能够识别其局限性，并提醒人类操作员注意他们无法以可接受的风险水平处理的情况。
使用数据约束的循环神经网络模型推断全脑交互
行为源自多个在解剖学和功能上不同的大脑区域的协调活动 1,2 。现代实验工具 3–5 使我们能够前所未有地接触大量神经群，甚至是横跨全脑许多相互作用区域的神经群 2 。然而，要理解如此大规模的数据集，不仅需要稳健、可扩展的计算模型来提取区域间通信的有意义特征，还需要原则性理论来解释这些特征。在这里，我们介绍了基于电流的分解 (CURBD)，这是一种使用数据约束的循环神经网络模型 6 推断全脑相互作用的方法，该模型一旦经过训练，就会自主产生与实验获得的神经数据一致的动态。CURBD 利用从这些模型推断出的功能相互作用来同时揭示多个大脑区域之间的定向电流。我们首先表明，CURBD 可以在具有已知连接和动态的模拟真实网络中准确地隔离区域间电流。然后，我们将 CURBD 应用于从广泛的神经数据集（斑马鱼幼虫 7 、小鼠 8 、猕猴 9 和人类 10 ）获得的多区域神经记录，以证明 CURBD 在解开全脑相互作用和行为背后的区域间通信原理方面的广泛适用性。
生成人工智能 (AI) 政策
本指南由 Centralina 员工根据原创研究和对良好实践案例研究城市的采访编写而成；1 此外，Centralina 还成立了一个由地方政府组成的区域 AI 工作组，积极开发自己的生成式 AI 方法。工作组的积极成员包括来自梅克伦堡县、联合县、戴维森镇、印第安小道镇、摩尔斯维尔镇、洛厄尔市和阿尔伯马尔市的代表。这些地方政府为其组织制定政策的经验有助于我们提出建议和方法。简介 什么是人工智能？人工智能 (AI) 是指在经过编程以像人类一样思考和学习的机器中模拟人类智能。它涵盖了广泛的技术和方法，旨在使机器能够执行通常需要人类智能的任务，例如视觉感知、语音识别、决策和语言翻译。人工智能系统通常依赖算法和数据来分析模式、做出预测和解决问题。这些系统可以经过训练来识别大型数据集中的模式、适应新信息并随着时间的推移提高其性能。人工智能的关键领域包括机器学习、自然语言处理、计算机视觉、机器人技术和专家系统。