XiaoMi-AI文件搜索系统
World File Search System维娅
西尔维娅·博多阿尔多
试点 1. 第四代创新电池制造（固态） - 先进材料、制造和电池生产（牵头地区：巴伐利亚） 试点 2. 可持续原材料提取和加工（牵头地区：卡斯蒂利亚-莱昂） 试点 3. 现有锂离子电池的回收利用（牵头地区：巴伐利亚） 试点 4. 液体电池（固定式）（牵头地区：巴斯克/瓦伦西亚） 试点 5. 研究和测试中心网络（牵头地区：斯洛文尼亚） 试点 6. 改进的锂离子电池（第 3b 代） -（牵头地区：奥弗涅-罗纳-阿尔卑斯）
HO Wen Wei (何文维) Emergence of Quantum State ...
何文伟博士现为斯坦福大学理论物理研究所博士后学者，研究非平衡量子多体现象和新兴量子技术的应用。此前，他是哈佛大学的摩尔博士后研究员，与 Mikhail Lukin 教授和 Eugene Demler 教授一起工作。从 2022 年 8 月开始，他将担任新加坡国立大学校长青年（助理）教授。何文伟于 2017 年在日内瓦大学师从 Dmitry Abanin 教授获得博士学位，2015 年在滑铁卢大学/圆周研究所师从 Guifre Vidal 教授获得理学硕士学位，2013 年在普林斯顿大学获得学士学位，与 Duncan Haldane 教授一起工作。摘要：普遍性是指复杂系统普遍属性的出现，这些属性不依赖于精确的微观细节。量子热化是强相互作用量子多体系统非平衡动力学的一个例子，其中局部区域随着时间的推移变得由吉布斯集合很好地描述，而该集合仅受少数几个系统参数（例如温度和化学势）控制。局部区域与其补体（“浴”）之间产生的大量纠缠是这种普遍性出现的关键。在这次演讲中，我将介绍一种新的普遍行为，它源于某些类型的量子混沌多体动力学，超越了传统的热化。我将描述单个多体波函数如何编码由小子系统支持的纯态集合，每个纯态都与局部浴的（投影）测量结果相关。然后，我将展示这些量子态的分布如何接近均匀随机量子态的分布，即集合形成量子信息理论中所谓的“量子态设计”。我们的工作为研究量子混沌提供了一个新视角，并在量子多体物理、量子信息和随机矩阵理论之间建立了桥梁。此外，它还提供了一种实用且硬件高效的伪随机态生成方法，为设计量子态层析成像应用和近期量子设备的基准测试开辟了新途径。
德维阿希利娅维什瓦维迪亚拉亚, 印多尔
8. 通讯地址 9. 类别 GEN/SC/ST/OBC/其他 请指定其他 10. 资格 BE / B.Tech. / M.Sc./其他 请指定其他 11. 资格年份 12. 专业/分支 13. 参加过任何国家级考试
西尔维娅·马斯特罗马里诺
2023 年 4 月 - 第二十三届 AIP 全国大会（主题：“未来的老年心理。能力、技术、意义”。发表的作品：“'大脑行走绿色'。一项关于来自马尔凯的老年人群体中认知刺激和身体活动相结合的预防方案的初步研究” 2023 年 11 月 - 国际临床创新和医学科学学生大会。发表的作品：“'大脑行走绿色'。一项关于来自马尔凯的老年人群体中认知刺激和身体活动相结合的预防方案的初步研究”
朱莉娅·肯普
◦ 2023 年：纽约大学 Julius Silver、Roslyn S. Silver 和 Enid Silver Winslow 教授职位 ◦ 2022 年：亚太人工智能协会会员，当选 ◦ 2018 年：欧洲科学院，当选成员 ◦ 2010 年：法兰西共和国总统授予法国国家功绩勋章 (Ordre de Merite) 骑士勋章 (Chevalier) ◦ 2010 年：法国“研究女性奖”每年颁发给体育、媒体、艺术等 9 个领域中的一名女性，其中包括一名科学领域的女性 ◦ 2009 年：特拉维夫大学雷蒙德和贝弗利萨克勒职业发展主席奖，2009 年度获奖，每年颁发给精确科学领域的两名教师 ◦ 2009 年：沃尔夫基金会每年颁发给所有科学领域的 6 名以色列青年科学家的克里尔卓越科学研究奖 ◦ 2007 年：ERC 启动独立研究资助项目在欧洲排名第一，为期 5 年的资助发放给了欧洲所有领域的约 250 名研究人员（约 9500 名申请者），他们被选为 ERC 资助对象的代表，出席 2008 年 10 月 7 日举行的首届 ERC 会议，并被刊登在 ERC 宣传册中
苏米娅·穆克吉
奖项/表彰： (1) 通过国家级考试：GATE (2007)、CSIR-NET (2012)、GATE (2014、2015)。 (2) 2010 年在 Jadavpur 大学获得理工学硕士学位，荣获一等一（金牌）。出版物：(1) “天然色素花青素和单宁对阿拉伯胶生物聚合物的反应性改性：它们的光学和阻抗研究”，Soumya Mukherjee & Himadri Mullick-材料研究创新，Taylor & Francis 集团，DOI：10.1080/14328917.2021.1987694 (2) “用于植物生物聚合物渗出液反应性改性的果实发色团选择及其紫外可见光研究”，S Mukherjee、H Mullick - 科学教育进展，113,2021 - lincolnrpl.org (3) “黑贾木果皮提取物改性阿拉伯胶生物聚合物适用于通过电荷转移增强实现能源设备应用”，Soumay Mukherjee et.al.-Journal of Macromolecular Science, Part B, Taylor & Francis Group, DOI:10.1080/00222348.2024.2422705 联系方式：物理系，Maulana Azad College, 8, Rafi Ahmed Kidwai Rd, Taltala, Kolkata, West Bengal 700013。电子邮箱：soumya.juphysics@gmail.com 手机：+918777086539
索尼娅·弗雷迪的简历和研究
特邀贡献 研讨会“从表面到设备：纳米结构氧化物和碳材料的新视角”——I-Lamp（先进材料物理跨学科实验室），布雷西亚（意大利），2022 年 12 月 12 日“基于功能化石墨烯的电子鼻用于 NO 2 鉴别——特邀演讲。 MNE2022 和 Eurosensors 国际会议，鲁汶（比利时），2022 年 9 月 19-23 日“基于纳米结构碳的呼吸组学电子鼻”——特邀演讲。 研讨会“纳米结构碳材料和设备的趋势”，线上活动，2022 年 1 月 28 日“基于纳米结构碳的呼吸组学气体传感器阵列：从 CNT 到石墨烯”——特邀演讲。研讨会“大学里的博士生”，文学与艺术学院，线上活动，2020 年 11 月 18 日“物理学与医学之间：电子鼻如何嗅出疾病”——受邀演讲。第 58 届 AIF 全国代表大会（意大利物理学教授协会），布雷西亚（意大利），2019 年 10 月 16 日至 19 日“物理学与医学之间：嗅出疾病的电子鼻”——受邀演讲。研讨会“从表面到设备：纳米材料之旅”，布雷西亚大学（意大利），2019 年 4 月 11 日“使用碳纳米管的呼吸组学”——受邀演讲。会议精选贡献 Giornata Italiana dell'analisi dell'espirato，比萨（意大利），2023 年 1 月 10 日“基于碳纳米结构的电子呼吸组学”——口头报告。 石墨烯周 2022 - 国际会议，慕尼黑（德国），2022 年 9 月 5 日至 9 日“通过用 2,5-二芳基四唑功能化的石墨烯基传感器阵列识别干扰气体中的氨气”——海报展示
语义增强图像-文本预训练模型的零样本三维模型分类
Cheraghian 等人 [ 21 – 23 ] 在零样本 3 维模型分类方 面提出了 3 维点云的零样本学习方法、缓解 3 维零样 本学习中枢纽点问题的方法和基于直推式零样本学 习的 3 维点云分类方法，并将它们封装进一个全新 的零样本 3 维点云方法 [ 24 ] 中。以上方法均是利用已 知类样本的点云表征及其词向量对未知类别进行分 类，开创了零样本 3 维模型分类方法。近年来， CLIP 在零样本图像分类上取得了良好的效果，因此有研 究者将 CLIP 应用到零样本 3 维模型分类方法中， Zhang 等人 [ 25 ] 提出了基于 CLIP 的 3 维点云理解 (Point cloud understanding by CLIP, PointCLIP) 模型， PointCLIP 首先将 3 维点云投影成多个深度图，然 后利用 CLIP 的预训练图像编码器提取深度图特 征，同时将类别名称通过 CLIP 预先训练的文本编 码器提取文本特征。但是 PointCLIP 的性能受到深 度图和图像之间的域差异以及深度分布的多样性限 制。为了解决这一问题，基于图像 - 深度图预训练 CLIP 的点云分类方法 (transfer CLIP to Point cloud classification with image-depth pre-training, CLIP2Point) [ 26 ] 将跨模态学习与模态内学习相结合 训练了一个深度图编码器。在分类时，冻结 CLIP 的图像编码器，使用深度图编码器提取深度图特 征，该方法缓解了深度图和图像间的模型差异。用 于 3 维理解的图像 - 文本 - 点云一致性表征学习方法 (learning Unified representation of Language, Im- age and Point cloud for 3D understanding, ULIP) [ 27 ] 构建了一个图像、文本和点云 3 种模态的 统一嵌入空间，该方法利用大规模图像 - 文本对预 训练的视觉语言模型，并将 3 维点云编码器的特征 空间与预先对齐的视觉 - 文本特征空间对齐，大幅 提高了 3 维模型的识别能力。与之相似的是，基于 提示文本微调的 3 维识别方法 (CLIP Goes 3D, CG3D) [ 28 ] 同样使用 3 元组形式确保同一类别的 3 维模 型特征和图像特征之间以及 3 维模型特征和文本特 征之间存在相似性，从而使点云编码器获得零样本 识别的能力。另外， PointCLIP V2 [ 29 ] 在 Point- CLIP 的基础之上，通过利用更先进的投影算法和 更详细的 3 维模型描述，显着提高了零样本 3 维模型 分类准确率。本文采用语义增强 CLIP 解决图像和文 本的语义鸿沟问题，通过在语义层面为图像和文本 提供更多相似的语义信息，使图像和文本对齐更具有 一致性，从而有效提高 3 维模型的零样本分类性能。 2.2 提示工程
辛西娅·鲁丁 - Statement1.pdf
机器学习有两个“领域”表现得非常不同：“原始”数据问题和“表格”数据问题。原始数据问题受益于非常复杂的模型。它们的预测问题具有确定的结果，例如，图像分类器应该能够以超过 99% 的准确率确定图像中是否包含椅子。表格问题则不同：表格数据是人们可以在电子表格中找到的数字表。表格数据问题预测不确定的结果，例如某人出狱后是否会犯罪。表格数据问题无法从深度学习等复杂模型中受益。对于表格数据，有新的可解释机器学习算法可以创建小到可以放在索引卡上但又与深度学习一样准确的模型。