XiaoMi-AI文件搜索系统
World File Search System维簇
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。
星系簇的心脏
我们用TNG-Cluster（一种新的宇宙磁性水力动力学仿真）分析了气态内培养基（ICM）的物理特性。我们的样本包含352个模拟簇，跨越晕质量范围为10 14我们专注于将簇分类为冷核（CC）和非冷核（NCC）种群的分类，z = 0群集中央ICM属性的分布以及CC群集群体的红移演化。我们分析了熵，温度，电子数密度和压力的分析结构和径向纤维。为了区分CC和NCC簇，我们考虑了几个标准：中央冷却时间，中央熵，中央密度，X射线浓度参数和密度较高的斜率。根据TNG群集，没有先验群集的选择，这些属性的分布是单峰的，因此CCS和NCCS代表了两个极端。在z = 0的整个TNG群集样品中，基于中央冷却时间，强的CC分数为F SCC = 24％，而F wcc = 60％，弱和NCCS分别为16％。然而，尽管趋势的幅度级甚至方向随定义而变化，但CC的比例在很大程度上取决于光环质量和红移。TNG群集中模拟的高质量簇的丰富统计数据使我们能够匹配观测样本并与数据进行比较。tng群集可以用作实验室，以研究因合并，AGN反馈和其他物理过程而引起的群集核心的演变和转换。Z = 0到Z = 2的CC分数与观测值以及热力学量的径向纤维夹在全球范围内以及分配为CC与NCC Halos时。
有向网络中单向依赖簇与簇同步稳定性
耦合振荡器网络中的集群同步是科学界广泛关注的课题，其应用范围从神经网络到社交网络、动物网络和技术系统。这些网络大多是有向的，信息或能量流从给定节点单向传播到其他节点。然而，集群同步方面的大多数工作都集中在无向网络上。这里我们描述了一般有向网络中的集群同步。我们的第一个观察结果是，在有向网络中，节点集群 A 可能单向依赖于另一个集群 B：在这种情况下，只要 B 稳定，A 可能保持同步，但反之则不成立。本文的主要贡献是一种将集群稳定性问题转化为不可约形式的方法。通过这种方式，我们将原始问题分解为最低维的子问题，这使我们能够立即检测到集群之间的相互依赖关系。我们将分析应用于两个感兴趣的例子：一个小提琴演奏者组成的人类网络演奏一首乐曲，音乐家可以激活或停用该乐曲的定向交互；以及具有定向层到层连接的多层神经网络。
从头开始的簇
2目录5 2.1简介。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 2.1.1本文档的范围。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 2.1.2什么是起搏器？。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 2.2安装。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 2.2.1安装Almalinux 9。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 10 2.2.2配置OS。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。10 2.2.1安装Almalinux 9。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 2.2.2配置OS。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>21 2.2.3重复第二个音符。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>23 2.2.4在节点之间配置通信。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>24 2.3设置并群集。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>26 2.3.1简单的使用和群集外壳。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。。26 2.3.2安装群集软件。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。26 2.3.3配置群集软件。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。26 2.3.4探索PC。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>28 2.4启动并验证群集。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>30 2.4.1开始群集。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>30 2.2.2验证CoroSycc安装。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。31 2.4.3验证起搏器安装。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。32 2.4.4探索现有配置。。。。。。。。。。。。。。。。。。。。。。。。。。。。33 2.5配置围栏。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。34 2.5.1什么是围栏？。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>34 2.5.2选择和围栏设备。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>34 2.5.3配置簇用于围栏。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>35 2.5.4示例。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。。。。。。。35 2.6创建一个主动/被动群集。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。38 2.6.1添加资源。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。38 2.6.2执行故障转移。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。39 2.6.3防止恢复后资源移动。。。。。。。。。。。。。。。。。。。。。41 2.7添加Apache HTTP服务器作为群集服务。。。。。。。。。。。。。。。。。。。。。。。。。。42 2.7.1安装Apache。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 42 2.7.2创建网站文档。 。 。 。 。42 2.7.1安装Apache。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。42 2.7.2创建网站文档。 。 。 。 。42 2.7.2创建网站文档。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。42 2.7.3启用Apache状态URL。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。43 2.7.4配置群集。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。43 2.7.5确保在同一主机上运行资源。。。。。。。。。。。。。。。。。。。。。。。。。44 2.7.6确保资源开始和停止。。。。。。。。。。。。。。。。。。。。。。。。45 2.7.7更喜欢一个节点，而不是另一个节点。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。46 2.7.8手动移动资源。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。47 2.8使用DRBD复制存储。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。48
簇细胞在人1肠2
在小鼠中，肠道簇细胞被描述为一种长期寿命的有丝分裂后细胞类型，其中30个已经鉴定出了两个不同的子集，称为Tuft-1和Tuft-2 1。通过结合对31次人类肠道切除材料和肠道器官的分析，我们确定了四个不同的32个人簇细胞状态，其中两个与它们的鼠重叠。我们表明，簇簇33细胞的发育取决于Wnt配体的存在，簇状细胞数在白介素（IL）-4和IL-13暴露后迅速增加34，如小鼠2-4中报道。这35个是通过预先存在的簇细胞的扩散而来发生的，而不是通过从干细胞中增加的36产生来发生。的确，在胎儿和成人37人类肠道中，增殖性簇细胞在体内都存在。单个成熟的增殖簇细胞可以形成含有所有38种肠上皮细胞类型的器官。与干细胞和祖细胞不同，人簇细胞生存39辐射损伤，并保留产生所有其他上皮细胞类型的能力。因此，缺乏簇簇细胞的40种手机无法从辐射诱导的损伤中恢复。因此，41个簇细胞代表了人类损伤诱导的储备肠干细胞库。42
一种新颖的生成方法，用于来自水力簇的恒星簇 -
摘要。大多数恒星形成块状和亚式结构簇。这些特性也出现在恒星形成云的水力动力模拟中，这为幼年恒星簇的n-身体运行提供了一种逼真的初始条件。然而，在组合时间方面，通过水力学模拟生产大量的初始条件非常昂贵。我们引入了一种新型技术，该技术以微小的计算成本从给定的水力学模拟样本中生成新的初始条件。尤其是我们应用层次聚类算法来学习恒星之间空间和运动学关系的树表示，其中叶子代表单颗恒星，节点描述了在越来越大的尺度下群集的结构。通过简单地修改恒星群集的全局结构，而在使小规模的属性不变的同时，可以将此过程用作随机生成新恒星的基础。
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
探索小水团簇的自由能
摘要：通过解决经典成核理论 (CNT) 的缺陷，我们开发了一种从成核速率实验中提取小水团簇自由能的方法，而无需对团簇自由能的形式进行任何假设。对于高于 ∼ 250 K 的温度，从实验数据点提取的自由能表明，随着团簇尺寸的变化，它们与 CNT 预测的自由能之比表现出非单调行为。我们表明，对于单体，该比率从几乎为零增加，并在接近大团簇的 1 之前通过（至少）一个最大值。对于低于 ∼ 250 K 的温度，提取的能量与 CNT 预测之间的比率行为会发生变化；它随着团簇尺寸的增加而增加，但对于几乎所有的实验数据点，它都保持在 1 以下。我们还应用了最先进的量子力学模型来计算水团簇（2 − 14 个分子）的自由能；尽管温度高于和低于 ∼ 298 K，结果仍然支持观察到的基于温度的行为变化。我们比较了两种不同的模型化学物质 DLPNO-CCSD(T)/CBS// ω B97xD/6-31++G ** 和 G3，并与水二聚体形成的实验值进行了比较。
CRISPR-Cas9 介导的大簇删除和...
图 5 . 基于 CRISPR-Cas9 的 pepC 和 sacB 基因多重基因组编辑。（A）以 mRFP 或 sfGFP 为目的基因的单基因缺失、多重缺失和多重整合的结合和编辑效率。Y 轴上提供结合效率（灰色）和编辑效率（橙色）。编辑效率条顶部的数字表示筛选的接合子总数。误差线表示标准偏差。在确定编辑效率之间的显著差异时，考虑 P 值 < 0.05（* p < 0.05；** p < 0.01）。与单基因缺失和多重缺失相比，多重 mRFP 整合具有显著差异，与单基因缺失相比，多重 sfGFP 整合也具有显著差异。 (B) P. polymyxa 突变体的显微图像，其中 sfGFP 取代了 pepC 和 sacB 基因。(左) 明场图像；(右) GFP 通道。(C) 筛选过程中获得的野生型和突变体的比例以饼状图形式提供。
机器学习以识别家庭中的簇
背景：尚未探索机器学习（ML）提高医学专业委员会效率的潜力。，我们应用了无监督的ML来确定美国家庭医学委员会（ABFM）外交官之间的原型，以了解其实践特征和参与持续认证的动机，然后检查动机模式与关键的重新获得胜任结果之间的关联。方法：对2017年至2021年ABFM家庭医学持续认证考试调查的外交官选择了选择继续认证的动机。我们使用卡方检验来检查外交官的差异比例失败，因为他们的第一次再认证考试尝试都认可了维持证书的不同动机。无监督的ML技术用于生成具有相似实践特征和重新认证动机的医师群。控制医师人口统计学变量，我们使用逻辑回归来检查动机簇对再认证检查成功的影响，并通过与以前创建的专家开发的分类模式进行了验证。结果：ML簇在很大程度上概括了专家先前设计的固有/外在框架。然而，识别的群集将外交官更加平等地分配到同类群体中。在ML和人类群中，主要是外部或混合动机的医生的检查失败率低于那些本质上动机的医生。（J Am Board Fam Med 2024; 37：279–289。）讨论：这项研究证明了使用ML补充和增强人类对董事会认证数据的解释的可行性。我们讨论了这项示威研究对专业委员会与医师外交官之间的相互作用的影响。