XiaoMi-AI文件搜索系统
World File Search System网络模型
影响者的无关性：在社交网络模型中，具有重新激活和免疫力的信息传播持续时间呈指数级增长
网络上的信息传播模型处于人工智能研究的前沿。此类模型的动态通常遵循流行病学中的随机模型，不仅用于模拟感染，还用于模拟各种现象，包括计算机病毒的行为和病毒式营销活动。在这种情况下，一个核心问题是如何有效地检测宿主图中最具影响力的顶点，以使感染存活时间最长。在包含顶点重新感染的过程中，例如 SIS 过程，理论研究确定了参数阈值，其中过程的存活时间迅速从对数转变为超多项式。这些结果与起始配置相关的直觉相矛盾，因为该过程总是会快速消亡或几乎无限期地存活。这些结果的一个缺点是，到目前为止，尚未对包含短期免疫（或创意广告疲劳）的模型进行这样的理论分析。我们通过研究 SIRS 过程（一个更现实的模型，除了重新感染外，还包含短期免疫）来缩小文献中的这一差距。在复杂网络模型中，我们确定了使过程能够以指数级增长存活的参数范围，并得到了随机图的严格阈值。这些结果的基础是我们的主要技术贡献，揭示了 SIRS 过程在具有大型扩展子图的图（例如社交网络模型）上存活时间的阈值行为。
CWGAN-GP带有含锂离子电池热图像数据扩展的剩余网络模型
锂电池在储能中找到了广泛的应用。温度是评估锂离子电池状态的关键指标，许多实验需要用于研究目的的锂离子电池的热图像。然而，由于诸如高实验成本和相关风险之类的因素，获取锂离子电池故障的热成像样品是具有挑战性的。为了解决这个问题，我们的研究提议利用有条件的Wasserstein生成对抗网络，该网络具有梯度惩罚和残留网络（带剩余网络的CWGAN-GP），以增强描述锂离子电池故障的热图像的数据集。我们采用各种评估指标来定量分析和比较锂离子电池的热图像。随后，扩展的数据集，包括四种描述锂离子电池故障的热图像的类型的热图像，是输入基于面具区域的卷积神经网络进行训练的。结果表明，就锂离子电池的生成的热图像质量而言，提出的模型超过了传统的生成对抗网络和Wasserstein生成对抗网络。此外，数据集的增强导致基于掩模区域的卷积神经网络的故障诊断准确性提高。
基于双向特征金字塔注意的时间卷积网络模型用于运动想象脑电图分类
脑机接口 (BCI) 是一种新兴的交互式通信方法，通过解码大脑活动产生的信号，实现对假肢和外部设备的神经控制，以及中风后运动康复。这种最先进的技术有可能彻底改变生活的各个方面，并显着提高整体生活质量。BCI 具有广泛的应用范围，从医疗援助到人类增强（Ahmed 等人，2022 年；Altaheri 等人，2023 年）。通常，脑电图 (EEG) 信号反映大脑的电活动，并通过在头皮上放置电极阵列来非侵入式地记录。获得真实值（时间和通道）二维 EEG 信号矩阵使人与外部设备之间的直接通信成为可能（Graimann 等人，2010 年）。运动想象 (MI) 是一种思考如何移动身体的某个部位而不移动身体的活动。基于 EEG 的 MI 活动已广泛应用于车辆控制、无人机控制、环境控制、智能家居、安全和其他非医疗领域（Altaheri 等人，2023 年）。然而，解码 MI-EEG 信号仍然是一项具有挑战性的任务。在此任务中，其他生理信号（例如面部肌肉活动、眨眼和环境中的电磁干扰）会污染记录的 MI-EEG 信号并导致信噪比低（Lotte 等人，2018 年）。MI-EEG 模式的个体差异受到参与者大脑结构和功能差异的影响。此外，EEG 系统在信号通道之间表现出一定程度的相关性，这进一步使信号处理过程复杂化（Altaheri 等人，2022 年）。在对 EEG 信号进行分类和识别的传统方法中，通常依赖于领域特定知识。这导致人们更加关注开发有效的特征提取和分类技术，这主要是由于 EEG 信号固有的低信噪比（ Huang et al., 2019 ）。人们通常使用各种特征提取方法，包括独立成分分析（ Barbati et al., 2004 ； Delorme and Makeig, 2004 ； Porcaro et al., 2015 ； Ruan et al., 2018 ）、小波变换（ Xu et al., 2018 ）、共同空间模式（ Gaur et al., 2021 ）和经验模态分解（ Tang et al., 2020 ）。在对 EEG 信号进行预处理后，从处理后的信号中提取基本特征并输入分类器以确定输入实例的类别（ Vaid et al., 2015 ）。传统的特征提取方法通常涉及手工设计的特征提取器，例如滤波器组共享空间模式 (FBCSP) (Ang et al., 2008) 或黎曼协方差 (Hersche et al., 2018) 特征。Ang et al.（2012）使用滤波器组公共空间模式（FBCSP）算法来优化MI-EEG上公共空间模式（CSP）的受试者特定频带，然后采用基于互信息的最佳个体特征（MIBIF）算法和基于互信息的粗糙集约简（MIRSR）算法从信号中提取判别性的CSP特征。最后，我们使用CSP算法进行分类并获得了良好的性能。值得注意的是，所有这些步骤都非常耗时。虽然传统方法通过预处理方法提高了EEG信号的信噪比，但从不同时间戳和受试者采集的EEG信号通常
pNeurFill：基于增强型神经网络模型的带周长调整的虚拟填充合成
摘要 —虚拟填充被广泛用于显著改善 VLSI 制造中化学机械抛光 (CMP) 工艺的表面图案平面性。在虚拟填充流程中，虚拟合成是调整 CMP 后轮廓高度的关键步骤。然而，现有的虚拟合成优化方法通常无法平衡填充质量和效率。本文提出了一种基于模型的新型虚拟填充合成框架 NeurFill，该框架集成了多起点-顺序二次规划 (MSP-SQP) 优化求解器。在该框架内，首先将全芯片 CMP 模拟器迁移到神经网络，通过后向传播实现 8134 倍的梯度计算加速。在 CMP 神经网络模型的基础上，我们进一步实现了 NeurFill 的改进版本 (pNeurFill)，以缓解虚拟周长引起的 CMP 后高度变化。在每次虚拟密度优化迭代之后，都会基于给定的候选虚拟图案集进行额外的周长调整，以寻找最佳周长填充量。实验结果表明，提出的 NeurFill 优于现有的基于规则和模型的方法。与 NeurFill 相比，pNeurFill 中的额外周长调整策略可使高度变化平均减少 66.97 Å，质量提高 8.92%。这将为 DFM 提供指导，从而提高 IC 芯片的成品率。
语言的神经网络模型甚至更深的问题
https://www.cambridge.org/journals/behavia-balam-lefs-lep.a8a8a8a8a.8a8a.8a8a8aa8a8a8a8a8c8https://www.cambridge.org/journals/behavia-balam-lefs-lep.a8a8a8a8a.8a8a.8a8a8aa8a8a8a8a8c8
用于图像分类的混合量子-经典卷积神经网络模型
摘要 — 图像分类在遥感中起着重要作用。地球观测 (EO) 不可避免地进入了大数据时代，但对计算能力的高要求已经成为使用复杂机器学习模型分析大量遥感数据的瓶颈。利用量子计算可能有助于解决这一挑战，因为它可以利用量子特性。本文介绍了一种混合量子-经典卷积神经网络 (QC-CNN)，它应用量子计算有效地从 EO 数据中提取高级关键特征以进行分类。此外，采用振幅编码技术减少了所需的量子位资源。复杂度分析表明，与经典模型相比，所提出的模型可以加速卷积运算。通过 TensorFlow Quantum 平台，使用不同的 EO 基准（包括 Overhead-MNIST、So2Sat LCZ42、PatternNet、RSI-CB256 和 NaSC-TG2）对模型性能进行评估，结果表明，该模型能够取得比经典模型更优的性能，且具有更高的泛化能力，验证了 QC-CNN 模型在 EO 数据分类任务上的有效性。
在工作记忆任务期间，前额叶大脑活动的复发性神经网络模型
当将多个项目保存在短期内存中时，回顾性优先级优先级优先于另一个项目（复古示意）可以促进后续召回。然而，这种作用的神经和计算基础知之甚少。最近的一项研究记录了在复古任务期间猕猴侧向前额叶皮层（LPFC）中的神经信号，在（预先提示）和（会引发后）回归开始之前（预告症）和之后的延迟期间活动对比。他们报告说，在提示前延迟中，单个刺激被维持在神经种群活动的非独立子空间中，而在提示后延迟中，先前的项目被旋转成一个共同的子空间，有可能允许一种常见的读取机制。为了了解如何通过错误最小化可以学习此类代表性转变，我们通过监督训练了经常性的神经网络（RNN），以执行同等的提示回复任务。rnns提供了两个表示结合性颜色刺激的输入，然后进行了预示记忆延迟，位置返回和后提示延迟。我们发现，在猕猴LPFC中观察到的正交到平行的几何变换自然出现在经过训练以执行任务的RNN中。有趣的是，仅当需要在读数之前将提示信息用于几个周期的短期记忆中才能形成平行几何形状，这表明它在维护过程中可能具有鲁棒性。我们通过分析RNN的学习动态和连接模式以及用概率提示训练的模型的行为来扩展这些发现，从而使我们能够为将来的研究做出预测。总的来说，我们的发现与最新的理论说明是一致的，该账目提出的回顾将优先的内存项转化为前瞻性，面向动作的格式。
基于CLRNet网络模型的运动想象脑电信号解码算法
摘要：基于运动想象的脑电解码是脑机接口技术的重要组成部分，是决定脑机接口整体性能的重要指标。由于运动想象脑电特征分析的复杂性，传统的分类模型严重依赖于信号预处理和特征设计阶段。深度学习中的端到端神经网络已经被应用于运动想象脑电的分类任务处理并显示出良好的效果。本研究采用卷积神经网络（CNN）和长短期记忆网络（LSTM）的组合从脑电信号中获取空间信息和时间相关性，跨层连接的使用减少了网络梯度弥散问题，增强了网络模型整体的稳定性。通过融合CNN、BiLSTM和ResNet（本研究中称为CLRNet）对运动想象脑电进行解码，在BCI Competition IV数据集2a上证明了该网络模型的有效性，融合CNN和BiLSTM的网络模型在四类运动想象模式分类中取得了87.0%的准确率。通过加入ResNet进行跨层连接，增强了网络稳定性，进一步提升了2.0%的分类准确率，达到89.0%的分类准确率。实验结果表明CLRNet在运动想象脑电数据集的解码方面具有良好的性能。本研究为脑机接口技术研究中的运动想象脑电解码提供了更好的解决方案。
具有风格化网络模型的概念框架
尽管学术界对物理互联网（PI）的兴趣和资金支持日益增加，但令人惊讶的是，人们对其操作和实施知之甚少。在本文中，我们建议在数字互联网（DI）的基础上研究 PI，数字互联网是一个成熟的实体。我们使用 DI 作为起点为 PI 网络提出了一个概念框架，并发现 PI 网络不仅需要解决可达性问题，即如何将物品从 A 路由到 B，还必须面对更复杂的优化问题，即如何动态优化一组额外的物流相关指标，如成本、排放和运输时间。这些最后的问题对于 DI 来说不那么关键，可以使用相对简单的程序来处理。基于我们的概念框架，我们随后提出了一个使用图论的简单网络模型来支持 PI 的操作化。该模型涵盖了当前文献中提出的 PI 的特征，并为进一步的定量分析提出了未来方向。
视觉皮层的高性能神经网络模型受益于高潜在维度
未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本的版权持有人（该版本发布于2023年6月1日。; https：//doi.org/10.1101/2022.04.27.489466 doi：biorxiv Preprint