XiaoMi-AI文件搜索系统
World File Search System腹流
dirichlet流匹配
离散扩散或流模型可以比自回归模型更快，更可控制的序列产生。我们表明，单纯形上的线性流匹配不足以实现该目标，因为它遭受了训练目标和进一步的病理的差异。为了克服这一点，我们基于Dirichlet分布作为概率路径的混合物在单纯形上开发了Dirichlet流量匹配。在此框架中，我们在混合物的分数和流量的矢量字段之间得出了一个连接，允许分类器和无分类器指导。此外，我们提供了蒸馏的Dirichlet流量匹配，从而使一步序列产生具有最小的性能命中率，与自动回旋模型相比，O（L）的加速导致O（L）的加速。在复杂的DNA序列生成任务上，我们证明了与分布指标的所有基准相比，在实现生成序列的所需设计目标方面相比。最后，我们表明我们的指导方法改善了无条件的生成，并且可以生成满足设计目标的DNA。
通过得分和流匹配
我们提出了无模拟分数和流匹配（[SF] 2 m），这是一种用于推断自随机动力学的无模拟Objective，给出了从任意源和目标分布中绘制的未配对样品。我们的方法一般 - 扩散模型训练中使用的得分匹配损失以及最近提出的流量匹配损耗用于训练连续归一化流量。[SF] 2 m将连续的随机构成建模为Schrödinger桥概率。它依赖于静态熵调查的最佳传输或Minibatch近似，以有效地学习SB，并使用模拟学习的随机过程。我们发现[SF] 2 m更有效，并且比先前的工作中基于仿真的方法为SB问题提供了更准确的解决方案。最后，我们将[SF] 2 m应用于快照数据学习细胞动力学的问题。值得注意的是，[SF] 2 m是在高维度中准确模拟细胞dynamics的第一种方法，并且可以从模拟数据中恢复已知的基因调节网络。我们的代码可在https://github.com/ atong01/conditional-flow-matching的TorchCFM软件包中找到。
心流的余辉：音乐家心流的神经关联
摘要 心流是一种最佳或高峰体验状态，通常与专业和创造性表现有关。音乐家在演奏时经常体验到心流，然而，由于神经数据中存在大量伪影，这种难以捉摸的状态背后的神经机制仍未得到充分探索。在这里，我们通过关注心流体验后立即进入的静息状态来绕过这些问题。音乐家演奏了预期会可靠地引发心流状态的乐曲，并作为对照，演奏了不会引发心流的音乐作品。在心流状态之后，我们观察到上部 alpha（10-12 Hz）和 beta（15-30 Hz）波段的频谱功率更高，主要是在大脑前额叶区域。使用相位斜率指数进行的连接分析显示，右额叶簇影响了 θ（5 Hz）波段左颞叶和顶叶区域的活动，在报告高倾向性心流的音乐家中尤其明显。前顶叶控制网络内的 θ 波段连接促进了认知控制和目标导向注意力，这对于实现心流状态可能至关重要。这些结果揭示了与音乐家的即时心流后状态相关的大规模振荡相关性。重要的是，该框架有望在实验室环境中探索心流相关状态的神经基础，同时保持生态和内容有效性。
化学成分，流和鼓在...
Appendix ............................................................................................................................................... 61-67
搭载量子流
我们预见到可以在受量子纠错码 (QECC) 保护的量子比特流上搭载经典信息。为此，我们提出了一种通过故意引入噪声在量子流上发送经典比特序列的方法。这种噪声会引发一个受控的征兆序列，可以在不破坏量子叠加的情况下对其进行测量。然后可以使用这些征兆在量子流之上编码经典信息，从而实现多种可能的应用。具体而言，搭载量子流可以促进量子系统和网络的控制和注释。例如，考虑一个节点彼此交换量子信息的网络 [1-7]。除了用户数据之外，网络运行还需要同步模式、节点地址和路由参数等控制数据。在经典网络中，控制数据会消耗物理资源。例如，带内同步要求传输节点在数据流中插入特定模式的比特（消耗额外带宽）来分隔数据包，而接收节点则要求从传入的比特中搜索此类模式 [8]。然而，将量子比特作为控制数据插入对量子网络来说并不是一个可行的选择，因为测量会破坏量子态叠加 [9]。出于这个原因，一些研究断言量子网络将需要经典网络来实现带外信令和控制 [7]。另一方面，参考文献 [10-12] 开发了将经典比特和随机数（使用连续变量）一起传输以实现量子密钥分发 (QKD)，以增强经典网络的安全性。相反，我们渴望将经典比特和量子比特（使用离散变量）一起传输，以控制量子网络。
676 Rolls 等人 2023 层次组织...
使用人类连接组计划多模态分区图谱，用脑磁图测量了 83 名执行视觉记忆任务的人类连接组计划参与者的 25 个腹侧流视觉皮层区域和 180 个皮层区域之间的层次组织。目的是通过这种快速神经成像方法，利用基于生成有效连接的全脑模型揭示层次组织。V1–V4 形成第一组互连区域。特别是 V4 与腹外侧视觉流具有连接：V8、梭状面部皮层和后下颞叶皮层 PIT。这些区域反过来与下颞叶皮层视觉区域 TE2p 和 TE1p 具有有效连接。TE2p 和 TE1p 然后与多模态的前颞叶区域 TE1a、TE1m、TE2a 和 TGv 具有连接。在腹内侧视觉流中，V1–V4 连接到腹内侧区域 VMV1–3 和 VVC。VMV1–3 和 VVC 连接到内侧海马旁回 PHA1–3，后者与 VMV 区域一起包括海马旁回场景区。内侧海马旁回 PHA1–3 区域与海马系统区域（外嗅皮层、内嗅皮层和海马）具有连接性。通过脑磁图测量的两个腹侧视觉皮层流的有效连接为通过 fMRI 测量的大脑系统的层次组织提供了支持，并为方向性提供了新的证据。
利用特定任务的深度神经网络揭示视觉皮层的功能
人类视觉皮层通过功能各异的皮层区域中的一系列分层计算实现视觉感知。在这里，我们介绍了一种人工智能驱动的方法来发现视觉皮层的功能映射。我们将人类大脑对用功能性磁共振成像 (fMRI) 测量的场景图像的反应系统地与一组经过优化以执行不同场景感知任务的多样化深度神经网络 (DNN) 相关联。我们发现 DNN 任务和大脑区域之间存在沿着腹侧和背侧视觉流的结构化映射。低级视觉任务映射到早期大脑区域，3 维场景感知任务映射到背侧流，语义任务映射到腹侧流。这种映射具有高保真度，九个关键区域中 60% 以上的可解释方差得到解释。总之，我们的结果提供了一种新颖的人类视觉皮层功能映射，并展示了计算方法的强大功能。
腹主动脉瘤和胸主动脉瘤风险因素的差异
结果：VIP/MONICA 队列中前瞻性收集了 96,196 名受试者的数据，其中 236 名 AAA 患者（181 名男性和 55 名女性）和 935 名匹配对照，168 名 TAA 患者（115 名男性和 53 名女性）和 662 名对照。AAA 病例和对照的基线检查平均年龄为 57.0 ± 5.7 岁，TAA 病例和对照的基线检查平均年龄为 52.1 ± 8.8 岁。AAA/TAA 基线检查和诊断之间的平均时间分别为 12.1 年和 11.7 年。AAA 和 TAA 之间的风险因素谱存在明显差异。吸烟、高血压和冠状动脉疾病与 AAA 的后期诊断有显著相关性，吸烟史的 aOR 最高（aOR，10.3；95% 置信区间 [CI]，6.3-16.8）。对于 TAA，高血压是唯一的阳性风险因素（aOR，1.7；95% CI，1.1-2.7），而吸烟则无关。糖尿病与 AAA 或 TAA 均无关；自我报告的体力活动也无关。