XiaoMi-AI文件搜索系统
World File Search System表示
腹侧换段区域的GABA能神经元表示和调节力量
图1。奖励喷口位置的变化引起的力量在不同方向上施加了力量，而不会改变奖励预测。（a）。连续测量在头部固定装置中受约束的小鼠中向后和向后的劳累的连续测量。（B-C）带有不同喷口位置的Pavlovian调节任务设计。（D-E）双向力的劳累取决于相同会话内的吐口位置。小鼠表现出与喷口位置对齐的方向（n = 12）的力量。（f）小鼠在不同方向上施加力作为条件和无条件的响应（左：CR，配对t检验，t = 9.473，p <0.0001；右：ur rign：ur，ur，成对t检验，t = 9.556，p <0.0001）。（G-H）在喷口位置变化时一致的舔行为。（i）左，与条件响应相同的舔率（配对t检验，t = 1.758，p = 0.107）。右，与无条件响应的舔速度相同（配对t检验，t = 0.0624，p = 0.951）。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
混合量子表示和希尔伯特（Hilbert）
摘要。目的：这项工作旨在应用量子希尔伯特（Hilbert）争夺，以增强图像水印的安全性和完整性，而不会影响视觉质量退化。对被调查方法的进一步概念可能会为传统的水印方法提供一个很好的解决方案，以通过新的量子计算概念解决数字图像安全性和完整性的一些问题。方法：本文回顾了量子希尔伯特（Hilbert）争夺，其计算复杂性为𝑂（𝑛22 2）。该过程涉及将图像编码为量子状态，并用希尔伯特曲线置换量子，并使用量子门嵌入水印。结果：定量性能评估指标，例如峰信号与噪声比（PSNR）和结构相似性指数（SSIM），显示出高峰信号与噪声比（PSNR）值的高峰值信号（PSNR）值，从56.13 dB到57.87 db至57.87 db，结构相似性指数（SIM）（SSIM）（SIM）（SIM）（SIM）（SIM）（SIM）来自0.9985至0.985至0.999990，相应地愿意。这证明了质量降解非常小，结构的细节得到很好的维护。新颖性：所提出的方法将量子计算与传统水印步骤集成在一起，以在数字水印中采用安全有效的方法。进一步的开发应集中于改善有关计算效率的量子电路，将方法的适用性扩展到广泛的图像上，以及在水印中的各种情况，并通过结合量子和经典方法来提高性能和可伸缩性，以找到混合方法。关键字：希尔伯特（Hilbert）争夺，图像水印，量子希尔伯特（Hilbert）争夺，2024年7月收到的绩效测量 / 2024年10月修订 / 2024年11月接受的这项工作已在创意共享4.0国际许可下获得许可。
CMIP6中陆生碳循环的表示
摘要。在气候模型中对碳循环的仿真由于对气候变化的影响很重要，但是在以前的模型中发现了许多弱点。 参与耦合模型对比项目第6阶段（CMIP6）的地球系统模型（ESMS）中土地碳循环表示的改进，包括对碳和ni-trogen周期的互动处理，改善了光合作用的光合作用和土壤水文学。 为了评估这些模型发展对全球碳循环AST的影响，将Earth System模型评估工具（ESMVALTOOL）扩展为比较CO 2-浓度 - 浓度和CO 2发射驱动的历史模拟，从CMIP5和CMIP6和CMIP6与观察数据集进行了比较。 特定的重点是在有和没有交互式陆氮循环的模型中的差异。 超出了CMIP5中光合作用（GPP）的光合作用（GPP），在CMIP6中大部分分析了具有交互式氮循环的参与模型，但保留模型。 这表明包括营养限制的重要性。 模拟叶片区域内（LAI）仍然具有挑战性，并且在CMIP5和CMIP6中均具有较大的模型。 在ESM中，在CMIP5和CMIP6多模型均值中，全球平均土地碳吸收（NET BIOME生产力（NBP））很好地回复了。 但是，这是北半球NBP低估的结果，这是由概论所补偿的在气候模型中对碳循环的仿真由于对气候变化的影响很重要，但是在以前的模型中发现了许多弱点。参与耦合模型对比项目第6阶段（CMIP6）的地球系统模型（ESMS）中土地碳循环表示的改进，包括对碳和ni-trogen周期的互动处理，改善了光合作用的光合作用和土壤水文学。为了评估这些模型发展对全球碳循环AST的影响，将Earth System模型评估工具（ESMVALTOOL）扩展为比较CO 2-浓度 - 浓度和CO 2发射驱动的历史模拟，从CMIP5和CMIP6和CMIP6与观察数据集进行了比较。特定的重点是在有和没有交互式陆氮循环的模型中的差异。超出了CMIP5中光合作用（GPP）的光合作用（GPP），在CMIP6中大部分分析了具有交互式氮循环的参与模型，但保留模型。这表明包括营养限制的重要性。模拟叶片区域内（LAI）仍然具有挑战性，并且在CMIP5和CMIP6中均具有较大的模型。在ESM中，在CMIP5和CMIP6多模型均值中，全球平均土地碳吸收（NET BIOME生产力（NBP））很好地回复了。但是，这是北半球NBP低估的结果，这是由概论所补偿的
可刺激性，确切的可分辨率和表示理论
血浆分散系统的正频和负频率分支，以及来自等离子体频率ωp的状态密度的差异。最强的共振发生在与直接带间跃迁相关的调制频率的调制频率下。高阶共振与相关机制相关，但调制频率较低。管理这些共鸣的数学形式主义是希尔的方程式。我们证明了各种周期性调节方案的这些共振，并提供了一个通用的扰动公式（从山丘方程理论的角度来看，它本身就具有弱调制振幅的限制，在损失的情况下，共振宽度限制了。我们发现使用时间调节的等离子介质来增强光学增益的信息。
学习单细胞转录组学数据的多细胞表示可以表征患者水平疾病状态
单细胞RNA-SEQ（SCRNA-SEQ）已成为研究Human生物学和疾病的重要工具。大量SCRNA-SEQ数据集和先进的机器学习技术的可用性最近驱动了单细胞基础模型的开发，这些模型可根据表达配置文件提供信息丰富且通用的单元格代码。但是，要了解疾病状态，我们需要考虑整个组织生态系统，同时考虑许多不同的相互作用细胞。在这里，我们通过产生从用Scrna-seq的多细胞表达上下文得出的患者水平表示来应对这一挑战。我们开发了Pascient，这是一种新型模型，采用多级表示学习范式，并在单个细胞和基因水平上提供了重要的分数，以跨多种细胞类型的细胞类型和基因程序进行细粒度分析，并提供给定疾病的特征。我们使用pastient来学习来自5,000多名患者的2430万个细胞的大规模SCRNA-SEQ ATLA中的疾病模型。全面而严格的基准测试表现出疾病分类中帕斯特的优越性及其多个下水道应用，包括降低维度降低，基因/细胞类型的优先考虑和患者亚组发现。
使用大语言模型揭示人脑中的多层次和多模式语义表示
在最近的研究中，研究人员使用了大型语言模型（LLM）来探索大脑中的语义表示。但是，他们通常分别评估了不同级别的语义内容，例如语音，对象和故事。在这项研究中，我们使用功能磁共振成像（fMRI）记录了大脑活动，而参与者则观看了8.3个小时的戏剧和电影。我们在多个语义级别注释了这些刺激，这使我们能够为此内容提取LLM的潜在表示。我们的发现是LLMS比传统语言模型更准确地预测人脑活动的结果，尤其是对于复杂的背景故事。此外，我们确定了与不同语义表示相关的不同大脑区域，包括多模式视觉 - 语义表示，这突出了同时建模多级和多态语义表示的重要性。我们将使我们的fMRI数据集公开使用，以促进对LLM与人脑功能保持一致的进一步研究。请在https://sites.google上查看我们的网页。com/view/llm and-brain/。
debian：大脑形象的深度表示，用于分析神经退行性疾病
伴有路易尸体（DLB）和阿尔茨海默氏病（AD）的痴呆症是老年人中的两种常见神经退行性疾病。既与大脑中蛋白质异常沉积有关，这些疾病的诊断可能具有挑战性，尤其是在区分它们时，因为它们在早期阶段表现出相似的症状。脑MRI提供了详细的大脑结构图像，从而识别与神经退行性疾病相关的结构变化。深度学习在分析这些图像，实现准确的预测和解释方面表现出了巨大的希望。是最近出现的大规模预训练的视觉模型（VLMS），由于其可概括的视觉和文本表示，它们的性能显着。
DeBIAN：用于神经退行性疾病分析的脑图像深度表示
背景路易体痴呆 (DLB) 和阿尔茨海默病 (AD) 是老年人中两种常见的神经退行性疾病。这两种疾病都与大脑中蛋白质的异常沉积有关，它们的诊断具有挑战性，尤其是在区分它们方面，因为它们在早期阶段表现出相似的症状。脑部 MRI 提供了脑结构的详细图像，可以识别与神经退行性疾病相关的结构变化。深度学习在分析这些图像方面显示出巨大的潜力，可以实现准确的预测和解释。它的核心是最近出现的大规模预训练视觉语言模型 (VLM)，由于其可泛化的视觉和文本表示，它们已经表现出非凡的性能。
现收现付立法的法定估计*（以百万美元为单位；正数表示赤字增加，负数表示
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.