XiaoMi-AI文件搜索系统
World File Search System转换成
通过增强发色团填充的计算设计生成明亮的单体红色荧光蛋白
同时为定向进化更亮的变体提供了新模板。荧光蛋白的亮度被定义为它们的摩尔消光系数与量子产率的乘积，它们分别是它们的发色团吸收光的能力和将吸收光转换成发射光的效率。虽然增加这两个性质中的任何一个都会成比例地增加亮度，但是人们还不太了解 RFP 结构的变化如何有益地影响它们的消光系数，这使得通过合理设计预测有益突变变得复杂。另一方面，已知荧光团的量子产率与它们的构象灵活性直接相关，8 – 10 因为运动会将吸收的能量以热量而不是光子的形式耗散。对于荧光蛋白，研究表明，通过亚甲基桥的扭转，发色团对羟基苯亚甲基部分的扭曲会导致非辐射衰减。10,11 因此，应该可以通过设计突变来限制对羟基苯亚甲基部分的构象灵活性，从而提高 RFP 亮度，从而提高量子产率。在这里，我们使用 Triad 软件 12 进行计算蛋白质设计，以优化暗淡单体 RFP mRojoA（量子产率 = 0.02）中发色团口袋的包装，我们假设这会使发色团变硬，从而提高量子产率。为此，对发色团对羟基苯亚甲基部分周围的残基进行了突变
图解演算中的量子多值决策图
用于量子计算的图形演算，例如 ZX 演算 [9]、ZW 演算 [10] 和 ZH 演算 [2]，是设计和分析量子过程的强大而直观的工具。它们已经成功应用于基于测量的量子计算研究 [15]、通过对表面码进行格点手术进行纠错 [12,13]，以及量子电路优化 [4,11,22]。它们与“路径求和” [1,23,28] 的紧密联系，以及它们各自的完整方程理论 [4,16,21,27]，使它们成为自动验证的良好候选者 [7,14,17]。一个重要的问题是综合问题，其答案对许多不同方面都有好处。给定一个量子过程的描述，我们如何将其转换成 ZX 图？这一切都取决于所提供的描述。我们已经展示了如何有效地从量子电路 [4]、基于测量的过程 [15]、一系列格子手术操作 [13]、“路径求和” [23] 甚至过程的整个矩阵表示 [20] 获取图表。虽然最后一种转换在矩阵大小方面是有效的，但是矩阵本身的大小会随着量子比特的数量呈指数增长，因此实际上很少有过程会以整个矩阵的形式给出。然而，矩阵表示有一个优势：它 (本质上) 是唯一的。两个量子算子在操作上相同当且仅当它们的矩阵表示共线。这与之前的所有不同例子形成了对比，例如两个不同的量子电路可以实现相同的算子。
与人工智能共同创作？道德困境和人工智能
人工智能（“AI”）革命有可能改变法律文章的写作方式。以前必须筛选大量学术资料的作者现在只需单击按钮即可从算法中获得快速答案。虽然这可能会加快法律写作速度，但也可能对透明度带来重大挑战：编辑还能信任作者提交的内容吗？AI 是否也会影响编辑审查提交内容的方式？当前的提交指南是否足以应对 AI？我们的文章通过三个步骤解决了这些问题。首先，我们在 ChatGPT（历史上增长最快的消费者应用程序）发布仅几天后就与其进行了接触。通过向 ChatGPT 提出有关使用 AI 的道德问题并要求其将答案转换成文章，我们对 AI 提供相关答案的优势以及其“幻觉”来源和有限准确性的弱点有了新的认识。其次，我们使用类似的练习将 ChatGPT 与 Microsoft Bing Chat 的互联网连接版本进行了比较。通过这种比较，我们能够确定在哪些情况下使用 AI 是有用的。最后，我们将我们的见解应用于主要出版商的不同指南，这些指南在对 AI 编写的文本的方法上存在分歧。本文的贡献有两方面：(1) 它对生成式 AI 如何用于法律写作以及此类实践的道德界限进行了新颖的考察，(2) 它比较了现有的出版指南并确定了这些指南如何影响作者和编辑的行为。我们发现
背柱核神经信号特征允许对自然触觉和本体感觉主导的刺激进行强大的机器学习
神经假体通过将脑信号转换成运动控制信号，使用户能够通过各种执行器实现运动。然而，要通过这些设备实现更自然的肢体运动，需要恢复体感反馈。我们使用特征学习能力（一种机器学习方法）来评估信号特征，以了解它们能否增强自然触觉和本体感觉刺激引起的神经信号的解码性能，这些刺激是从乌拉坦麻醉大鼠的背柱核 (DCN) 表面记录的。表现最好的单个特征尖峰幅度以 70% 的准确率对体感 DCN 信号进行分类。使用从 DCN 信号的高频和低频 (LF) 波段中提取的 13 个特征，最高准确率达到 87%。总体而言，高频 (HF) 特征包含有关外周体感事件的最多信息，但当从短时间窗口获取特征时，通过向特征集添加 LF 特征可以显著提高分类准确率。我们发现本体感觉主导的刺激在动物中的推广效果优于触觉主导的刺激，并且我们展示了信号特征有助于神经解码的信息如何随着动态体感事件的时间过程而变化。这些发现可能为可以激活 DCN 以替代体感反馈的人工刺激的仿生设计提供参考。虽然我们研究了体感结构，但我们研究的特征集也可能对解码其他（例如运动）神经信号有用。
![arXiv:2404.17895v1 [cs.HC] 2024 年 4 月 27 日](/simg/7\71317db7666471198cd2dd51133daac74c160000.png)
arXiv:2404.17895v1 [cs.HC] 2024 年 4 月 27 日
摘要。脑机接口 (BCI) 融入智能轮椅 (SW) 技术领域，标志着在增强残疾人士的行动能力和自主能力方面取得了显著的飞跃。BCI 是一种使大脑和外部设备之间能够直接通信的技术。虽然 BCI 系统为增强人机交互和为残疾人士提供移动解决方案提供了绝佳的机会，但它们也引发了有关安全性、安全性和隐私的重大担忧，而这些问题尚未得到大规模研究人员的彻底解决。我们的研究旨在通过利用 BCI 的脑电图 (EEG) 信号来增强残疾人士对轮椅的控制。我们引入了一种非侵入式 BCI 系统，该系统利用神经信号采集耳机来捕获 EEG 信号。这些信号是从个人经过训练产生的特定大脑活动中获得的，从而可以精确控制轮椅。基于 EEG 的 BCI 有助于捕捉大脑的电活动并将这些信号转化为可操作的命令。我们研究的主要目标是展示该系统解释脑电图信号和解码用户发出的特定思维模式或心理命令的能力。通过这样做，它旨在将这些转换成轮椅的精确控制命令。这一过程包括识别导航意图，例如前进、后退或转弯，这些意图是专门为轮椅操作量身定制的。通过这种创新方法，我们旨在在用户的认知意图和轮椅运动之间创建一个无缝的界面，增强身体残疾人士的自主性和机动性。
三、人工智能与经济：对央行的影响
大型语言模型 (LLM) 的出现使生成式人工智能 (gen AI) 成为热门话题。LLM 改变了人们与计算机交互的方式——从代码和编程接口转向普通文本和语音。这种通过普通语言进行交流的能力以及 gen AI 类似人类的内容创建能力已经吸引了我们的集体想象力。从表面来看，最新 AI 模型的底层数学遵循了早期计算机科学家所熟悉的基本原理。单词或句子被转换成数字数组，使其适合计算机擅长的算术运算和几何操作。新功能是能够将大规模数学顺序带入日常非结构化数据，无论是文本、图像、视频还是音乐。最近的 AI 发展得益于两个因素。首先是大量数据的积累。最新的 LLM 利用了互联网上可用的全部文本和视听信息。其次是最新一代硬件的强大计算能力。这些元素将人工智能模型变成了高度精确的预测机器，具有检测数据模式和填补空白的非凡能力。关于增强模式识别是否足以接近“通用人工智能”（AGI），使人工智能具有完全类似人类的认知能力，人们正在展开激烈的争论。无论能否实现 AGI，将结构强加于非结构化数据的能力已经在许多任务中释放了新功能，而这些功能是前几代人工智能工具无法实现的。1 新一代人工智能模型可能会改变许多活动，并对更广泛的经济和金融体系产生深远影响。同样重要的是，这些相同的能力
双罐储热用于 SFR 可变发电：初步架构和瞬态结果
未来的能源结构方案通常意味着可再生能源的大量贡献。太阳能和风能的使用日益增多，而它们本质上是间歇性的，实际上构成了电网的不确定性和脆弱性来源。由于核能在转换成电能之前会产生热量，因此在热量转换步骤之前进行热存储步骤可能有效地弥补这种间歇性，以确保电网的可靠性和灵活性，而不会导致核反应堆功率发生大的变化。根据每日情景，核反应堆甚至可以全天保持最大功率。按照这种方法，较小的反应堆能够应对与没有热存储系统的较大反应堆相同的峰值需求。本文提出了一种与钠快堆耦合的初步热存储架构，以突出这种存储技术的优势。基于两个分别装有热流体和冷流体的罐的技术设计受到当前太阳能技术的启发。该系统的尺寸确定采用热力学循环优化工具 (CYCLOP)，初步瞬态模拟采用系统热工水力学代码 CATHARE3。即使仍需要进行一些架构改进，尤其是出于安全原因，本研究仍能得出这种发电策略的主要优点。特别是，结果表明，在负荷跟踪条件下，在以基本负荷运行反应堆时，可以实现可变的电力生产，从而能够优化工厂的盈利能力。由于在温度变化方面对一次回路的影响可以忽略不计，因此容器中的热机械负荷约束也可以大大放宽。
通过预设消除碱基调用中浪费的计算...
碱基调用是纳米孔测序分析中的一个重要步骤，其中纳米孔测序仪的原始信号被转换成核苷酸序列，即读取。最先进的碱基调用器使用复杂的深度学习模型来实现高碱基调用准确性。这使得碱基调用在计算上效率低下且耗费内存，成为整个基因组分析流程的瓶颈。然而，对于许多应用而言，大多数读取与感兴趣的参考基因组（即目标参考）不匹配，因此在基因组学流程的后续步骤中被丢弃，浪费了碱基调用计算。为了解决这个问题，我们提出了 TargetCall，这是第一个预碱基调用过滤器，以消除碱基调用中浪费的计算。TargetCall 的主要思想是在碱基调用之前丢弃与目标参考不匹配的读取（即脱靶读取）。 TargetCall 由两个主要组件组成：(1) LightCall，一种产生噪声读取的轻量级神经网络碱基调用器，以及 (2) 相似性检查，它通过将这些噪声读取与目标参考进行匹配，将每个噪声读取标记为在靶或脱靶。我们彻底的实验评估表明，TargetCall 1) 将最先进的碱基调用器的端到端碱基调用运行时性能提高了 3.31 倍，同时在保持目标读取方面的高 (98.88%) 召回率，2) 在下游分析中保持高准确率，以及 3) 与以前的工作相比，实现了更好的运行时性能、吞吐量、召回率、准确率和通用性。TargetCall 可在 https://github.com/CMU-SAFARI/TargetCall 获得。
来自人类参与者的单个神经元的在线内部语音解码
5 Rancho Los Amigos 国家康复中心，美国加利福尼亚州唐尼 90242 *主要联系人：skwandelt@caltech.edu 摘要：语音脑机接口 (BMI) 将脑信号转换成单词或音频输出，使因疾病或受伤而失去语言能力的人们能够进行交流。虽然在发声、尝试和模仿语音解码方面已经取得了重要进展，但内部语音解码的成果却很少，而且尚未实现很高的功能性。值得注意的是，目前仍不清楚可以从哪些大脑区域解码内部语音。在这项工作中，一名四肢瘫痪的参与者在边缘上回 (SMG) 和初级体感皮层 (S1) 植入了微电极阵列，该参与者进行了六个单词和两个伪词的内部和发声语音转换。我们发现 SMG 单神经元活动具有强大的内部语音解码能力，在在线任务中分类准确率高达 91%（偶然水平 12.5%）。发现内部语音、单词阅读和发声语音过程之间存在共享神经表征的证据。SMG 表示不同语言（英语/西班牙语）的单词以及伪词，为语音编码提供了证据。此外，我们的解码器通过多种内部语音策略（听觉想象/视觉想象）实现了高分类。S1 中的活动受发声语音而非内部语音的调节，这表明在内部语音生成过程中没有发生声道的发声器运动。这项工作代表了高性能内部语音 BMI 的第一个概念验证。
量子独立集问题和非阿贝尔绝热混合
许多重要的算法都证明了量子计算机相对于传统计算机的优势，特别是用于因式分解的 Shor 算法 [1] 和用于搜索的 Grover 算法 [2]。这些算法基于协调简单量子门的离散操作。这类算法称为量子电路算法 [3]。在量子计算的另一个范例中，算法是通过设计汉密尔顿量来实现的。在这里，我们从一个易于准备的初始状态开始，让它动态演变，并在某个时刻进行适当的测量。（当然，汉密尔顿量应该对应于可能实现的电路。）基于汉密尔顿量的量子算法将编程问题转化为物理问题，这使得人们可以利用熟悉的物理过程来优化算法。1998 年提出了一种用于量子搜索的汉密尔顿方法 [4]，并很快扩展到更一般的“绝热”算法 [5]。已经证明，每个量子电路算法都可以转换成量子绝热算法，其时间复杂度是多项式等价的（反之亦然）[6,7]。但连续方法可以提出不同的方法，比如这里讨论的非阿贝尔混合，或者我们将在其他地方描述的共振[8]。这里我们提出了一种针对独立集问题的有效量子汉密尔顿算法（见图1）。任何图都有平凡的独立集：空集和只有一个顶点的集。我们的目标是找到非平凡的独立集，有两个或理想情况下更多顶点。独立集问题可以用全否定2可满足性（2-SAT）问题来重新表述，反之亦然。基于此