XiaoMi-AI文件搜索系统
World File Search System逆解
中风治疗指南的新见解......
Winstein CJ：可以确定手臂功能长期使用的功能阈值：来自计算模型的预测和来自肢体约束诱导疗法评估（EXCITE）试验的支持数据。Phys Ther ù÷÷Ā；ÿĀ ：øúùþ-øúúý ÿ) French B Thomas L, Leathley M, Sutton C, McAdam J, Forster A, Langhome P, Price C, Walker A, Watkins C：重复任务训练能改善中风后的功能活动吗？Co-chrane系统综述和荟萃分析。J Rehabil Med ù÷ø÷；ûù ：Ā-øû Ā) Di Pino G, Pellegrino G, Assenza G, Capone F,
通过逆问题的VAE的混合模型进行多种学习
用生成模型代表一系列非常高维数据在实践中已显示出非常有效的计算。但是，这要求数据歧管允许全局参数化。为了代表任意拓扑的多种流形，我们建议学习变分自动编码器的混合模型。在这里，每个编码器对代表一个歧管的一个图表。我们提出了一个模型权重估计的最大似然估计的损失函数，并选择一个为我们提供图表及其倒置的分析表达的体系结构。一旦学习了流形，我们就将其用于解决逆问题，通过最大程度地减少到学习歧管的数据实现项。为了解决最小化的问题，我们提出了在学习歧管上的riemannian梯度下降算法。我们证明了用于低维玩具示例的方法，以及某些图像歧管上的脱张和电阻抗层造影。关键字：多种学习，混合模型，变异自动编码器，Riemannian优化，反问题
ribodifusion：基于第三结构的RNA逆折叠与生成扩散模型
RNA设计显示了RNA在各种生物过程中的关键作用驱动的合成生物学和治疗剂中越来越多的应用。 一个基本的挑战是找到满足结构约束的功能性RNA序列，称为反折叠问题。 已经出现了基于二级结构的计算方法来解决此问题。 然而，由于数据的稀缺，非唯一的结构序列映射和RNA构象的灵活性，直接从3D结构设计RNA序列仍然具有挑战性。 在这项研究中，我们提出了RECODI↵一种用于RNA逆折叠的生成二次模型，可以学习给定3D主链结构的RNA序列的条件分布。 我们的模型由基于图神经网络的结构模块和基于变压器的序列模块组成，该模块将随机序列转换为所需的序列。 通过调整采样重量，我们的模型允许序列恢复和多样性之间进行交易，以探索更多的候选者。 我们将基于RNA聚类的测试集使用DI↵Cut-O↵S序列或结构相似性。 我们的模型在序列恢复中的表现优于基准，序列相似性分裂的平均相对改善为11％，结构相似性分裂的平均相对提高为16％。 此外，Ribodi↵在各种RNA长度类别和RNA类型中的表现始终如一。 我们还施加了内部折叠，以验证生成的序列是否可以折叠到给定的3D RNA骨架中。RNA设计显示了RNA在各种生物过程中的关键作用驱动的合成生物学和治疗剂中越来越多的应用。一个基本的挑战是找到满足结构约束的功能性RNA序列，称为反折叠问题。已经出现了基于二级结构的计算方法来解决此问题。然而，由于数据的稀缺，非唯一的结构序列映射和RNA构象的灵活性，直接从3D结构设计RNA序列仍然具有挑战性。在这项研究中，我们提出了RECODI↵一种用于RNA逆折叠的生成二次模型，可以学习给定3D主链结构的RNA序列的条件分布。我们的模型由基于图神经网络的结构模块和基于变压器的序列模块组成，该模块将随机序列转换为所需的序列。通过调整采样重量，我们的模型允许序列恢复和多样性之间进行交易，以探索更多的候选者。我们将基于RNA聚类的测试集使用DI↵Cut-O↵S序列或结构相似性。我们的模型在序列恢复中的表现优于基准，序列相似性分裂的平均相对改善为11％，结构相似性分裂的平均相对提高为16％。此外，Ribodi↵在各种RNA长度类别和RNA类型中的表现始终如一。我们还施加了内部折叠，以验证生成的序列是否可以折叠到给定的3D RNA骨架中。我们的方法可能是RNA设计的强大工具，可以探索庞大的序列空间并为3D结构约束发现新颖的解决方案。
在衰减模型不确定性下，Visco-Acoustic媒体中的定量逆问题
我们考虑了基于培养基刺激后响应波的测量值的粘性声材料的定量重建（例如，大量模量，密度）的逆问题。数值重建是通过迭代最小化算法进行的。首先，我们研究了算法在衰减模型不确定性方面的鲁棒性，也就是说，当使用不同的衰减模型分别用于模拟合成观察数据和反转时。其次，要处理由域周围墙边界产生的多个反射的数据集，我们使用复杂的频率进行反转，并表明它提供了一个强大的框架，可以减轻多种反射的界限。为了说明算法的效率，我们对超声成像实验的数值模拟进行了数值模拟，以重建包含高对比度特性的合成乳房样品。我们在两个和三个维度上进行实验，后者也可以证明大规模构造中的数值可行性。
通过深度学习的拓扑光子时间晶体的逆设计
摘要：光子时间晶体是现代光学物理学中一种新型的光子系统，导致具有新属性的设备。但是，到目前为止，由于时间晶体结构和拓扑特性之间的复杂关系，设计具有特定拓扑状态的光子时间晶体仍然是一个挑战。在这里，我们提出了一种基于学习的方法来应对这一挑战。在带有时间反演对称性的光子时间晶体中，每一个由动量间隙隔开的频带都可以具有非零量化的浆果相。我们表明，神经网络可以学习时间晶体结构和浆果相之间的关系，然后根据给定的浆果相特性确定光子时间晶体的晶体结构。我们的工作显示了一种将机器学习应用于时变光学系统的逆设计的新方法，并具有潜在的扩展到其他字段，例如随时间变化的声音设备。
grnade：3D RNA逆设计的几何深度学习
计算RNA设计任务通常被提出为反问题，其中设计序列是基于采用单个所需的二级结构而不考虑3D几何和构象多样性的。我们介绍了Grnade，这是在3D RNA骨干上运行的G型RNA de标志管道，以设计明确解释结构和动力学的序列。在引擎盖下，Grnade是一个多状态图神经网络，它在一个或多个3D主干结构上生成候选RNA序列，在该结构中，碱的身份未知。在单态固定骨架上，来自Das等人鉴定的PDB的14个RNA结构的重新设计基准。[2010]，与罗塞塔（Rosetta）相比，Grnade获得了更高的天然序列恢复率（平均为56％）（平均45％），与Rosetta报道的小时相比，要花一秒钟的时间才能产生设计。我们进一步证明了Grnade在用于结构柔性RNA的多状态设计的新基准上的实用性，以及对最近的RNA聚合酶核酶结构的回顾性分析中突变适应性景观的零摄像排名。
解决心脏数字孪生的心电图逆问题：一项综述
摘要 — 心脏数字孪生 (CDT) 是用于理解复杂心脏机制的个性化虚拟表示。CDT 开发的一个关键部分是解决 ECG 逆问题，这使得能够从体表 ECG 数据中重建心脏源并估计患者特定的电生理 (EP) 参数。尽管存在复杂的心脏解剖结构、嘈杂的 ECG 数据和逆问题的病态性质等挑战，但计算方法的最新进展极大地提高了 ECG 逆推理的准确性和效率，增强了 CDT 的保真度。本文旨在全面回顾解决 ECG 逆问题的方法、它们的验证策略、它们的临床应用及其未来前景。对于方法，我们大致将最先进的方法分为两类：确定性方法和概率方法，包括传统技术和基于深度学习的技术。将物理定律与深度学习模型相结合具有良好的前景，但诸如准确捕捉动态电生理学、获取准确的领域知识以及量化预测不确定性等挑战仍然存在。将模型集成到临床工作流程中，同时确保医疗专业人员的可解释性和可用性至关重要。克服这些挑战将推动 CDT 的进一步研究。