XiaoMi-AI文件搜索系统
World File Search System随机网络
具有量子布尔函数的随机网络
摘要：我们提出了量子布尔网络，它可以归类为确定性可逆异步布尔网络。该模型基于先前开发的量子布尔函数概念。量子布尔网络是一种布尔网络，其中与节点相关的函数是量子布尔函数。我们研究了这个新模型的一些特性，并使用量子模拟器研究了网络连接函数和我们允许的运算符集的动态变化。对于某些配置，该模型类似于可逆布尔网络的行为，而对于其他配置，可能会出现更复杂的动态。例如，观察到大于 2 N 的循环。此外，使用类似于以前用于随机布尔网络的方案，我们计算了网络的平均熵和复杂度。与经典的随机布尔网络（其中“复杂”动态主要局限于接近相变的连通性）相反，量子布尔网络可以表现出稳定、复杂和不稳定的动态，而与其连通性无关。
碳纳米管与化学动态分子复合的随机网络中的材料计算：综述
摘要 对高能效信息处理的需求引发了基于材料的计算设备的新时代。其中，碳纳米管 (CNT) 与其他材料复合的随机网络 (RNW) 因其非凡的特性而受到广泛研究。然而，CNT 研究的异质性使得理解 CNT RNW 中材料内计算的必要特性变得颇具挑战性。在此，我们通过回顾 CNT 应用的进展来系统地处理该主题，从发现单个 CNT 传导到它们在神经形态和非常规 (储层) 计算中的最新应用。本综述概述了随机 CNT 网络及其复合物的非凡能力，用于执行非线性材料内计算任务以及可能取代当前能源效率低下的系统的分类任务。
单层无定形碳和硝酸硼的结构和机械性能
无定形材料表现出各种特征，这些特征不包含晶体，有时可以通过其混乱程度来调节（DOD）。在这里，我们报告了具有不同DOD的单层无定形碳（MAC）和单层无定形硼（MABN）的机械性能。使用具有密度功能理论级别准确性的机器学习势能通过动力学蒙特卡洛（KMC）模拟获得相关结构。提出了一个直观的阶参数，即连续随机网络中由Crystallites占据的面积f x来描述DOD。我们发现f x捕获了DOD的本质：具有相同f x的样品，但使用两个不同的KMC程序获得的微晶的大小和排列，实际上具有相同的径向分布函数，以及键长和键长和键 - 角度。此外，通过使用分子动力学模拟断裂过程，我们发现裂缝前MAC和MABN的机械响应主要由F X确定，并且对大小和特定排列不敏感，并且在某种程度上是晶体的数量和区域分布。分析了两种材料中裂纹的行为，并发现主要在连续的随机网络区域的蜿蜒路径中繁殖，并以截然不同的方式对材料加强的不同方式影响。目前的结果揭示了无定形单层的结构和机械性能之间的关系，并可能为二维材料提供普遍的加强策略。
前言 神经形态人工智能硬件最新进展专题
随着当今人工智能的快速发展，迫切需要解决计算机系统巨大的能耗问题。当前的人工智能系统需要大量的计算处理，这会增加能耗。为了解决这个问题，迫切需要努力开发神经形态人工智能硬件。作为超高效计算的典范，人脑仅以 20 W 的功率运行，这激励人们努力模仿其能源效率。例如，脉冲神经网络的 CMOS 硬件比传统计算机系统上的人工神经网络更有效。神经形态人工智能硬件可以取得进一步的进展，以整合大脑功能，例如突触可塑性和海马行为。植根于材料科学的创新，例如复合材料，展现出信号处理、计算和内存存储的能力，与传统半导体方法相比，有望降低能源需求。此外，纳米材料随机网络中的非线性现象正在成为控制 AI 硬件功耗的关键储层计算设备。由于其化学结构和动力学，纳米材料随机网络提供了超出原始特性的多种应用。纳米材料科学与信息科学的融合预示着下一代 AI 系统的范式转变，以比传统半导体器件更低的制造成本促进低功耗、高密度边缘 AI 系统。本专题重点介绍了 2024 年 3 月举行的第五届神经形态 AI 硬件国际研讨会上讨论的主题。来自材料科学、大脑建模、集成电路和智能系统的专家齐聚一堂，探讨神经形态 AI 硬件。积极参与这个年度研讨会对于推进卓越高效的 AI 硬件至关重要。我们强调对推进神经形态 AI 硬件前沿的集体奉献，并向所有促成本专题的贡献者表示感谢。
表观遗传、突触选择、文化印记和大脑发育：从分子到认知
人脑既不是约翰·洛克所说的没有任何预先存在的先天结构的“白板”——用现代人工智能语言来说，也不是完全由经验指导的未分化神经元的随机网络——也不是完全由基因决定的、不可逆转的硬连线神经元结构。它也不是由简单但非常流行的深度学习人工网络所代表的。人脑的 850 亿到 1000 亿个神经元及其突触连接经过数百万年的进化而来，每个大脑都经过近 15 年的出生后发育而形成，具有我们目前任何计算机都无法比拟的原始组织。它是高度可变、内在丰富的连接性和一套特定于物种的、由基因决定的规则之间的独特妥协，这些规则明确地使我们的大脑成为智人的大脑。
青少年时期功能连接组拓扑结构的发展：拓扑数据分析的证据
青春期是行为和心理健康关键的发展时期。因此，了解大脑在此阶段如何发育是神经科学面临的一项基本挑战。最近的研究主要应用图论中的测量方法，将大脑建模为网络或连接组，显示其功能组织发生了变化，例如分离和整合增加。拓扑数据分析 (TDA) 通过提取整个连接值范围内的高维特征而不是探索一组固定的连接来补充这种建模。本研究使用典型发育人类参与者的纵向样本（N = 98；53/45 女性/男性；6.7 – 18.1 岁），将 TDA 应用于他们的功能连接组，探究这些特性的发展轨迹。此外，我们还探讨了青春期对个体发展轨迹的影响。结果表明，与随机网络相比，青少年大脑具有更分散的拓扑结构，但在局部层面上的连接更密集。此外，发育效应表明整个大脑和额顶叶网络的拓扑结构呈现非线性轨迹，在青春期开始后出现拐点并增加轨迹。这些结果增加了对青少年大脑功能组织发展的洞察。
核反应网络揭示基于恒星能量的新型反应模式
摘要 尽管在发现新原子核、建模微观原子核结构、核反应堆和恒星核合成方面取得了进展，但我们仍然缺乏系统工具（例如网络方法）来了解 JINA REACLIB 中编译的 7 万多种反应的结构和动力学。为此，我们开发了一个分析框架，通过计算进入和离开任何目标核的中子和质子数，可以很容易地知道哪些反应通常是可能的，哪些是不可能的。具体而言，我们在此组装一个核反应网络，其中节点代表核素，链接代表核素之间的直接反应。有趣的是，核网络的度分布呈现双峰分布，与无标度网络的常见幂律分布和随机网络的泊松分布明显不同。基于 REACLIB 中截面参数化的动力学，我们意外地发现，对于速率低于阈值 λ < e − T γ 的反应，该分布具有普遍性，其中 T 是温度，γ ≈ 1.05。此外，我们发现了三条控制核反应网络结构模式的规则：（i）反应类型由链接选择决定，（ii）在核素 Z vs N 的二维网格上，反应核素之间的网络距离很短，（iii）每个节点的入度和出度都彼此接近。通过结合这三个规则，无论核素图如何扩展，我们的模型都可以普遍揭示隐藏在大型密集核反应网络中的底层核反应模式。它使我们能够预测代表尚未发现的可能的新核反应的缺失环节。
生长机制，材料化学之间的相互作用...
摘要：典型的硫化硫酸盐钙钛矿BAZRS 3，其特征在于其直接带隙，异常强大的光收集能力和良好的载体传输特性，为有希望的光伏材料提供了基本的先决条件。这启发了BAZRS 3以薄膜的形式合成，使用溅射和快速的热处理，旨在用于将来的光电应用设备制造。使用X射线吸收光谱（XAS）和X射线衍射（XRD）的短距离和远程结构信息的组合，我们已经阐明了如何从BA，ZR和S原子的随机网络开始，热处理诱导了BAZR 3的结晶和生长，并诱导了对bazr的结晶和生长的影响，并构成了对观测的照片的影响。我们还使用硬X射线（HAXPES）和传统的AlKα辐射的深度依赖光电光谱（PES）结合了电子结构的描述并证实了表面材料化学。从BAZRS 3薄膜的光条间隙的知识中，在900°C的最佳温度下合成，以及我们对费米水平的价带边缘位置的估计，可以得出结论，这些半导体膜本质上是固有的，具有较小的n -type特征。对BAZRS的生长机理和电子结构的详细理解3薄膜有助于铺平其在光伏应用中利用的道路。关键字：粉红色的perovskites，bazrs 3，exafs，xrd，结构 - 属性相关，光电光谱，haxpes■简介
有向图上时变信号的联合采样与重构
摘要 — 时变图信号的顶点域和时间域平滑性是可以利用的基本属性，从有限的样本中有效地重构图信号。然而，当信号的频率占用率随时间变化时，现有的方法并不直接适用。此外，虽然例如传感器网络应用可以从有向图模型中受益，但图特征向量的非正交性会对基于谱的信号重构算法提出挑战。在这种情况下，我们在这里考虑具有未知频率支持的 K 稀疏时变信号。通过利用变化图频率支持的平滑性并在有向图上采用移位操作，我们研究基于 Schur 分解的多个变化信号的联合采样，以通过正交频率分量重构每个信号。首先，通过提出两阶段单独联合采样方案来确定多个信号的联合频率支持。基于估计的频率支持，可以使用在单个采样阶段收集的数据恢复每个信号的 GFT 系数。提出了用于顶点集选择和图移位顺序选择的贪婪算法，从而能够对加性噪声进行鲁棒的信号重构。考虑到应用中的信号可能近似为 K 稀疏，我们进一步利用单个和联合采样阶段的样本，并将最优信号重构作为具有自适应频率支持选择的凸优化问题进行研究。所提出的最佳采样和重构算法优于随机网络和传感器网络数据收集中的几种现有方案。
41000图理论讲师：Luca Trevisan
41000图理论讲师：Luca Trevisan本课程是关于研究网络的算法和分析技术，尤其是从有趣的生成模型中采样的随机网络。该课程对有向和无向图的基本熟悉，连接性和较强的连接性的概念，以及图形及其属性的BFS和DFS访问。我们将研究线性代数技术在图形上的应用，有关光谱图理论和光谱算法的各种结果，我们将在随机块模型中分析用于社区检测的光谱算法，并在随机图中找到种植的集团。第1周：连通性，剪切和光谱图理论讲座1：拉普拉斯（Laplacian）和连通性讲座的无向图，特征值的拉普拉斯矩阵：图形分配的光谱算法及其分析第3：拉普拉卡（Laplacian eigenvalues and Combinix Properties properix pertrix pertrix pertrix pertrix pertrix pertrix pertrix properrix and pertrix propertrix and pertrix propertrix propertry propertrix propertrix： algorithms for random graphs Lecture 4: spectrum of the adjacency matrix of random graphs, Matrix Chernoff bounds, applications Lecture 5: spectral algorithms for finding planted cliques in random graphs Lecture 6: spectral algorithms for community detection in the stochastic block model Week 3: other matrix norms and semidefinite programming algorithms Lecture 7: semidefinite programming, Grothendieck inequality, and more on community detection Lecture 8: semidefinite programming for community detection in the stochastic block model Lecture 9: semidefinite programming and robustness Week 4: spectra of graphs, random walks, and other random processes Lecture 10: the spectrum of Cayley graphs Lecture 11: expanders, random walks and MCMC algorithms Lecture 12: percolation