XiaoMi-AI文件搜索系统
World File Search System随机采样
M2实习：随机PDES的物理信息的生成神经网络
其中w是一个随机的强迫术语（例如白噪声），θ=（κ，α）是模型参数，与Mat'协方差函数相关。这种方法桥接了物理和统计建模之间的联系。这导致了大量的精炼方程（1），以建模更广泛的随机字段，并开发用于估计模型参数的统计推理程序（Lindgren等人。2022）。这些方法中的大多数都依赖于基于网格的方法，使用有限元或音量方法来离散有限的基础函数集方程。在Clarotto等人中提出了这种方法对时空数据的最新概括。（2024）。另一方面，在确定性的环境中，物理知识的神经网络（Pinns，Raissi等人2019）最近引入了求解部分微分方程nθ[u] = 0，其中nθ是任意的差分运算符。一个人试图找到最佳的神经网络uν（ν是一组权重和偏见），通过在随机采样的搭配点上最小化其PDE残差来代表解决方案。这种无网格的方法已被证明在各种情况下有用，并且可以扩展到反对问题，在这种情况下，人们试图学习差分运算符的参数θ给定解决方案的某些观察结果。
基于 OpenFOAM 的 3D 欧拉/拉格朗日飞机结冰模拟求解器的开发
摘要：在开源 CFD 工具箱 OpenFOAM 中开发了 3D 结冰模拟代码。采用混合笛卡尔/贴体网格划分方法来生成复杂冰形周围的高质量网格。求解稳态 3D 雷诺平均纳维-斯托克斯 (RANS) 方程以提供绕翼的集合平均流动。考虑到液滴尺寸分布的多尺度特性，更重要的是为了表示过冷大液滴 (SLD) 不太均匀的特性，实现了两种液滴跟踪方法：为了提高效率，采用欧拉方法跟踪小尺寸液滴（50 µ m 以下）；采用随机采样的拉格朗日方法跟踪大液滴（50 µ m 以上）；在虚拟表面网格上求解表面溢流的传热；通过 Myers 模型估计冰积聚；最后，通过时间推进预测最终的冰形。由于实验数据有限，分别使用欧拉法和拉格朗日法对二维几何的三维模拟进行验证。事实证明，该代码在预测冰形方面是可行的，并且足够准确。最后，给出了 M6 机翼的结冰模拟结果，以说明完整的三维功能。
用于解决 MAXCUT 的随机神经形态电路
摘要 — 寻找图的最大割点 (MAXCUT) 是一个经典的优化问题，它推动了并行算法的开发。虽然 MAXCUT 的近似算法提供了有吸引力的理论保证并展示了令人信服的经验性能，但这种近似方法可能会将主要的计算成本转移到随机采样操作上。神经形态计算利用神经系统的组织原理来启发新的并行计算架构，提供了一种可能的解决方案。自然大脑的一个普遍特征是随机性：生物神经网络的各个元素都具有内在的随机性，这是实现其独特计算能力的资源。通过设计利用与自然大脑类似的随机性的电路和算法，我们假设微电子设备中的内在随机性可以转化为神经形态架构的宝贵组成部分，从而实现更高效的计算。在这里，我们展示了神经形态电路，它将一组随机设备的随机行为转化为有用的相关性，从而为 MAXCUT 提供随机解决方案。我们表明，与软件求解器相比，这些电路的性能更佳，并认为这种神经形态硬件实现提供了扩展优势的途径。这项工作展示了将神经形态原理与内在随机性相结合作为新计算架构的计算资源的实用性。
用变分量子方法制备 SU(3) 格子杨-米尔斯真空
量子色动力学 (QCD) 在从核力将原子核结合在一起到非弹性强子碰撞以及极端条件下物质的行为（如超新星和早期宇宙）等一系列现象中发挥着重要作用。自 20 世纪 70 年代发现以来，已经开发出许多分析和数值工具来研究 QCD。最成功的数值计算方法之一是格点 QCD [1,2]。已经使用格点 QCD 对强子谱 [3 – 5]；电弱矩阵元 [6 – 14]；高温低密度系统和一些多强子系统 [15 – 18] 的性质进行了高精度计算（最近的综述见参考文献 [19,20]）。然而，一些重要可观测量的格点 QCD 计算受到所用随机采样中存在的符号问题的限制。例如，模拟高密度的 QCD [21-25]、与超新星和早期宇宙相关的 QCD，或者带有 θ 项的 QCD，存在符号问题 [26]，超出了经典计算机的大规模能力范围。20 世纪 80 年代，费曼 [27] 和贝尼奥夫 [28] 认识到了经典计算机模拟量子物理的局限性，他们提出使用受控量子系统来模拟感兴趣的量子系统。最近，实验室中对量子系统的控制迅速改进，导致了最初几代量子计算机的诞生。人们已经探索了许多不同的平台，包括但不限于：
在三级医院的急诊室的双相过敏反应的发生率，预测因素和治疗结果：
背景：基于NIAID/FAAN标准，双相过敏反应的发生率为4-5％。我们的研究旨在调查Siriraj医院急诊科（ED）内与双相反应相关的频率和预测因素。方法：这项观察性研究评估了Siriraj医院在2015年1月至2019年12月的Siriraj医院的过敏反应患者的病历。，对这些样本进行了审查和验证。进行电话采访以收集更多数据。单 - 或双相反应进行了描述性分析。进行了预测建模。结果：在1888年的过敏反应病例中，有601例随机采样；分析了239名完成访谈的患者。双相反应的发生率为7.1％（17/239）。双相反应的常见触发因素是食品（57.7％），药物（31％），其他已知的过敏原（5.9％）。贝类，可食用的昆虫和小麦是领先的食物触发因素。双相反应与药物过敏史，任何过敏性疾病，过敏性鼻炎，先前过敏反应的数量，血管性水肿，较少概括的红斑，对贝类的反应较少，对NSAID的反应以及ED访问中没有肾上腺素的反应（所有p <0.1）。来自3个预测者预后模型，包括药物/特发性反应，从发作到第一次肾上腺素> 60分钟的持续时间以及任何皮肤水肿/血管性水肿，曲线下的面积为0.72（95％CI 0.54，0.90）。
掩盖了判别性自我...
自我监督的表示学习（SSL）（Balesteriero等人，2023年）近年来已经成为表示学习的基石。诸如Openai剪辑之类的模型（Radford等人，2021）示例SSL方法如何产生适用于广泛下游任务的表达性表示。此范式依赖于配对的观测值（配对的视图或共享相同内容的方式）来提取有意义的特征。从广义上讲，SSL方法分为两类：歧视性和生成性（或基于重建）。歧视性SSL（Chen等人，2020年）旨在确保比随机采样观测值在潜在空间中更接近配对观测的表示。相反，基于重建的SSL（He等人，2022）涉及从其对中重建一个观察结果。在多视图设置中，数据增强技术（例如图像裁剪和颜色抖动）通常用于人为地创建单个单个观测值。在这些增强中，事实证明，图像裁剪特别有影响力，推动了视觉学习模型（例如Meta's Dino）（Caron等人，2021; Oquab等。，2023）和JEPA（Assran等人，2023）。最近的研究（Bizeul等人，2024）1表明，在图像域中，掩盖（概念上类似于裁剪），而不是单个图像像素可以生成图像对，从而促进基于重建的SSL中表达特征的学习。，2023）。在这个项目中，我们的目标是投资于将类似方法应用于歧视性SSL是否可以产生可比的好处，专门针对Dino，Jepa和Siglip（Zhai等人。
可扩展和自适应保护任何信任的分布式密钥生成和全手检查点
经典分布式密钥生成协议（DKG）由于其在区块链中的广泛应用而被重新效果。尽管已经努力改善了DKG的沟通，但由于各种挑战，实际的大规模部署仍未出现，包括在其对抗性情况下的大量计算和沟通（尤其是广播）开销。在本文中，我们为基于DLOG的加密系统提出了一个实用的DKG，即使面对最大程度的拜占庭节点，它即使在最大程度的拜占庭节点上也可以实现（Quasi）线性计算和每节点成本。此外，我们的协议可以防止自适应对手，这可能会破坏所有节点的一半。我们改进的关键在于将最昂贵的操作委派给一个任何信任小组，以及一组自适应安全技术。该组是随机采样的，由少数个体组成。人口只相信该小组中至少一个成员是诚实的，而不知道哪一个成员。此外，我们提出了一个通用变压器，即使参与者的权重不同，也使我们能够有效地部署常规分布式协议。此外，我们基于区块链和数据分散网络（例如IPF）引入了扩展的广播频道，以恒定大小的区块链存储为代价，可靠地广播任意大小。与巴比伦最近的检查点方法（奥克兰，2023年）相比，我们的比特币交易费用要小得多。我们的dkg导致Filecoin检查点机制的完全实例化，其中所有验证器（POS）区块链的所有验证者定期运行DKG和阈值签名，以在比特币上创建检查点，以增强POS链的安全性。对于2 12个验证者，我们的成本仅为巴比伦方法所产生的费用的0.4％。
可扩展和自适应保护任何信任的分布式密钥生成和全手检查点
经典分布式密钥生成协议（DKG）由于其在区块链中的广泛应用而被重新效果。尽管已经努力改善了DKG的沟通，但由于各种挑战，实际的大规模部署仍未出现，包括在其对抗性情况下的大量计算和沟通（尤其是广播）开销。在本文中，我们为基于DLOG的加密系统提出了一个实用的DKG，即使面对最大程度的拜占庭节点，它即使在最大程度的拜占庭节点上也可以实现（Quasi）线性计算和每节点成本。此外，我们的协议可以防止自适应对手，这可能会破坏所有节点的一半。我们改进的关键在于将最昂贵的操作委派给一个任何信任小组，以及一组自适应安全技术。该组是随机采样的，由少数个体组成。人口只相信该小组中至少一个成员是诚实的，而不知道哪一个成员。此外，我们提出了一个通用变压器，即使参与者的权重不同，也使我们能够有效地部署常规分布式协议。此外，我们基于区块链和数据分散网络（例如IPF）引入了扩展的广播频道，以恒定大小的区块链存储为代价，可靠地广播任意大小。与巴比伦最近的检查点方法（奥克兰，2023年）相比，我们的比特币交易费用要小得多。我们的dkg导致Filecoin检查点机制的完全实例化，其中所有验证器（POS）区块链的所有验证者定期运行DKG和阈值签名，以在比特币上创建检查点，以增强POS链的安全性。对于2 12个验证者，我们的成本仅为巴比伦方法所产生的费用的0.4％。
扩展数据图1. 使用RFdiffusion设计β链配对支架。为了充分利用RFdiffusion的多样化生成潜力，同时
扩展数据图 1. 使用 RFdiffusion 设计 β 链配对支架。为了充分利用 RFdiffusion 的多样化生成潜力，同时鼓励在设计输出中使用 β 链界面，我们实现了一种界面调节算法，该算法可根据简单的用户输入生成 SS/ADJ 调节张量。该模型以张量的形式理解折叠调节，这些张量标记每个残基（a，顶部和左侧）的二级结构（蓝色）以及这些二级结构块的邻接关系（a，黄色中心）。用户指定的参数指定了以下信息：结合剂界面二级结构块（在本例中为 β 链）、该块的长度（b，结合剂张量 L 中的青色块）以及结合剂块相邻的靶位残基（b，靶位张量 T 中的青色块）。根据这些预定义参数，该算法随机采样结合剂界面二级结构块在残基索引空间中的位置，同时保持与指定靶位残基的确定邻接关系（绿色）。该用户定义的调节张量将扩散输出导向β链配对的结合物-靶标界面 (c)。此前，RFdiffusion 界面设计计算可以针对指定为靶标“热点”的特定残基，以指定要结合的靶标残基。而这种新的链间 SS/ADJ 调节功能，使用户能够在结合物支架生成过程中指定“β链热点”或“ɑ-螺旋热点”。基于扩展的结合物-靶标 SS/ADJ 张量调节的结合物支架输出，支持用户指定 β 链界面类型的设计。
在不同组合景观中对机器学习辅助定向进化的评估
2 加州理工学院化学与化学工程部，加利福尼亚州帕萨迪纳 91125，美国 3 加州理工学院工程与应用科学部，加利福尼亚州帕萨迪纳 91125，美国 4 现地址：默克公司，南旧金山，加利福尼亚州 94080 5 现地址：苏黎世联邦理工学院生物系统科学与工程系，Schanzenstrasse 44，4056 Basel 6 主要联系人* 通讯作者：Frances H. Arnold，frances@cheme.caltech.edu Yisong Yue，yyue@caltech.edu 摘要 各种机器学习辅助定向进化 (MLDE) 策略已被证明能比典型的湿实验室定向进化方法更有效地识别高适应度蛋白质变体。然而，对影响 MLDE 在不同蛋白质中表现的因素的了解有限，阻碍了湿实验室活动的最佳策略选择。为了解决这个问题，我们系统地分析了多种 MLDE 策略，包括使用六种不同的零样本预测因子的主动学习和集中训练，涵盖 16 种不同的蛋白质适应度景观。通过用六个属性量化景观导航能力，我们发现 MLDE 在定向进化更具挑战性的景观上提供了更大的优势，尤其是当集中训练与主动学习相结合时。尽管不同景观的优势程度各不相同，但利用不同的进化、结构和稳定性知识来源的零样本预测因子的集中训练在结合相互作用和酶活性方面始终优于随机采样。我们的研究结果为选择蛋白质工程的 MLDE 策略提供了实用指南。关键词组合诱变、定向进化、上位性、适应度预测、机器学习、蛋白质工程、零样本预测因子