XiaoMi-AI文件搜索系统
World File Search System香棒
在增强学习中弥合现实差距：鲁棒
强化学习（RL）通过互动来培训计算模型来解决复杂的决策。但是，由于昂贵或危险错误的高风险，在实地世界环境中的直接培训（例如自动驾驶或医疗程序）通常是不切实际的。因此，RL通常依赖于模拟环境或静态离线数据集。但是，这种依赖引入了一个关键的挑战，称为“现实差距” - 训练条件与现实世界应用中遇到的动态之间的差异。本演示文稿解决了旨在通过增强RL策略的有效性来弥合这一差距的创新策略： - 强大的RL优化：我们深入研究了扰动的战略使用，以优化从模拟器中汲取的政策。这种方法着重于提高这些政策的适应性和鲁棒性，使它们更适合于可变性和意外条件的现实应用程序。- 离线RL优化：进一步的讨论将探讨汉密尔顿 - 雅各比 - 贝尔曼（HJB）方程的应用，作为增强在静态数据集中训练的策略的方法的方法。该技术对于在无法实现与环境的实时互动的情况下改善现实世界的适用性至关重要。
混合尺寸t-j模型中的鲁棒条纹
在强相关系统中，微观理解竞争订单是现代量子多体物理学的关键挑战。例如，条纹顺序的起源及其与Fermi-Hubbard模型中的配对的关系仍然是中心问题之一，并且可以帮助理解库酸酯中高温超导性的起源。在这里，我们分析了T-J模型的掺杂的混合二维（混合）变体中的条纹形成，其中荷载载流子仅限于一个方向移动，而磁性SU（2）相互作用是二维的。在有限温度下，使用密度矩阵重新归一化组，在没有配对的情况下，我们发现了稳定的垂直条带相，以不优量的磁序和远距离电荷密度的波浪pro纤维纤维纤维在广泛的掺杂范围内。我们在磁耦合〜J / 2的阶面找到高临界温度，因此在电流量子模拟器的范围内。多体状态的快照，可以通过量子模拟器访问，在混合设置中揭示了隐藏的自旋相关性，当考虑纯粹的磁背景时，抗Fiferromagnetic相关性会增强。所提出的模型可以看作是实现条纹阶段的父级哈密顿量，其隐藏的旋转相关性导致预测的对量子和热闪光的弹性。
曲率驱动的毛细管迁移和棒状粒子的组装
毛细作用可用于将各向异性胶体粒子引导到精确位置，并通过使用界面曲率作为施加场来定向它们。我们在实验中展示了这一点，在实验中，界面的形状通过钉扎到不同横截面的垂直柱上而形成。这些界面呈现出明确定义的曲率场，可沿复杂轨迹定向和引导粒子。轨迹和方向由理论模型预测，其中毛细作用力和扭矩与高斯曲率梯度和与曲率主方向的角度偏差有关。界面曲率在尖锐边界附近发散，类似于尖锐导体附近的电场。我们利用这一特性在优选位置诱导迁移和组装，并创建复杂结构。我们还报告了一种排斥相互作用，其中微粒沿曲率梯度轮廓远离平面边界壁。这些现象在微粒子和纳米粒子的定向组装中具有广泛的用途，在制造具有可调机械或电子性能的材料、乳液生产和封装方面有潜在的应用。
scanpro：单细胞分辨率数据的鲁棒比例分析
在较高的生物体中，单个细胞通过表观遗传调节（例如基因表达调节）对信号和扰动做出反应。然而，除了移动其转录曲线外，细胞的适应性响应还可以导致不同细胞类型的比例变化。最近的方法（例如SCRNA-SEQ）允许在单细胞水平上询问表达，并可以量化复杂组织样品中的单个细胞类型簇。为了识别显示不同生物条件之间差异组成的簇，最近引入了差异比例分析。然而，严重缺失了用于重复和未复制的单细胞数据集的生物信息学工具。在本手稿中，我们提出了Scanpro，这是一种用于比例分析的模块化工具，无缝集成到Python环境中广泛接受的框架中。scanpro是快速，准确的，可以不重复支持数据集，并且旨在由生物信息学专家和初学者使用。
e-guard：专家指导的鲁棒干扰复合检测
由小有机化合物引起的分析干扰继续对早期药物发现构成巨大挑战。已经开发了各种计算方法来识别可能引起测定干扰的化合物。但是，由于可用于模型开发的数据稀缺，这些方法的预测准确性和适用性受到限制。在这项工作中，我们介绍了E-Guard（专家指导的鲁棒干扰复合检测的增强），这是一个新颖的框架，试图通过整合自我介绍，积极的学习和专家指导的分子产生来解决数据稀缺和失衡。e-guard迭代地用与干扰相关的分子丰富了训练数据，从而产生了具有出色性能的定量结构交流关系（QSIR）模型。我们以四个高质量数据集，氧化还原反应性，纳米酸酯酶抑制和萤火虫荧光素酶抑制的示例，证明了电子方形的实用性。与未经e-Guard数据增强的模型相比，这些数据集的MCC值最高为0.47，其富集因子的改进有两个或更高。这些结果突出了电子保守物作为缓解早期药物发现中测定干扰的可扩展解决方案的潜力。
电动汽车实时鲁棒生态自适应巡航控制策略
摘要 — 本研究通过一种计算效率高的鲁棒控制策略解决了联网电动汽车的生态自适应巡航控制问题。该问题在空间域中采用非线性电力传动系统模型和运动动力学的真实描述来制定，以产生凸最优控制问题 (OCP)。OCP 通过一种新颖的鲁棒模型预测控制 (RMPC) 方法解决，该方法处理由于模型不匹配和前导车辆信息不准确而引起的各种干扰。RMPC 问题通过半正定规划松弛和单线性矩阵不等式 (sLMI) 技术解决，以进一步提高计算效率。使用实验收集的驾驶周期评估所提出的实时鲁棒生态自适应巡航控制 (REACC) 方法的性能。通过与标称 MPC 进行比较来验证其鲁棒性，标称 MPC 会导致速度限制约束违规。所提出方法的能源经济性优于最先进的时域 RMPC 方案，因为可以将更精确拟合的凸动力传动系统模型集成到空间域方案中。与传统恒定距离跟随策略 (CDFS) 的额外比较进一步验证了所提出的 REACC 的有效性。最后，验证了 REACC 可以借助 sLMI 和由此产生的凸算法实现实时实现。
共识聚类，用于鲁棒生物信息学分析
聚类在多种生物信息学应用中起重要作用，包括蛋白质功能预测，种群遗传学和基因表达分析。大多数聚类算法的结果对输入数据的变化，聚类算法及其参数和各个数据集敏感。共识聚类（CC）是聚类算法的扩展，旨在从上述变化来源下不变的那些群集特征构建强大的结果。作为CC的一部分，稳定性得分可以提供所得聚类的可靠性程度的概念。本综述将CC在文献中介绍为三种主要类型，介绍并说明了稳定分数的概念，并说明了在应用中使用CC来模拟和现实的基因表达数据集。Open-source R implementations for each of these CC algorithms are available in the GitHub repository: https://github.com/behnam-yousefi/ConsensusClustering Keywords: Consensus clustering, Ensemble clustering, Robustness, Generation mechanism, Stability score
一系列阳离子改性的鲁棒锆基金属...
摘要：金属有机框架（MOF）代表了最有前途的多孔固体之一，用于控制和减少温室气体排放。研究表明，开放金属位点（OMS）与二氧化碳强烈相互作用，因此是CO 2捕获的有效结合位点。但是，许多具有OMS的MOF缺乏框架稳定性，并且通常具有较高的再生温度。为了寻求解决稳定性问题的方法，我们通过通过ZR-TCPB-COOH上的质子交换金属离子，通过ZR-TCPB-COOH在ZR-TCPB-COOM（M = M = M = Alkali/Alkaline Earth Metal）中设计了一系列。原始的MOF（ZR-TCPB-COOH）具有非常强大的框架。PSM过程不会恶化框架稳定性，而是创建与二氧化碳形成牢固键的金属结合位点。结果表明，在低CO 2压力下，使用ZR-TCPB-COOM大大增强了吸收量，并且趋势趋于增加原子数（li + 在室温下N 2上的CO 2也可以实现高吸附选择性（CO 2 /N 2 IAST选择性（15:85）= 539.5）。 这种方法提供了一种可行的方法来提高CO 2捕获能力，尤其是在低浓度下。在室温下N 2上的CO 2也可以实现高吸附选择性（CO 2 /N 2 IAST选择性（15:85）= 539.5）。这种方法提供了一种可行的方法来提高CO 2捕获能力，尤其是在低浓度下。
用于多功能，动态和鲁棒的双体运动控制
摘要 - 本文介绍了一项有关使用深钢筋学习（RL）为双皮亚机器人创建动态运动控制器的综合研究。超越了关注单个运动技能的关注，我们开发了一种通用控制解决方案，该解决方案可用于一系列动态的两足动物技能，从定期步行和跑步到Aperiodic的跳跃和站立。我们的基于RL的控制器结合了一种新颖的双历史结构，利用了机器人的长期和短期输入/输出（I/O）历史记录。通过拟议的端到端RL方法进行培训时，这种控制架构始终优于模拟和现实世界中各种技能的其他方法。该研究还深入研究了拟议的RL系统在开发运动控制器时引入的适应性和鲁棒性。我们证明，提出的体系结构可以通过有效使用机器人的I/O历史记录来适应时间不变的动态变化和时间变化的变化，例如接触事件。此外，我们将任务随机化确定为鲁棒性的另一个关键来源，促进了更好的任务概括和对干扰的依从性。可以成功部署所得控制的控制策略，这是一种扭矩控制的人尺寸的两头机器人。这项工作通过广泛的现实世界实验推动了双皮亚机器人的敏捷性限制。我们展示了各种各样的运动技能，包括：坚固的站立，多功能步行，快速跑步，展示了400米仪表板，以及各种各样的跳跃技能，例如站立的跳远和跳高。
e-guard：专家指导的鲁棒干扰复合检测
由小有机化合物引起的分析干扰继续对早期药物发现构成巨大挑战。已经开发了各种计算方法来识别可能引起测定干扰的化合物。但是，由于可用于模型开发的数据稀缺，这些方法的预测准确性和适用性受到限制。在这项工作中，我们介绍了E-Guard（专家指导的鲁棒干扰复合检测的增强），这是一个新颖的框架，试图通过整合自我介绍，积极的学习和专家指导的分子产生来解决数据稀缺和失衡。e-guard迭代地用与干扰相关的分子丰富了训练数据，从而产生了具有出色性能的定量结构交流关系（QSIR）模型。我们以四个高质量数据集，氧化还原反应性，纳米酸酯酶抑制和萤火虫荧光素酶抑制的示例，证明了电子方形的实用性。与未经e-Guard数据增强的模型相比，这些数据集的MCC值最高为0.47，其富集因子的改进有两个或更高。这些结果突出了电子保守物作为缓解早期药物发现中测定干扰的可扩展解决方案的潜力。