XiaoMi-AI文件搜索系统
World File Search System高准确度
未来 NASA 深空量子链路和基础科学的量子时钟同步
高精度和高准确度地测量、保持和分配时间的能力是科学探索的基础能力。除了基础科学之外，时间同步也是公共和私人通信、导航和测距、分布式传感等技术应用不可或缺的功能。我们建议实施一个由卫星和地面时钟组成的量子网络，该网络能够实现皮秒精度的量子时钟同步。实施拟议的 QCS 网络具有双重优势：(1) 为传统应用提供比目前更准确、更强大、更安全的时间同步网络，(2) 可满足未来量子通信网络更严格的同步要求。
以智能引领人工智能在数字未来和可持续发展中的作用
人工智能的应用——人工智能在各行各业的广泛应用已成热门话题。人工智能已帮助工程师优化风力发电场、农业流程和多式联运系统的效率。它以高准确度和高速度处理大量信息，为研究人员提供帮助。在医疗保健领域，它能够使用非侵入性方法探索细胞水平的炎症趋势——未来，医疗保险提供商可能会在计算保费时使用此类信息。人工智能甚至可以对抗衰老过程和犯罪分子的伪装，因为仅凭一张图片，人工智能就能永远识别出一个人，即使他们改变了发型、戴了眼镜或留了胡子。
时间相关密度泛函理论的最小辅助基组及其与紧束缚近似的比较：应用于银纳米
通过第一性原理方法对等离子体纳米粒子的光谱进行建模需要耗费大量的计算资源，因此需要具有高准确度/计算成本比的方法。本文，我们表明，如果在辅助基组中每个原子仅采用一个 s 型函数，并采用适当优化的指数，则可以大大简化时间相关密度泛函理论 (TDDFT) 方法。这种方法（称为 TDDFT-as，代表辅助 s 型）可以预测不同尺寸和形状的银纳米粒子的激发能量，与参考 TDDFT 计算相比，平均误差仅为 12 meV。TDDFT-as 方法类似于线性响应处理的紧束缚近似方案，但适用于原子跃迁电荷，这里精确计算（即没有来自群体分析的近似）。我们发现，原子跃迁电荷的精确计算大大改善了宽能量范围内的吸收光谱。
评估乳腺癌检测中的人工智能和机器学习模型：卷积神经网络 (CNN) 和全球研究趋势的回顾
大量研究强调了人工智能 (AI) 在乳腺癌诊断中的重要性。然而，对该领域 AI 应用的系统评价往往缺乏凝聚力，每项研究都采用独特的方法。本研究旨在通过引文分析详细研究 AI 在乳腺癌诊断中的作用，帮助对吸引学术关注的关键领域进行分类。它还包括主题分析，以确定每个类别中的具体研究主题。2015 年至 2024 年期间发表的与乳腺癌和 AI 相关的研究共计 30,200 项，来源于 IEEE、Scopus、PubMed、Springer 和 Google Scholar 等数据库。在应用纳入和排除标准后，确定了 32 项相关研究。这些研究中的大多数都使用分类模型进行乳腺癌预测，其中高准确度是最常见的报告性能指标。卷积神经网络 (CNN) 成为许多研究中的首选模型。研究结果表明，乳腺癌诊断中基于 AI 的算法的数量和质量在给定年份都在增加。人工智能越来越多地被视为医疗保健行业和临床专业知识的补充，其目标是提高全球优质医疗的可及性和可负担性。
精确的植物高度测量和生物量估计...
摘要。适当的田间管理需要高精度、高准确度和高分辨率的植物高度测量方法。研究表明，地面激光扫描 (TLS) 适用于捕获农作物等小物体。本文介绍了用于监测中国水稻田植物高度的多时相 TLS 调查结果。在田间试验和农民常规管理的田地上进行了三次活动。高密度的测量点使我们能够建立分辨率为 1 厘米的作物表面模型，可用于推导植物高度。对于两个地点，TLS 得出的植物高度和手动测量的植物高度之间都具有很强的相关性（R 2 = 0.91），这证实了扫描数据的准确性。根据田间试验的植物高度和生物量样本之间的相关性建立了生物量回归模型（R 2 = 0.86）。模拟值和测量值之间的强相关性（R 2 = 0.90）支持了对农民田地的可转移性。独立的生物量测量用于验证时间可转移性。该研究证明了 TLS 在推导植物高度方面的优势，可用于模拟生物量。因此，激光扫描方法是精准农业的一种很有前途的工具。© 作者。由 SPIE 根据知识共享署名 3.0 未移植许可证出版。
通过生成对抗网络快速模拟高粒度量热仪
摘要 我们提出了 3DGAN，用于模拟未来高粒度量热仪的三维图像输出。我们证明了生成对抗网络 (GAN) 在生成科学数据方面的有效性，同时在大量输入变量中保持对各种指标的高准确度。我们展示了迁移学习概念的成功应用：我们训练网络模拟来自较小范围的初级能量的电子簇射，然后进一步训练五倍大的范围（模型无法直接训练更大的范围）。同样的概念被扩展到为其他粒子生成簇射，这些粒子的大部分能量都沉积在电磁相互作用中（光子和中性介子）。此外，还探索了带电介子簇射的生成，更准确的努力需要来自其他探测器的额外数据，而这些数据不在当前工作的范围内。我们的进一步贡献是演示了如何使用 GAN 生成的数据进行实际应用。我们使用 GAN 生成的数据训练第三方网络，并证明响应类似于使用蒙特卡罗模拟数据训练的网络。GAN 生成的阵雨对各种物理特征的准确度在蒙特卡罗的 10% 以内，速度提高了三个数量级。通过分布式训练可以进一步提高训练和推理的速度。
标题 基于 RRAM 交叉阵列的神经形态脑接口，用于高通量实时脉冲分类
实时尖峰分类和处理对于闭环脑机接口和神经假体至关重要。具有数百个电极的高密度多电极阵列的最新发展使得能够同时记录来自大量神经元的尖峰。然而，高通道数对实时尖峰分类硬件的数据传输带宽和计算复杂性提出了严格的要求。因此，有必要开发一种专门的实时硬件，该硬件可以在高吞吐量下动态分类神经尖峰，同时消耗最少的功率。在这里，我们介绍了一种实时、低延迟尖峰分类处理器，它利用高密度 CuO x 电阻交叉开关以大规模并行方式实现内存尖峰分类。我们开发了一种与 CMOS BEOL 集成兼容的制造工艺。我们广泛描述了 CuO x 存储设备的开关特性和统计变化。为了使用交叉开关阵列实现尖峰分类，我们开发了一种基于模板匹配的尖峰分类算法，该算法可以直接映射到 RRAM 交叉开关上。通过使用合成和体内细胞外脉冲记录，我们通过实验证明了高准确度的节能脉冲分类。与基于 FPGA 和微控制器的其他硬件实现相比，我们的神经形态接口在实时脉冲分类的面积（减少约 1000 倍面积）、功率（减少约 200 倍功率）和延迟（对 100 个通道进行分类的延迟为 4.8μs）方面均有显著改进。
基于 RRAM 交叉阵列的神经形态脑接口，用于高通量实时脉冲分类
实时尖峰分类和处理对于闭环脑机接口和神经假体至关重要。具有数百个电极的高密度多电极阵列的最新发展使得能够同时记录来自大量神经元的尖峰。然而，高通道数对实时尖峰分类硬件的数据传输带宽和计算复杂性提出了严格的要求。因此，有必要开发一种专门的实时硬件，该硬件可以在高吞吐量下动态分类神经尖峰，同时消耗最少的功率。在这里，我们介绍了一种实时、低延迟尖峰分类处理器，它利用高密度 CuO x 电阻交叉开关以大规模并行方式实现内存尖峰分类。我们开发了一种与 CMOS BEOL 集成兼容的制造工艺。我们广泛描述了 CuO x 存储设备的开关特性和统计变化。为了使用交叉开关阵列实现尖峰分类，我们开发了一种基于模板匹配的尖峰分类算法，该算法可以直接映射到 RRAM 交叉开关上。通过使用合成和体内细胞外脉冲记录，我们通过实验证明了高准确度的节能脉冲分类。与基于 FPGA 和微控制器的其他硬件实现相比，我们的神经形态接口在实时脉冲分类的面积（减少约 1000 倍面积）、功率（减少约 200 倍功率）和延迟（对 100 个通道进行分类的延迟为 4.8μs）方面均有显著改进。
基于 RRAM Crossbar 的神经形态脑接口...
摘要 — 实时尖峰分类和处理对于闭环脑机接口和神经假体至关重要。具有数百个电极的高密度多电极阵列的最新发展使得能够同时记录来自大量神经元的尖峰。然而，高通道数对实时尖峰分类硬件的数据传输带宽和计算复杂性提出了严格的要求。因此，有必要开发一种专门的实时硬件，该硬件可以在高吞吐量下动态地对神经尖峰进行分类，同时消耗最少的功率。在这里，我们介绍了一种实时、低延迟的尖峰分类处理器，它利用高密度 CuO x 电阻交叉开关以大规模并行方式实现内存尖峰分类。我们开发了一种与 CMOS BEOL 集成兼容的制造工艺。我们广泛描述了 CuO x 存储设备的开关特性和统计变化。为了使用交叉开关阵列实现尖峰分类，我们开发了一种基于模板匹配的尖峰分类算法，该算法可以直接映射到 RRAM 交叉开关上。通过使用合成和体内细胞外脉冲记录，我们通过实验证明了高准确度的节能脉冲分类。与基于 FPGA 和微控制器的其他硬件实现相比，我们的神经形态接口在实时脉冲分类的面积（减少约 1000 倍面积）、功率（减少约 200 倍功率）和延迟（对 100 个通道进行分类的延迟为 4.8μs）方面均有显著改善。