XiaoMi-AI文件搜索系统
World File Search System高精度的
量子计算机能像传统计算机一样学习吗？机器学习和量子电路的协同设计框架
尽管在各种应用中都追求量子霸权，但量子计算机在机器学习（例如神经网络模型）中的能力大多仍不为人所知，这主要是因为缺少一个有效设计适合量子电路实现的神经网络模型的环节。在本文中，我们提出了第一个协同设计框架，即 QuantumFlow，以修复缺失的环节。QuantumFlow 由一种新颖的量子友好型神经网络 (QF-Net) 设计、一种用于为 QF-Net 生成量子电路 (QF-Circ) 的自动工具 (QF-Map) 以及一个基于理论的执行引擎 (QF-FB) 组成，以有效支持在经典计算机上训练 QF-Net。我们发现，为了充分利用量子表示的优势，QF-Net 中的数据最好建模为随机变量而不是实数。此外，我们为 QF-Net 提出了一种量子感知的批量归一化方法，而不是使用经典的批量归一化（这是实现深度神经网络高精度的关键）。评估结果表明，QF-Net 在广泛使用的 MNIST 数据集中区分数字 3 和 6 的准确率可达 97.01%，比最先进的量子感知实现高出 14.55%。对二元分类应用程序进行了案例研究。在 IBM Quantum 处理器的“ibmq_essex”后端上运行，由 QuantumFlow 设计的神经网络可实现 82% 的准确率。据我们所知，QuantumFlow 是第一个共同设计机器学习模型及其量子电路的框架。
使用卷积神经网络进行面部情绪识别，结合多类分类和贝叶斯优化进行超参数调整
背景：在日常生活中，交流和互动是每个生物非常重要的方面。情绪是增强人类交流过程的重要因素之一。面部表情和手势传达了非语言交流线索，在人际关系中起着至关重要的作用。因此，在建立关系时，了解人类的情绪是非常简单的。面部情绪识别在识别情绪方面起着至关重要的作用，因为它能够模仿人类的编码技能。它可以帮助实时了解用户正在经历哪些情绪，并且它在当代也获得了巨大的重要性，因为它应用于医学、计算机视觉和图像识别等各个领域。可以利用深度学习技术的优势构建情绪识别系统。为了开发具有更高精度的情绪识别模型，用于构建它的算法类型、训练集的大小、使用的参数调整算法等各种因素都很重要。对于良好的精度模型，超参数调整是深度学习过程的一个重要方面。超参数优化的良好选择确实可以使模型成功达到所需的精度。使用贝叶斯优化等超参数调整算法研究、实验和训练模型将有助于开发良好的面部情绪识别模型，并展示深度学习领域的显著科学进步。
云辅助自主驾驶的钥匙
1引言自动驾驶通过消除人为错误[1]来减少道路死亡[1]，通过改善交通流量[60]并为数百万受残疾人影响的人提供流动性来改变社会的潜力[1]。虽然自动驾驶汽车的部署有限（AVS）是无限的[14]，但仍存在挑战，例如在较差的天气条件和建筑区域中运营[22]。为了应对这些挑战，为提高机器学习的准确性（ML）模型而采取了重大努力[16，52，61，76，88]。但是，更准确的模型通常更加算法[73，90]。因为AV必须以比人类的反应时间快（例如390毫秒至1。2 s [45，87]），在车辆上部署模型需要仔细的运行时和准确性之间的权衡导航，以确保AVS提供高质量的决策和快速响应时间[34，79]。进一步满足严格的绩效要求的挑战，由于体力，热量和稳定性限制以及由于经济现实而导致的车载计算AV可以访问今天受到限制（第3节）；综上所述，结果是在最新的（SOTA）AV硬件上可用的量命令较少，可用于云，该硬件可以实时运行哪些模型。访问更好的计算将为更快地运行更高精度的更大型号提供机会，直接转化为提高安全性。我们建议转向云，该云提供对SOTA硬件的按需访问，因此提供了机会
两级CMOS运算放大器的分析...
印度安得拉邦蒂鲁帕蒂 Sri Venkateswara 工程学院电子与计算机系摘要：运算放大器电路用于计算、仪器仪表和其他应用。以前用于仪器仪表的精密运算放大器如今被用于工业和汽车应用。因此，总是需要更高精度的运算放大器。它应该在很宽的温度范围内工作。如今，由于行业趋势是应用标准工艺技术在同一芯片上实现模拟电路和数字电路，互补金属氧化物半导体 (CMOS) 技术已经取代双极技术成为混合信号系统中模拟电路设计的主导技术。两级运算放大器是最常用的运算放大器架构之一。本文介绍了一种基于 CMOS 的运算放大器，其输入取决于其偏置电流，偏置电流为 20µA，采用 180nm 和 90nm 技术设计。在亚阈值区域，由于 MOS 晶体管的独特行为，设计人员不仅可以在低电压下工作，还可以在低输入偏置电流下工作。大多数 CMOS 运算放大器都是为特定的片上应用而设计的，只需要驱动几 pf 的电容负载。在本提案中，介绍了两级全差分 CMOS 运算放大器的设计，并针对各种参数在 180nm 和 90nm 技术中进行了模拟。模拟将使用 Cadence Virtuoso Tool 进行。
标题：用于脑器官研究的反馈驱动的物联网微流体、电生理学和成像平台
摘要：组织培养物（尤其是脑类器官）的分析需要高度的协调、测量和监控。我们开发了一个自动化研究平台，使独立设备能够实现反馈驱动的细胞培养研究的协作目标。通过物联网 (IoT) 架构统一，我们的方法能够实现各种传感和驱动设备之间的持续通信交互，实现对体外生物实验的精确定时控制。该框架集成了微流体、电生理学和成像设备，以维持大脑皮层类器官并监测其神经元活动。类器官在定制的 3D 打印腔室中培养，这些腔室连接到商用微电极阵列以进行电生理学监测。使用可编程微流体泵实现定期进料。我们开发了计算机视觉液体体积估计方法，可实现高精度的抽吸培养基，并使用反馈来纠正培养基进料/抽吸循环期间微流体灌注的偏差。我们通过对小鼠大脑皮层类器官进行为期 7 天的研究验证了该系统，比较了手动和自动协议。自动化实验样本在整个实验过程中保持了强劲的神经活动，与对照样本相当。自动化系统可以每小时进行一次电生理记录，揭示了神经元放电率的显著时间变化，而这种变化在每天一次的记录中是观察不到的。
drivaernet：用于数据驱动空气动力设计和基于图的阻力预测
摘要这项研究介绍了Drivaernet，这是3D行业标准汽车形状的大规模高保真CFD数据集，以及RegDGCNN（一种动态的图形卷积神经网络模型），均旨在通过机器学习进行空气动力的汽车设计。drivaernet，其4000个详细的3D汽车网架使用了50万个表面网状面和全面的空气动力性能数据，包括全3D压力，速度场和壁剪应力，解决了广泛的数据集以训练工程应用中深度学习模型的广泛数据的关键需求。它比以前最大的汽车公共数据集大60％，并且是唯一对车轮和车身底部进行建模的开源数据集。regdgcnn利用此大型数据集直接从3D网格中提供高精度的阻力估计，绕过传统限制，例如需要2D图像渲染或签名距离字段（SDF）。通过在几秒钟内实现快速的阻力估计，RegdGCNN便有助于快速的空气动力学评估，从而为在汽车设计中的数据驱动方法整合而实现了巨大的飞跃。一起，Drivaernet和Regdgcnn承诺将加速汽车设计过程，并有助于开发更有效的车辆。为了为未来的创新奠定基础，我们的研究中使用的数据集和代码可在https://github.com/mohamedelrefaie/drivaernet 1中公开访问。
利用深度神经网络从神经脉冲重建自然视觉场景
神经编码是系统神经科学中理解大脑如何处理来自环境的刺激的核心问题之一，此外，它也是设计脑机接口算法的基石，其中解码传入的刺激对于提高物理设备的性能至关重要。传统上，研究人员专注于将功能性磁共振成像 (fMRI) 数据作为解码视觉场景的神经信号。然而，我们的视觉感知在称为神经尖峰的事件中以毫秒为单位的快速时间尺度运行。很少有关于使用尖峰进行解码的研究。在这里，我们通过开发一种基于深度神经网络的新型解码框架来实现这一目标，称为尖峰图像解码器 (SID)，用于从实验记录的视网膜神经节细胞群尖峰重建自然视觉场景，包括静态图像和动态视频。SID 是一个端到端解码器，一端是神经尖峰，另一端是图像，可以直接对其进行训练，以便以高精度的方式从尖峰重建视觉场景。与现有的 fMRI 解码模型相比，我们的 SID 在视觉刺激重建方面也表现出色。此外，借助脉冲编码器，我们展示了 SID 可以通过使用 MNIST、CIFAR10 和 CIFAR100 的图像数据集推广到任意视觉场景。此外，使用预先训练的 SID，可以解码任何动态视频，实现脉冲对视觉场景的实时编码和解码。总之，我们的结果为人工视觉系统的神经形态计算提供了新的启示，例如基于事件的视觉相机和视觉神经假体。
生物医学材料的3D和4D打印
三维 (3D) 和四维 (4D) 打印已成为下一代制造技术，涵盖了建筑、医药、交通和纺织等广泛领域。3D 打印，也称为增材制造 (AM)，可通过逐层添加各种材料来制造高精度的复杂结构。另一方面，4D 打印技术可以打印智能材料，这些材料可以根据刺激（例如溶剂、辐射、热量、pH、磁性、电流、压力和相对湿度 (RH)）改变其形状、属性和功能。目前，无数生物医学材料 (BMM) 在许多生物医学工程领域中发挥作用，帮助满足患者的需求并延长他们的寿命。3D 打印的 BMM 提供了传统加工技术无法实现的几何形状，而 4D 打印可产生动态 BMM，由于其对刺激具有时间依赖性，因此旨在与生物系统保持长期接触。本综述全面介绍了 3D 和 4D 打印在制造用于组织工程、药物输送、手术和诊断工具以及植入物和假肢的 BMM 方面的最新技术进展。此外，还广泛讨论了 3D 和 4D 打印 BMM 的挑战和差距及其未来前景。本综述还讨论了关于 3D 和 4D 打印 BMM 在医疗应用中的成分、特性和性能及其优缺点的文献稀缺问题。此外，所呈现的内容将对从事 AM 制造的材料科学家、化学家和工程师以及生物医学领域的临床医生大有裨益。
当前提高 CRISPR 敲入效率的策略
摘要：自 2012 年发现以来，成簇的规律间隔短回文重复序列 (CRISPR) 和 CRISPR 相关蛋白 9 (Cas9) 系统为开发新型、高精度的基于基因组编辑的基因治疗 (GT) 替代方案提供了广阔的前景，从而克服了与经典 GT 相关的挑战。经典 GT 旨在通过慢病毒 (LV) 或腺相关病毒 (AAV) 将转基因随机整合到基因组中或以游离形式持续进入细胞核，从而将转基因递送到细胞中。尽管使用 LV 或 AAV 可以实现高转基因表达效率，但它们的性质可能会对人类产生严重的副作用。例如，基于 LV（NCT03852498）和 AAV9（NCT05514249）的 GT 临床试验分别表明，用于治疗 X 连锁肾上腺脑白质营养不良症和杜氏肌营养不良症的 GT 出现了骨髓增生异常综合征和患者死亡。与经典 GT 相比，基于 CRISPR/Cas9 的基因组编辑需要细胞的同源直接修复 (HDR) 机制才能将转基因插入基因组的特定区域。这种复杂且受良好调控的过程在哺乳动物细胞的细胞周期中受到限制，而非同源末端连接 (NHEJ) 则占主导地位。因此，寻找提高 HDR 效率的方法，使其优于 NHEJ，至关重要。本文全面回顾了当前用于改进基于 CRISPR/Cas9 的 GT 的 HDR 的替代方案。
使用脑电信号和卷积神经网络自动分类睡眠阶段
睡眠阶段分类是研究人类生活质量的新课题之一，因为它在养成健康的生活方式方面起着至关重要的作用。睡眠异常变化或缺乏正常睡眠可能导致不同的疾病，如心脏相关疾病、糖尿病和肥胖症。一般来说，睡眠分期分析可以使用脑电图 (EEG) 信号进行。本研究提出了一种基于卷积神经网络 (CNN) 的睡眠阶段分类方法，使用六个通道采集的 EEG 信号将其转换为时频分析图像。所提出的方法包括三个主要步骤：(i) 将 EEG 信号分割成 30 秒长的时期，(ii) 使用时频分析将时期转换为 2D 表示，以及 (iii) 将 2D 时频分析输入到 2D CNN。结果表明，所提出的方法是稳健的，对通道 C4-A1 实现了 99.39% 的非常高的准确率。所有其他通道的准确率均超过 98.5%，这表明任何通道都可用于高精度的睡眠阶段分类。所提出的方法在总体准确率或单通道准确率方面优于文献中的方法。它有望为医生，尤其是神经科医生带来巨大益处；为他们提供一种新的强大工具来支持睡眠相关疾病的临床诊断。