XiaoMi-AI文件搜索系统
World File Search System高阶
基于横向BJT的高阶曲率补偿电压基准
固定的1.2V输出，接近于硅的带隙电压。电流型BGR的输出电压与硅的带隙电压无关，可以根据应用需要进行调整，这也是电流型BGR仍在许多模拟集成电路中广泛使用的原因。由于电流型BGR的输出电压与硅的带隙电压无关，因此称之为电压基准（VR）更为合适。目前，VR的研究方向都与其主要性能参数有关。一是功耗，降低功耗的常用方法是采用亚阈值金属氧化物半导体场效应晶体管（MOSFET），因为亚阈值MOSFET的电流比普通MOSFET低得多，适合于低功耗设计[1-8]。另一个是输出电压的温度系数（TC），它是反映VR性能的重要参数。迄今为止，世界各地的研究人员已经提出了许多方法来提高VR的TC，以适应不同的应用。传统BGR输出电压中含有高阶非线性项，导致输出电压的温度曲线具有一定的曲率，从而决定了输出电压的温度系数。有的文献利用非线性电流来补偿输出电压中的高阶非线性项[9~14]。也有研究者将温度范围分成几部分，对每部分温度分别进行补偿，这种方法称为分段补偿[9，15]。一般来说，这种方法的补偿效果较好，但是电路结构稍复杂。针对正向偏置PN结电压的非线性特性，补偿方法有两种，一种方法是利用流过正向偏置PN结的不同TC电流来补偿曲率[10，16~20]，另一种方法是通过不同的器件来补偿曲率[21，22]。以上两种方法都是利用PN结的温度特性来补偿温度曲率，比较适用于基于传统BGR电路结构的VR。亚阈值BGR在低功耗方面具有优势，但是传统BGR具有更好的工艺兼容性和更好的TC，这也是本文基于传统电流型BGR设计VR的原因。段全振等人在2015年提出了一种利用NPN BJT进行补偿的方法[21]，该补偿曲率的方法简单实用，但需要NPN BJT工艺的支持，有些特定工艺无法提供NPN BJT，根据特定工艺的特点，我们利用工艺设计了一种高精度曲率补偿VR
用于求解（高阶）非线性方程的神经网络算法
3调查9 3.1问题。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。9 3.2实施。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。9 3.2.1没有训练，最小化。。。。。。。。。。。。。。。。。。。。。。9 3.2.2更简单的模型 - 多项式求解器。。。。。。。。。。。。。。。。。。9 3.2.3复合模型 - x µ的方程求解器。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>11 3.2,4.4复杂模型 - P（x）的方程求解器。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>13 3.3结果。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>153。1.3.1简单模型 - 多项式求解器。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>15 3.3.3.2复合模型 - Xμ的方程求解器。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>17 3.3.3完整求解器 - P（x）的方程求解器。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>22 3.4讨论。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>24 div>
高阶组间力常数和热>的极端灵敏度
图。1。硅的结果。（a）使用有限差异方法计算出2 nd-，3 rd和4 th -ifc的比较，使用LDA交换相关函数，使用有限差方法，δ为0.01Å和0.03Å。δ是有限差异方法中的原子位移。Å的超字词对应于th -ther dord rorder ifcs。（b，c）与（a）相同，但分别使用PBE和PBESOL功能。（d）使用LDA，PBE和PBESOL XC函数使用的声子分散，该功能通过使用0.01至0.03Å的任何δ计算得出。（e）使用LDA，PBE和PBESOL XC功能的三频道室温热导率的比较，δ为0.01Å和0.03Å。（f）与（e）相同，但在热导率计算中包含四个子散射。（g，h）通过使用不同的δ与LDA，PBE，PBESOL XC函数获得的力常数计算三个和四频散射速率。
自行车的高阶掩蔽 - 密码学EPRINT档案 - IACR
摘要。嵌入式设备上的每个加密实现都容易受到侧向通道攻击的影响。为了防止这些攻击，主要的对策包括将每个敏感变量分开并独立处理。随着旨在抵抗量子计算机及其操作复杂性的新算法的即将到来，此保护代表了一个真正的挑战。在本文中，我们提出了对保护自行车加密系统解码器免受一阶攻击的早期尝试的攻击。此外，我们还引入了一个新的程序，用于对解码器的高阶掩盖，并最新进行了最新的改进。我们还提出了整个密码系统的第一个完全掩盖的实现，包括关键生成和封装。最终，为了评估对策的正确性并启动进一步的比较，我们在C中实施了对策，并提供了其性能的基准。
使用高阶函数进行规划组合 - Brown CS
编程是一项复杂的活动，需要非常注重细节。这些细节在抽象层次上可能有很大差异，从非常低的抽象层次（例如，原始数据类型强制）到非常高的抽象层次（例如，算法和启发式选择）。维护所有这些细节可能非常繁重，会产生大量无关的认知负担。出于这些原因和其他原因，人们长期以来一直在尝试教学生规划解决方案。原则上，计划可以专注于高级解决策略，避免一些低级实现细节。通过将解决方案抽象为这些策略，还应该更容易识别解决方案之间的相似之处，并且可能将知识从一个问题转移到另一个问题。不幸的是，几十年来，有关规划和计划制定的文献并没有取得太大进展。从降雨问题 [ 34 ] 开始的研究发现学生无法解决问题，焦点转移到学生的困难而不是学生的计划上。直到最近几年，我们才看到学生成功解决了这个问题 [ 10 , 33 ] 和其他类似问题 [1, 12]。这些最近的成功案例主要要求学生编写程序并追溯学生使用的结构。相比之下，我们明确地回到了这个问题的根源，要求学生预先规划解决方案。具体来说，我们为他们提供了一套规划原语工具包，并要求他们将其组合成解决方案结构。我们可以提供什么原语？作为起点，我们选择使用内置的高阶函数 (hofs)。这种选择没有什么规范可言——人们也可以选择不同的起源。然而，我们选择它们有几个原因：
使用高阶动态模式分解和小型数据集的视觉变压器
基于机器学习的框架，以及深入学习的更具体的框架。这包括第一次使用高阶动态模式分解（HODMD）算法，以便在医学场中的数据增强和特征提取。第二阶段的重点是构建和训练视觉变压器（VIT），在相关文献中几乎没有探索。即使使用小数据集，VIT也适用于从头开始的有效培训。设计的神经网络分析来自超声心动图序列的图像，以预测心脏状态。获得的结果表明了所提出的系统的优越性和HODMD算法的效率，即使表现优于预认证的综合神经网络（CNN），这是迄今为止文献中选择的方法。
使用新型高阶光谱特征检测微电极记录信号
帕金森氏病（PD）是由基底神经节（BG）地区的细胞死亡引起的长期进行性的神经衰落疾病[1]。细胞死亡会导致多巴胺的缺乏效率，这负责控制人体运动[2,3]。结果，大脑中的通信模式受到影响[4]。PD会影响60岁以上的人们[5]。PD的特征是主要症状，包括僵硬，心动肌症[6]，静肌震颤[7,8]，僵化[9]和睡眠障碍[10]。因此，越来越多地使用深脑刺激（DBS）手术，以减轻病情恶化或不再对药物治疗反应的晚期PD患者的症状[11-13]。dbs是一种介入的介入，该处理包括电极在丘脑下核（STN）[14]或GLOBUS PALLIDUS（GPI）[15,16]的内部段中的植入，以便为这些特定的靶标提供高频率电脉冲[17]。因此，DBS铰链对在大脑中定位靶构型的有效治疗作用具有高精度，例如，相邻功能区域的刺激已被证明会对运动，情绪和认知功能引起不利的副作用[18]。此外，DBS电极的不准确定位导致多达40％的术后刺激有效性的病例[19,20]。发现STN内部的背外侧体感区域是为PD患者应用刺激的最佳场所[21]。用于计划电极插入轨迹的最常见方式包括磁共振成像（MRI）和计算机断层扫描（CT）扫描[22]。然而，由于神经影像的分辨率限制[23]，术中指导的其他辅助信息至关重要。因此，MER在DBS手术期间的实时测试中用于验证计划的轨迹，以实现目标结构内电极的最佳定位[24]。此外，使用MER信号对STN边界及其周围结构的术中划定可以通过克服大脑变形并解释由于脑玻璃体流体泄漏引起的解剖学转移来减少靶向误差[25]。MER允许在尖端大小约1升M的最接近电极附近捕获神经元的外电活动，然后，在通过扬声器聆听信号的同时，通过训练有素的神经科医生和/或神经外科医生在术中推断时间域行为[26]。尽管如此，对STN分割的MER信号的心理解释面临着几个挑战，例如，它们是非平稳的，具有复杂的信号模式[27]。此外，由于存在来自多个来源的伪影，例如手术室中的设备，患者言语，电极运动和血液[26]。此外，包括STN的解剖学挑战较小（约4*7*9毫米），大脑深处，并被结构包围，例如，底睾丸（SNR）和Zona Incerta（Zi）[28]。热热，从STN到SNR的不间断过渡和白质间隙的存在可能导致错误的标签
SDRE 与 LQR 控制在高阶控制中的应用比较...
近年来的技术和科学发展，提出了新的方法和控制设计来描述和改进飞机的动力学、控制和稳定性。在这种情况下，战斗机在战斗情况下的行为至关重要，因为该系统在更接近其极限区域的情况下运行，并且要处理更高的速度和各种各样的攻角。对于 [1] ，由于作用于系统的许多力，例如阻力和升力以及空气层的方向及其与所选参考的关系，飞机的动力学自然是非线性的。因此，忽略非线性方面可能会限制系统代表性模型及其电子控制器的能力。根据 [2] ，对于更现实的模型，必须考虑固有的非线性和不确定性，以避免不稳定的运行区域，从而实现更高效和更现实的控制项目。
针对功能基因组学的工程化 CRISPR-Cas12a 的高阶组合染色质扰动
多重遗传扰动对于测试编码或非编码遗传元件之间的功能相互作用至关重要。与 DNA 切割相比，使用 CRISPR 干扰 (CRISPRi) 抑制染色质形成可避免基因毒性，并且在混合检测中更有效地扰乱非编码调控元件。然而，目前的 CRISPRi 混合筛选方法通常仅限于每个细胞靶向 1-3 个基因组位点。为了开发一种在功能基因组学筛选中使用 CRISPRi 对基因组位点进行高阶 (> 3) 组合靶向的工具，我们设计了一种 Acidaminococcus Cas12a 变体——称为多重转录干扰 AsCas12a (multiAsCas12a)。 multiAsCas12a 在使用慢病毒转导传递的 CRISPR RNA（crRNA）高阶多路复用阵列进行组合 CRISPRi 靶向时，其表现明显优于最先进的 Cas12a 变体，