我们展示了反射外对角线可配置智能表面(BD-RIS)的第一个实验原型,即具有可重新配置元素间连接的RIS。 我们的BD-RIS由天线阵列组成,其端口由可调负载网络终止。 后者可以用三个不同的单个负载终止每个天线端口或将其连接到相邻的天线端口。 在分散丰富的环境中进行广泛的性能评估验证元素间连接是有益的。 此外,我们观察到,我们提到的可调负载网络的硬件约束显着影响,第一,可实现的性能,第二,具有元素间连接的好处,第三,优化过程中相互耦合意识的重要性。
光子神经网络 (PNNs) 具有光子系统固有的优势，例如高并行性和低功耗，在能效、延迟和吞吐量方面可能对传统的数字神经网络构成挑战。然而，构建可扩展的光子人工智能 (AI) 解决方案仍然具有挑战性。为了使光子 AI 模型可行，需要解决可扩展性问题。在 PNN 上实现的大型光学 AI 模型只有在光学计算的优势超过其输入输出开销时，才具有商业可行性。在本文中，我们讨论了可编程超表面技术如何成为实现可扩展光子 AI 加速器的关键硬件组成部分，以及它如何与当前的数字电子技术竞争。可编程性或可重构性是 PNN 硬件的关键组成部分，可实现原位训练，并适应需要微调或迁移学习的非平稳用例。超表面与电子设备的协同集成、3D 堆叠以及大规模制造将显著提高 PNN 的可扩展性和功能。可编程超表面可以解决 PNN 当前面临的一些挑战，并实现下一代光子 AI 技术。
这项研究调查了物理信息神经网络(PINNs)在声管分析中的逆问题中的应用,重点是从嘈杂和有限的观测数据中重建声场。 具体来说,我们解决了辐射模型未知的场景,并且压力数据仅在管的辐射端可用。 提出了PINNs框架来重建声学领域,以及PINN微调方法(PINN-FTM)和用于预测辐射模型系数的传统优化方法(TOM)。 结果表明,PINNs可以在嘈杂的条件下有效地重建管的声场,即使有未知的辐射参数。 PINN-FTM通过提供平衡可靠的预测并表现出强大的噪音耐受能力,优于TOM。
去中心化自治组织(DAO)通过从传统的分层控制转向分散的方法,利用区块链和加密经济学,改变了组织结构。 尽管管理着大量资金和建立全球网络,但DAO面临着参与度下降,集中化增加以及无法适应不断变化的环境等挑战,这些挑战扼杀了创新。 本文探讨了DAO作为复杂的系统,并应用复杂性科学来解释其低效率。 特别是,我们讨论了DAO挑战,其复杂性,并介绍了集体智慧,数字民主和适应的自我组织机制。 通过应用这些机制来完善DAO设计和构建,创建了一个评估DAO可行性的概念框架。 这一贡献为未来在复杂性科学、数字民主和DAO交叉点的研究奠定了基础。
声学电力传输是一项相对较新的技术。 它是一种现代类型的无线接口,其中数据信号和电源电压通过介质传输,使用机械波。 这种系统最简单的应用是测量音频扬声器的频率响应。 它由一个可变信号发生器,一个驱动声源和扬声器驱动器的测量放大器。 接收器包含带有水平记录器的麦克风电路。 声学功率传输可能有许多应用,例如:耳蜗植入物,声纳系统和无线充电。 然而,它是一种新技术,因此需要进一步调查。
区分蜂群和游泳,细菌运动的两种主要形式,具有重要的概念和临床相关性。 这是因为表现出蜂群能力的细菌通常具有对传染病发病机制至关重要的独特特性,并且可能具有治疗潜力。 在这里,我们报告了一个基于深度学习的蜂拥分类器,它使用单个模糊图像快速自主地预测蜂拥概率。 与传统基于视频的手动处理方法相比,我们的方法特别适用于高通量环境,并提供对蜂拥概率的客观定量评估。 在我们的工作中展示的蜂拥分类器在Enterobacter sp上进行了训练。 SM3在SM3的新蜂群(阳性)和游泳(阴性)测试图像上盲目测试时表现出良好的性能,在应用于看不见的细菌物种时达到97.44的灵敏度和100个外部概括能力的特异性,如Serratia marcescens DB10和雪铁龙koseri H6。 它盲目地实现了100个97.92的灵敏度,这表明有可能通过便携式设备甚至智能手机来适应我们的诊断应用方法。 这种适应将有助于快速,客观,现场筛查细菌蜂拥运动,可能增强各种疾病的早期发现和治疗评估,包括炎症性肠病(IBD)和尿路感染(UTI)。
使用非聚焦电子探针获取数据的四维扫描传输电子显微镜(4D STEM)是一种有前途的工具,通过称为电子断层扫描(EP)的相位检索过程表征复杂的生物标本和材料。 4D STEM采集的功效和由此产生的 EP 重建质量取决于相邻照明区域的重叠比例。 本文演示了重叠比率如何影响数据冗余和 EP 重建的质量。 我们定义两个量作为重叠比的函数,独立于对象和EP算法。 随后,我们使用模拟的4D STEM数据集评估不同重叠比率的EP算法。 值得注意的是,40次重建。
我们引入“风破损即服务”(WaaS)作为共享运输的创新方法,其中较大的“风衣”车辆为“风帆”车辆提供空气动力学庇护,从而减少阻力和燃料消耗。 作为解决 WaaS 中出现的大规模匹配和赋值问题的计算框架,我们介绍了 QUEST(Quantum-Enhanced Shared Transportation)。 具体来说,我们将风衣和风帆冲浪者(受时间、速度和车辆级限制)的配对作为混合整数二次问题(MIQP)。 专注于单段原型,我们通过匈牙利算法(基于古罗比的求解器)和二进制向量的蛮力枚举(brinized vector)经典地验证了该解决方案。 然后,我们将问题编码为二次无约束二进制优化(QUBO),并将其映射到Ising Hamiltonian,从而能够使用量子近似优化算法(QAOA)和其他量子和经典退火技术。 我们的量子实现成功地恢复了经典方法确定的最佳赋值,证实了 QUEST 管道对受控原型的健全性。 虽然QAOA和其他量子启发式不能保证基本复杂性障碍的解决,但这项研究说明了WaaS问题如何系统地转化为量子就绪模型。 它还为解决多段场景奠定了基础,并可能利用量子优势进行大规模共享运输实例。
动物通过将调节从大脑卸载到身体内部的物理耦合来实现健壮的运动。 相反,人工系统中的运动通常依赖于集中式处理器。 在这里,我们引入了一种快速和自主的运动策略,通过自我振荡肢体与环境之间的物理相互作用而出现同步步态,没有控制信号。 每个肢体都是一个单一的软管,只需要恒定的空气流动,就可以在达到300赫兹的频率下进行循环步进运动。 通过结合其中几个自我振荡的肢体,它们的物理同步使拴住和无束缚的运动速度比同类最先进的速度快了数量级。 我们证明,这些看似简单的设备表现出自主性,包括避障和光出租车,为各种规模的强大和功能性机器人开辟了道路。
光学系统对于节能计算至关重要,在低损耗的载波中执行高速并行操作。 虽然这些主要是模拟光学加速器绕过数字化来执行平行浮点计算,但缩放光学硬件以绘制用于AI任务的大向量尺寸仍然具有挑战性。 在这里,我们通过及时展开标量操作并引入光下光路(PHIL)单元来克服这一限制,以实现全光时间集成。 与直觉相反,我们利用缓慢的散热过程来集成以50 GHz调制的光信号,弥合了广泛应用的热光学效应和超快光子学之间的速度差距。 该架构支持光学端到端信号处理,消除了低效的电光转换,并在统一框架内实现了线性和非线性操作。 我们的研究结果展示了通过热驱动集成实现高速光子计算的可扩展路径。
本文介绍了一个集成非线性声学计算和强化学习的新框架,以增强复杂的噪声和混响下的先进人机交互。 利用物理消息波方程(例如,Westervelt,KZK),该方法捕获高阶现象,如谐波产生和冲击形成。 通过将这些模型嵌入强化学习驱动的控制循环中,系统自适应地优化关键参数(例如,吸收,波束成形),以减轻多路径干扰和非静态噪声。 实验评估,涵盖远场定位,弱信号检测和多语言语音识别,证明这种混合策略超越了传统的线性方法和纯粹的数据驱动基线,在苛刻的现实场景中实现了卓越的噪声抑制,最小的延迟和稳健的准确性。 拟议的系统展示了AI硬件,机器人,机器试镜,人工试镜和脑机接口的广阔应用前景。
回收纺织纤维对于减少纺织工业对环境的影响至关重要。 高光谱近红外(NIR)成像与先进的深度学习算法相结合,为高效的光纤分类和排序提供了有希望的解决方案。 在这项研究中,我们研究监督和无监督的深度学习模型,并测试它们在不同纺织结构上的概括能力。 我们展示了优化的卷积神经网络(CNN)和自动解码器网络在不同条件下实现了稳健的概括。 这些结果突出了高光谱成像和深度学习的潜力,通过准确和稳健的分类推进可持续纺织品回收。
获得大量用于训练精确机器学习(ML)模型的数据点是数据收集资源密集型科学领域的一个重大挑战。 在这里,我们提出了一种新的方法来构建一个最小但信息丰富的数据库,用于在复杂的多维参数空间中训练ML模型。 为了实现这一目标,我们使用高斯过程回归(GPR)模拟了输出参数和输入参数之间的底层关系。 使用一组已知数据,GPR为未知数据提供预测手段和标准差。 鉴于 GPR 的预测标准差,我们使用贝叶斯优化选择数据点,以获得用于训练 ML 模型的高效数据库。 我们将通过这种方法获得的数据库训练的ML模型的性能与使用传统方法获得的数据库进行比较。 我们的结果表明,使用贝叶斯优化方法在数据库中训练的ML模型始终优于其他两个数据库,在数据点数量明显减少的情况下实现了高精度。 我们的工作有助于在高维复杂参数空间中节约资源收集数据,实现高精度机器学习预测。
表面粗糙度是影响结构部件疲劳寿命的关键因素。 其效果通常使用称为表面因子的校正系数进行量化。 在本文中,提出了一个基于相位的数值框架,以估计表面因子,同时考虑表面粗糙度的随机性。 该模型根据现有的实验数据进行验证。 此外,我们研究关键参数对粗糙表面疲劳寿命的影响,例如表面拓扑和失效强度。 当平均表面粗糙度增加和表面轮廓的相关性长度减小时,就会观察到表面粗糙度的重要影响。 这种效应随着更高的失败强度而变得更加明显。
OSMnx是一个Python包,用于从OpenStreetMap数据下载,建模,分析和可视化城市网络以及任何其他地理空间功能。 大量且不断增长的文献使用它在地理,城市规划,交通工程,计算机科学等学科进行科学研究。 OSMnx项目最近开发和实现了许多新功能、建模功能和分析方法。 该软件包现在包含的功能比以前在文献中记录的功能要多得多。 本文介绍了OSMnx的现代能力、使用和设计,以及它们背后的科学理论和逻辑。 它分享了地理空间软件开发的经验教训,并反思了开放科学对城市建模和分析的影响。
物理信息机器学习(PIML)提供了一个强大的范式,将数据与物理定律集成,以解决重要的科学问题,如参数估计,推断隐藏物理,方程发现和状态预测等。 然而,PIML仍然面临着许多严重的优化挑战,这些挑战极大地限制了其应用。 在这项研究中,我们提出了一个全面的框架,将PIML转换为凸优化,以克服所有这些限制,称为Convex-PIML。 B-splines的线性组合用于近似数据,促进损失函数的凸度。 通过将损失函数的非凸组件替换为凸近似值,问题进一步转化为连续精炼的近似凸优化问题的序列。 这种转换允许使用完善的凸优化算法,有效和高效地获得解决方案。 此外,还引入了基于误差估计的自适应结优化方法,以减轻PIML的光谱偏差问题,进一步提高性能。 拟议的理论上保证的框架在具有不同物理先验类型的情况下进行测试。 结果表明,在这些场景中有效地解决了优化问题,突出了该框架对广泛应用的潜力。
混合量子经典神经网络(HQCNN)代表了机器学习的一个有希望的前沿,利用了两种模型的互补优势。 在这项工作中,我们提出了TunnElQNN的开发,TunnElQNN是一种由交替的经典和量子层组成的非顺序架构。 在经典组件中,我们采用隧道二极管激活功能(TDAF),灵感来自量子隧道的I-V特性。 我们评估这种混合模型在交织半圆的合成数据集上的性能,该数据集用于具有不同等级重叠的多类分类任务。 该模型与使用传统ReLU激活函数(ReLUQNN)的基线混合架构进行比较。 我们的结果表明,TunnElQNN模型始终优于ReLUQNN。 此外,我们分析了TunnElQNN在不同级别类重叠下产生的决策边界,并将其与在完全经典架构中实现TDAF的神经网络产生的边界进行比较。 这些发现强调了将物理启发的激活函数与量子组件集成在一起的潜力,以增强混合量子经典机器学习架构的表现力和稳健性。
相变在热管理系统中起着关键作用,但多相热传递的定量表征仍然受到在混乱,快速发展的流量机制中测量温度场的挑战的限制。 虽然计算方法在理想化的情况下提供时空分辨率,但复制复杂的实验条件仍然非常困难。 在这里,我们提出了一个数据驱动的框架,该框架利用条件生成对抗网络(CGAN)在规范池沸腾配置中从几何相位轮廓推断温度场,其中高级数据收集技术受到限制。 使用高速成像数据和模拟信息训练,我们的模型演示了在不准确的物理约束的情况下重建错误低于6的温度场的能力,增强了模拟和实验数据集中预测地图的准确性和物理合理性。 我们的研究结果强调了深度生成模型在弥合可观察的多相现象与底层热传输之间的差距方面的潜力,为在复杂的两相系统中增强和解释实验测量提供了强大的方法。
这项研究调查了阶梯式参数阵列扬声器(SPPAL)的设计和分析,作为传统阵列参数化扬声器的替代品。 SPPAL使用单个Langevin型超声波传感器与弯曲的阶梯板相结合,通过非线性声学相互作用产生窄光束声音。 为了评估和优化SPPAL的性能,开发了集成建模框架,包括用于换能器动力学的近似分析3D模型,与阶梯板和刚性活塞行为相关的等效比公式,以及非线性声场模拟的球形波扩展方法。 传感器的双共振行为通过多目标分析进行优化,以增强低频音频性能。 实验验证包括传感器的频率响应和模态分析,以及声场测量。 通过比较实验数据进一步验证分析方法。 此外,组合共振 - 混合调节产生的意外结构激发 - 被确定为SPPAL操作中固有的现象。 这些发现为使用基于板的弯曲振动的高效,紧凑和可制造的参数扬声器的发展提供了实用的指导。
如今,由于许多领域的伪造现象日益加剧,基于物理不可克隆函数(PUF)范式开发新的防伪设备和密码学密钥的兴趣广泛增加。 PUF是物理硬件,具有内在的,不可复制的疾病,允许按需加密密钥提取。 其中,光学PUF的特点是大量自由度,从而对环境条件的安全性和更高的灵敏度。 虽然这些有前途的功能导致了新PUF设备的高级制造策略和材料的增长,但它们与强大的识别算法的结合在很大程度上仍未被探索。 在这项工作中,我们提出了一个度量独立的身份验证方法,该方法利用Scale Invariant Feature Transform(SIFT)算法从光学物理不可克隆函数(PUF)生成的斑点图案中提取唯一不变的特征。 将 SIFT 应用于挑战响应对 (CRP) 协议,使我们能够正确验证客户端,同时拒绝任何其他欺诈性访问。 通过这种方式,即使在连续PUF审讯中可能发生的响应旋转,缩放和裁剪以及其他后处理算法高度敏感的情况下,身份验证过程也是高度可靠的。 这种特性与方法的速度(每次操作的几微秒)一起,将PUF的适用性和可靠性扩大到实用的高安全性认证或商品防伪。
