使用生成细胞自动机研究金的手性形态发生 背景与研究目的 手性（chirality）在自然界中无处不在，并且可以通过特定的分子相互作用和多尺度耦合在系统间传递和放大。然而，手性形成的机制以及生长过程中的关键步骤尚未完全理解。在本研究中，我们通过训练基于实验结果的生成细胞自动机（cellular automata, CA）人工神经网络，识别从非手性到手性形态的金纳米粒子的两种可区分的途径。手性最初由沿对映异构高指数平面边界的不对称生长的性质所决定。基于深度学习的手性形态生成解释不仅提供了理论理解，还允许我们预测前所未有的交叉路径及其结果形态。 作者与机构 本文由Sang Won Im、Dongsu Zhang、Jeong Hyun Han、Ryeong Myeong Kim、Changwoon ...

#利用机器学习和组合化学加快mRNA递送的可离子化脂质的发现 研究背景 为了释放信使RNA（mRNA）治疗的全部潜力，扩展脂质纳米颗粒（LNPs）的工具包至关重要。然而，LNPs开发的一个关键瓶颈是识别新的可离子化脂质。已有研究表明，LNPs在将mRNA递送至特定组织或细胞中表现出显著效果。经典的LNPs配方通常由一个离子脂质、胆固醇、辅助脂质和聚乙二醇化脂质（PEG脂质）组成，其中离子脂质在mRNA的加载和逃离内涵体方面起着至关重要的作用。 近年来，LNPs在临床应用方面取得了重大进展。例如，美国食品药品监督管理局（FDA）批准了首个针对遗传性淀粉样变蛋白病的短发夹RNA（siRNA）药物Onpattro，以及Moderna和Pfizer/BioNTech联合开发的两款SARS-CoV-2...

基于夹持的反铁电薄膜电机电响应增强研究 背景介绍 反铁电薄膜材料在微/纳米机电系统中的潜在应用已经引起了广泛关注。这类系统要求材料具有高机电响应，可以在施加电场时产生显著的机电应变。然而，传统机电材料（如铁电材料和弛豫铁电材料）当其厚度缩小到亚微米级时，反馈响应会显著下降，主要原因是衬底的机械夹持效应限制了材料的极化旋转和晶格变形。 为了克服这一局限，研究者们提出了一种非传统方法，通过电场诱导的反铁电到铁电相变和衬底约束的耦合，实现了反铁电薄膜的显著机电响应。相关研究观察到，氧八面体的去倾斜与所有维度下晶格体积的扩展相符，同时平面内的夹持进一步增强了平面外的扩展。 研究来源 本文由来自多所知名机构的研究人员共同撰写，包括University of California, Berkeley, ...

德国重洞自旋量子比特的最佳工作点及其高各向异性噪声灵敏度 背景与动机 量子计算机（quantum computer）的发展在解决复杂问题上前景非常广阔。然而，构建一个容错的量子计算机需要集成大量具有高度相干性的量子比特（qubit）。自旋量子比特，特别是基于德国锗（Germanium, Ge）量子阱中的孔量子比特，因其具有低噪声环境、高效控制和制造难度低等优点，逐渐受到重视。然而，在操控这些量子比特的过程中，经常会遇到由电场引起的g-张量（g-tensor）各向异性引发的去相干和操控难题。 值得注意的是，重洞（heavy hole）在这些自旋量子比特中的作用显得尤为重要。重洞自旋量子比特不仅具有快速和高保真度的操作，还能够通过电场实现快速可扩展的量子比特控制。然而，驱动量子比特和退相干机制的...

可编程拓扑光子芯片的研究进展 研究背景 近年来，拓扑绝缘体（Topological Insulators, TI）在物理学界引起了极大的关注，其丰富的物理机制和拓扑边界模式的潜在应用使得这一领域迅速发展。自量子霍尔效应（Quantum Hall Effect）的发现以来，拓扑相（Topological Phase）的研究经历了巨大的进步，涉及到维度性、对称性、非厄米性以及缺陷等多方面的内容。当拓扑学与光子学相遇时，拓扑光子学领域迅速崛起，成为一个独立的研究方向，革命性地推动了光学科学和技术的发展。拓扑光子学系统提供了噪声小、晶格几何约束少、光学材料多样性大、光学设备可控性高以及广泛适用的非线性光学效应等诸多优势。 研究问题 尽管拓扑光子设备展现了大量的拓扑现象及其实用性的潜在应用，例如拓扑光...

学术报告：先进最优跟踪结合神经网络评价技术用于非对称约束零和博弈 背景与研究问题 在现代控制领域，博弈论是研究智能决策者之间竞争与合作的数学模型，其中涉及至少两个玩家的互动决策问题。近年来，微分博弈在控制领域引起了越来越多的关注。当我们面对复杂受扰动系统的最优控制问题时，通常将其视为零和博弈（Zero-Sum Game, ZSG）。如果某系统的控制问题涉及多种控制策略且无扰动时，则被称为非零和博弈（Non-ZSG）。然而，由于真实系统中常存在各种扰动，因此进一步考虑ZSG问题以减轻扰动对系统性能的影响非常重要。 尤其在连续时间（Continuous-Time, CT）非线性系统中，传统动态规划方法尽管非常有价值，但在解决非线性最优控制问题时，常因为维数灾难（Curse of Dimensio...

深度神经网络生成内容的隐形、稳健保护方法 学术背景 近年来，随着深度学习模型在工程应用中的革命性发展和广泛应用，涌现出诸如ChatGPT和DALL⋅E 2等现象级应用，这些应用对人们的日常生活产生了深远的影响。同时，人们可以利用开源的深度学习技术创建各种内容，例如图像风格迁移和图像卡通化，这些技术被称为AI生成内容（AIGC）。在这样的背景下，基于AIGC的商业应用，如美图、Prisma和Adobe Lightroom等，其版权保护变得急迫且不可避免。然而，由于许多AIGC相关技术是开源的，使得技术娴熟的个人也能够创建类似的应用。因此，当版权纠纷出现时，对于商业公司及其产品来说，是一个巨大的挑战。 当前，一些常见的版权保护方法包括但不限于注册版权、声明版权、加密版权保护等。这些方法对于实体产...

学术报告 背景介绍 知识图谱(knowledge graph，KG)是记录实体和关系信息的结构化数据，广泛应用于问答系统、信息检索、机器阅读等领域。知识图谱嵌入(Knowledge Graph Embedding, KGE)技术通过将图谱中的实体和关系映射到低维稠密向量空间，大大提升了相关应用的性能。然而，在KGE模型的训练过程中，如何生成高质量的负样本(negative samples)至关重要。 目前主流的KGE模型在生成负样本时面临诸多挑战。一些模型使用简单的静态分布，如均匀分布或伯努利分布(Sampling from Uniform or Bernoulli distribution)，这些方法生成的负样本通常缺乏区分度。而且，现有方法在生成负样本时，通常只是从知识图谱中已经存在的实...

近年来，隐私保护和大规模数据传输等应用场景对数据的不可访问性提出了严峻挑战，因此，研究人员通过提出数据无关知识蒸馏（Data-Free Knowledge Distillation，简称DFKD）方法，来解决这些问题。知识蒸馏（Knowledge Distillation，简称KD）是一种训练轻量级模型（学生模型）使其从深度预训练模型（教师模型）中学习知识的方法。然而，传统的知识蒸馏方法要求具有可用的训练数据，这在隐私保护和大规模数据传输场景下是不现实的。本文提出了一种新的DFKD方法——Adaptive Data-Free Knowledge Distillation（简称AdaDFKD），旨在解决现有DFKD方法中目标分布静态和实例级分布学习的局限性，通过建立和利用伪样本间的关系，实现对...

论文背景与研究目的 强化学习（Reinforcement Learning，RL）近年来已成为人工智能领域中一个充满活力且具有变革性的领域，其目标是通过智能体与环境的交互，实现最大化累积奖励的能力。然而，RL的应用在实际中面临着优化贝尔曼误差（Bellman Error）的挑战。这种误差在深度Q学习及相关算法中尤为关键，传统方法主要使用均方贝尔曼误差（Mean-Squared Bellman Error, MSELoss）作为标配损失函数。然而，认为贝尔曼误差服从正态分布的假设可能过于简化了RL应用中的复杂特性。正因为此，本文重新审视了RL训练中贝尔曼误差的分布，发现其更倾向于服从逻辑分布（Logistic Distribution）。 论文来源与作者介绍 本篇论文题目为”Modeling ...