硬核南大!一天两篇Nature正刊!

Nature的正刊与子刊,影响因子最低的是什么 - **正刊**:《Science》是美国科学促进会出版的学术期刊,1880年由爱迪生投资创办,1894年成为美国科学促进会的官方刊物,全年共51期,为周刊,致力于发表最好的原始研究论文、综述以及分析当前研究和科学政策的同行评议文章. - **子刊**:包括《Science Translational Medicine》《Science Signaling》《Science Immunology》《Science Robotics》《Science Advances》等在线期刊,以及16种科学合作期刊《Sc 阅读详情

仅作学术分享,不代表本公众号立场,侵权联系删除

转载于:南京大学,双一流高校

近日,南京大学电子科学与工程学院王欣然教授、王肖沐教授和施毅教授团队在二维材料领域取得重要进展,相关成果分别以“Uniform nucleation and epitaxy of bilayer molybdenum disulfide on sapphire”和“Observation of Chiral and Slow Plasmons in Twisted Bilayer Graphene”为题,5月4日同期在线发表于《自然》。 

发现扭角石墨烯中等离激元新物态

表面等离激元,对光场具有亚波长尺度的局域能力,在微纳光子学和集成光电器件、超分辨成像等领域有广阔的应用前景。传统等离激元金属和环境介质的光学性质密切相关,容易受到金属欧姆损耗和环境因素影响。拓扑特性中的边缘态可以对等离激元实现保护,抑制损耗,探索这类等离激元新模式有望帮助解决等离激元纳米光子器件损耗高的关键问题。

王肖沐教授和施毅教授研究团队,在扭角石墨烯材料中提出并实现了一类全新的等离激元模式:手性贝利等离激元。研究团队根据扭角石墨烯的结构手性,揭示了强关联能态的拓扑特性,预言了非零贝利曲率在中红外频段可以引入反常霍尔电导。在此基础上,团队制备了具有长程高度有序摩尔超晶格的扭角石墨烯材料,并系统地研究了红外表面等离激元响应。观测到了具有手性特征的贝利等离激元边缘态,并验证了通过电场调控实现的开关操作。研究成果通过拓扑边缘态保护等离激元,有效降低了损耗,在中远红外光电器件、量子计算和纳米光学等方面具有巨大应用潜力。

eb9b96bcdd9bd5b0df010cabec52363c.png

图1 扭角石墨烯示意图(a)及光学显微镜图像(b)(c)扭角石墨烯纳米条带中的红外等离激元响应。在15微米(650cm-1)长波红外范围内,手性纳米条带中出现新的具有拓扑特性的贝利等离激元新模式。

扭角石墨烯是一类具有丰富多体相互作用的强关联电子材料。通过改变层间扭转角度,掺杂等条件,可以对电子的能态进行灵活地调控,实现超导、拓扑等奇异物态。研究团队指出,由于扭角石墨烯自身的非中心对称结构,在打破时间反演对称性的条件下,会产生非零的贝利曲率,进而在材料中引入非零的横向光电导(即反常霍尔电导)。将这种拓扑能态与等离激元结合,可以有效降低其散射损耗。研究团队依据这样的思路,制备了大面积的“魔角”(1.08°扭角的双层石墨烯),并在其上构筑了具有手性结构的纳米条带。

 d2d161feacaefd61836bc2378df4831e.png

4e954d19fa4d87b09e7f66dd748d3eff.png

图2 光照强度(a)和静电掺杂(b)对手性贝利等离激元边缘模式共振能级劈裂的调控作用。

在这种同时打破空间和时间反演对称性的条件下,非零贝利曲率在纳米条带中通过拓扑边缘态形成了手性贝利等离激元新模式。实验上,手性等离激元以共振峰位的劈裂为标志。而通过光强和掺杂,可以调控贝利曲率的大小,进而调制能级劈裂的开关。手性等离激元存在的另一个证据是零磁场法拉第效应,即光通过材料时其偏振方向会发生偏转。实验中实现了高达15°的极化旋转。这些非磁场下的奇异光学效应,在制作偏振片等重要光学应用上有着广泛的前景。

南京大学王肖沐/施毅教授团队,专注于于高性能红外光电器件的研究工作。近年来,获得了以弹道雪崩光电探测器(Nature Nanotechnology,14,217(2019))和能谷光电子器件(Nature Nanotechnology,15,743(2020))为标志的系列创新成果。本次的研究工作,是该团队在广泛国际合作支持下,通过体系强相互作用和谷电子特性对光子进行有效调控实现的一个突破性进展。南京大学电子科学与工程学院硕士生黄天烨为第一作者,电子科技大学李雪松教授课题组完成了单晶石墨烯的生长工作,明尼苏达大学 Tony Low教授课题组完成了主要计算工作,中科院沈阳金属所杨腾研究员、北京计算所邵磊副研究员的课题组协助完成了部分计算工作。南京大学微加工中心和涂学凑高级工程师在微加工方面给予了重要的支持。该工作得到国家科技部重点研发计划、自然科学基金重点项目、江苏省双创团队和中科院先导计划等项目资助。

突破双层二维半导体外延生长核心技术

集成电路摩尔定律是推动人类信息社会发展的源动力。当前,集成电路已经发展到5nm技术节点,继续维持晶体管尺寸微缩需要寻求材料的创新。近年来,以MoS2为代表的二维半导体在电子器件和集成电路等领域获得了迅速的发展,王欣然教授课题组在该领域长期积累,2021年在《Nature Nanotechnology》连续报道了大面积MoS2单晶制备以及MoS2驱动的超高分辨Micro-LED显示技术两个成果。

尽管学术界和工业界在单层二维半导体生长方面已经取得了很大的进展,但是单层材料在面向高性能计算应用时依然受限。相比于单层MoS2,双层MoS2具有更窄的带隙和更高的电子态密度,理论上可以提升驱动电流,更适合应用于高性能计算。然而,由于材料生长热力学的限制,“1+1=2”的逐层生长方法难以给出均匀的双层,因此层数可控的二维半导体外延制备一直是尚未解决的难题。

b81f481129c3e298710e3f41801ede0e.png 

f29fff1c447f33c2d5c77179d75694fc.png

图3 双层MoS2生长机制

针对该问题,王欣然教授与东南大学合作,另辟蹊径,提出了衬底诱导的双层成核以及“齐头并进”的全新生长机制,在国际上首次报道了大面积均匀的双层MoS2薄膜外延生长。研究团队首先进行了理论计算,发现虽然单层生长在热力学上是最稳定的,但是通过在蓝宝石表面构建更高的“原子梯田”,可以实现边缘对齐的双层成核,从而打破了“1+1=2”的逐层生长传统模式局限(图3)。研究团队利用高温退火工艺,在蓝宝石表面上获得了均匀分布的高原子台阶,成功获得了超过99%的双层形核,并实现了厘米级的双层连续薄膜。原子力显微镜、透射电子显微镜、拉曼光谱和荧光光谱等多种表征手段均证明了双层薄膜的均匀性。进一步,团队证明了双层MoS2与蓝宝石衬底具有特定的外延关系,以及双层MoS2的层间具有2H和3R两种堆垛模式,并在理论上给出了解释。

483a7fe7140f4036442a123d1fddad19.png 

396b7fb8a083d29f1bb2b85e99a86252.png

图4 双层MoS2的晶体管器件性能

研究团队进一步制造了双层MoS2沟道的场效应晶体管(FET)器件阵列,并系统评估了其电学性能(图4)。相比单层材料,双层MoS2晶体管的迁移率提升了37.9%,达到~122.6cm2V-1S-1,同时器件均一性得到了大幅度提升。进一步,团队报道了开态电流高达1.27 mA/μm的FET,刷新了二维半导体器件的最高纪录,并超过了国际器件与系统路线图所规划的2028年目标。

该工作突破了层数可控的二维半导体外延生长技术,并且实现了最高性能的晶体管器件。南京大学电子科学与工程学院博士生刘蕾为第一作者,王欣然教授、李涛涛副研究员和东南大学王金兰教授、马亮教授为论文共同通讯作者,南京大学施毅教授、聂越峰教授、王鹏教授以及微制造与集成工艺中心对该工作进行了指导和支持。该研究得到了江苏省前沿引领技术基础研究、国家重点研发计划和国家自然科学基金等项目的资助。

4ce5f40f80418c73def9884140f48521.png

觉得还不错就给我一个小小的鼓励吧!

b10a3c6785da9e937f6d5ea60adb8b05.gif

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

相关推荐

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统

船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。

专注于计算机研发知识和资讯分享 483

2025上半年3D打印Science、Nature正刊8篇研究!中国学者6篇!

光聚合3D打印技术在该过程中实现了时间和空间的精确控制,通过调节光照时间和强度以及催化剂浓度,获得了不同物理性质的热固性材料。研究团队实现了对这种结构的精确设计,并使用一种脆性丙烯酸聚合物3D打印制造了N×N×N阵列的3D多联结构。通过3D打印,研究者能够精确控制PAMs的几何形状和拓扑结构,从而研究其在不同加载条件下的力学响应。这是一种有效的高精度、可控体内3D打印方法,不仅速度快,而且打印材料具有生物相容性,取得了可观的治疗效果。,而且极大程度地削减了材料与能源的损耗,并有效缩短了生产周期。

AmReference的博客 630

5G移动网络运维(优化)

5G 网络优化现状 移动通信行业属于技术密集型行业,是国民经济的重要支柱以及整个社会经济运转体系中不可或缺的基础。2019 年年底 5G 开始商用,截止到 2020 年3月,我国三大运营商建设了 16.1 万个 5G 基站,我国成为目前全球 5G 基站最多的国家。预计到 2020 年年底,我国运营商会建设大概 70 万个 5G 基站。基于 5G高频段的特性,信号覆盖距离会低于ins 基站,再加上 5G 万物互联的巨大经济潜力价值需求,后续三大运营商在 5G 基站建设数量上势必会超过当前 LTE 基站数量的

2301_78171382的博客 1327

Nature正刊重磅!微软、华盛顿大学发布首个全切片数字病理学模型GigaPath

©作者 |许涵文单位 |华盛顿大学计算机学院博士生研究方向 |计算生物学近年来,数字病理学的蓬勃发展成为了精准医学加速突破的重要组成部分。在癌症护理过程中,利用全切片成像技术将肿瘤组织样本转换为高分辨率的数字图像,已经成为常规技术。高达十亿像素级别的病理学图片包含多样的肿瘤微环境信息,为癌症分型诊断,生存率分析以及精准免疫治疗提供了前所未有的契机。近期,生成式人工智能革命为准确感知、分析病理...

Paper weekly 1101

谷歌账号国家或地区设置修改全攻略:条件、流程与避坑指南

谷歌账号的国家或地区设置与付款资料、账号历史行为及登录环境强绑定,修改时需满足特定条件。其原理在于地区作为索引键,关联内容库、货币结算和风控策略。正确切换可解决内容推荐错乱、付款失败等问题,适用于搬家、订阅区域限定服务等场景。操作前需在目标地区创建付款资料、清空余额并取消订阅,且一年仅能修改一次。本文详解从准备到验证的完整流程,并揭示官方文档未提及的实操陷阱,助你安全完成地区切换。

weixin_42521558的博客 2443

微信小店推客分销系统源码获取与自研开发全攻略(2025年最新版)

源码选择建议快速试错:选用开源项目(如启航系统),3天可上线基础功能长期布局:购买商业源码授权,重点定制分佣规则与UI交互完全自研:适合年GMV过亿的大型企业,需前置投入风控与合规设计行动清单注册微信开放平台账号,完成视频号机构认证下载开源项目代码,部署本地测试环境联系三家源码供应商,获取合规性审计报告设计三级分佣比例表,通过法律顾问合规审查通过以上路径,可高效构建合规、稳定、高转化的微信小店推客分销系统,抢占2025年视频号电商红利。

2401_85184777的博客 1287

惊!Nature“碰瓷”起名鬼才MDPI,旗下子刊如出一辙,这是要走MDPI的路子了?

Nature及其72本专业子刊构成全球顶级学术出版矩阵,涵盖生命科学、物理科学等多领域。这些期刊分为研究型与综述型两类,均具有高影响因子和学科权威性。其中《Nature》正刊影响力最高,Nature Communications以开放获取著称,Scientific Reports则提供快速发表渠道。值得注意的是,部分Nature子刊(如Nature Water)与MDPI旗下期刊(如Water)在命名和学科覆盖上存在相似性,但Nature系列整体学术声誉更高。

WangUnionpub的博客 3174

ANSYS Workbench实战:用网格自适应搞定超弹性橡胶大变形仿真(附避坑命令流)

本文深入探讨了ANSYS Workbench中超弹性橡胶大变形仿真的网格自适应技术,重点解析了混合U-P单元的应用、非线性自适应网格的实战技巧及材料模型选择的注意事项。通过具体案例和命令流示例,帮助工程师有效解决橡胶仿真中的收敛问题和网格畸变挑战,提升仿真精度和效率。

weixin_42666036的博客 304

最近两篇Nature子刊的经验与教训

应一些朋友要求,写写自己最近两篇文章(一篇article,一篇letter)的一些感想和教训,算是对前期工作的一个总结。 首先报简历:04-08(本科),08-至今 (研究生),土博一个,暂时还没出过国门。 介绍一下两个子刊Nature Geoscience和Nature Communcations。 Nature Geoscience是08年创刊的地球科学子刊,今年影响因子10.3

水滴石穿,绳锯木断 2万+

从硅到氮化镓:用Sentaurus TCAD仿真GaN HEMT功率器件,我踩过的那些坑

本文分享了使用Sentaurus TCAD仿真GaN HEMT功率器件的实战经验,详细解析了从硅基到氮化镓的技术转型中遇到的五大关键挑战:材料参数设置、极化效应建模、网格划分策略、陷阱模型校准以及仿真与实测数据匹配。通过具体案例和参数优化方法,帮助工程师避开常见陷阱,提升TCAD仿真精度与效率。

weixin_28726671的博客 379

智慧加油站小程序数据库设计文档

【代码】智慧加油站小程序数据库设计文档。

低代码布道师的博客 1406

复旦类脑智能研究院研究生申请:超越985/211标签,聚焦数理基础与科研潜力

在人工智能与脑科学交叉领域,研究生选拔的核心标准往往围绕数理基础、编程能力和科研潜力展开。这些能力是从事类脑智能、计算神经科学等前沿研究的基石,其重要性体现在构建神经网络模型、分析脑电信号、优化算法等具体任务中。从技术价值看,扎实的数学与计算机科学根基不仅能提升科研效率,更是创新突破的关键。在应用场景上,无论是脑机接口开发、神经形态计算还是认知模型构建,都需要跨学科的知识融合与实践能力。因此,高校在招生时,会通过推免和统考等多渠道综合评估申请者,其中【推免生】通常因前期积累而占优,但【统考】渠道也为具备硬核

weixin_33728708的博客 396

AUTOSAR进阶图解==>AUTOSAR_SWS_CANNetworkManagement

本文介绍了AUTOSAR架构中的CAN网络管理(CanNm)模块,主要内容包括: 模块概述:CanNm是协调CAN网络节点状态转换的基础组件,采用去中心化设计,通过周期性发送网络管理PDU保持网络活跃状态,支持网络唤醒、睡眠和部分网络功能。 架构设计:CanNm位于AUTOSAR中间层,连接上层通信管理器(ComM)和底层CAN接口(CanIf),包含状态管理、PDU处理和定时器管理等子组件。 状态机设计:定义了三种主要模式(总线睡眠、准备睡眠和网络模式)及其转换逻辑,网络模式又包含重复消息、正常操作和准备

一名留德华的,康德的信徒的,专注于汽车电子领域的博客 2041

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 327

基于Python的房地产评估数据抓取与分析 —— 房价走势与市场报告

在房地产行业中,了解和分析房产价格的变化趋势、各个地区的房价差异以及市场评价报告,可以帮助投资者、购房者以及政策制定者做出更加明智的决策。本文介绍了如何使用Python爬虫技术抓取房地产平台上的房产评估报告、价格走势等数据,并对抓取的数据进行分析。通过这些技术,您可以自动化抓取房地产平台的数据,分析房价走势,获取市场报告,为房地产投资决策提供数据支持。假设我们要从链家网抓取某个房产的价格、房产描述以及历史成交价格,首先需要获取目标房产页面的URL,并发送HTTP请求。伪装为常见浏览器,避免被识别为爬虫。

2201_76125261的博客 848

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 260

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 609

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 198

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 333

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 336

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 80

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 154

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 503

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 605

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

386

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 398
上一篇: 尴尬又暖心!学生知乎上提问导师人品如何,没想到导师亲自回答了...
下一篇: 北大数学天才“韦神”上热搜,随手帮6个博士解决困扰4个月的难题
Wang_AI
博客等级 码龄12年 997粉丝 162原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值