生成的对抗网络（GANS）是一种强大的间接基因型对表型绘图，用于进化搜索。以前的工作适用于级别的工作侧重于固定尺寸的段，组合成一个整个级别，但各个段可能不会融合在一起。相反，人类设计水平中的段通常是直接或有变化的重复，并且组织成模式（塞尔达传奇的1级的对称鹰，或超级马里奥兄弟中的反复管道图案）。可以使用组成模式产生网络（CPPN）来生产这些模式。 CPPNS定义潜在的向量GaN输入作为几何形状的函数，将GaN输出的段组织成完整级别。然而，潜伏向量的集合也可以直接演化，产生更多的混乱水平。我们提出了一种混合方法，首先发展CPPNS，但允许潜在的向量以后，以便结合两种方法的益处。这些方法在超级马里奥兄弟和塞尔达的传说中进行了评估。我们之前通过发出的搜索（Map-Elites）来展示CPPNS比直接演变的水平更好地覆盖可能的水平的空间。在这里，我们表明，混合方法（1）涵盖了其他方法可以和（2）均可实现的QD分数相当或更高的QD分数。

Machine learning (ML) has found broad applicability in quantum information science in topics as diverse as experimental design, state classification, and even studies on quantum foundations. Here, we experimentally realize an approach for defining custom prior distributions that are automatically tuned using ML for use with Bayesian quantum state estimation methods. Previously, researchers have looked to Bayesian quantum state tomography due to its unique advantages like natural uncertainty quantification, the return of reliable estimates under any measurement condition, and minimal mean-squared error. However, practical challenges related to long computation times and conceptual issues concerning how to incorporate prior knowledge most suitably can overshadow these benefits. Using both simulated and experimental measurement results, we demonstrate that ML-defined prior distributions reduce net convergence times and provide a natural way to incorporate both implicit and explicit information directly into the prior distribution. These results constitute a promising path toward practical implementations of Bayesian quantum state tomography.

Previous work has shown that a neural network with the rectified linear unit (ReLU) activation function leads to a convex polyhedral decomposition of the input space. These decompositions can be represented by a dual graph with vertices corresponding to polyhedra and edges corresponding to polyhedra sharing a facet, which is a subgraph of a Hamming graph. This paper illustrates how one can utilize the dual graph to detect and analyze adversarial attacks in the context of digital images. When an image passes through a network containing ReLU nodes, the firing or non-firing at a node can be encoded as a bit ($1$ for ReLU activation, $0$ for ReLU non-activation). The sequence of all bit activations identifies the image with a bit vector, which identifies it with a polyhedron in the decomposition and, in turn, identifies it with a vertex in the dual graph. We identify ReLU bits that are discriminators between non-adversarial and adversarial images and examine how well collections of these discriminators can ensemble vote to build an adversarial image detector. Specifically, we examine the similarities and differences of ReLU bit vectors for adversarial images, and their non-adversarial counterparts, using a pre-trained ResNet-50 architecture. While this paper focuses on adversarial digital images, ResNet-50 architecture, and the ReLU activation function, our methods extend to other network architectures, activation functions, and types of datasets.

Artificial Intelligence (AI) is having a tremendous impact across most areas of science. Applications of AI in healthcare have the potential to improve our ability to detect, diagnose, prognose, and intervene on human disease. For AI models to be used clinically, they need to be made safe, reproducible and robust, and the underlying software framework must be aware of the particularities (e.g. geometry, physiology, physics) of medical data being processed. This work introduces MONAI, a freely available, community-supported, and consortium-led PyTorch-based framework for deep learning in healthcare. MONAI extends PyTorch to support medical data, with a particular focus on imaging, and provide purpose-specific AI model architectures, transformations and utilities that streamline the development and deployment of medical AI models. MONAI follows best practices for software-development, providing an easy-to-use, robust, well-documented, and well-tested software framework. MONAI preserves the simple, additive, and compositional approach of its underlying PyTorch libraries. MONAI is being used by and receiving contributions from research, clinical and industrial teams from around the world, who are pursuing applications spanning nearly every aspect of healthcare.

对于自动导航和机器人应用，正确感知环境至关重要。存在许多用于此目的的感应方式。近年来，一种使用的方式是空中成像声纳。它在具有灰尘或雾之类的粗糙条件的复杂环境中是理想的选择。但是，就像大多数传感方式一样，要感知移动平台周围的完整环境，需要多个此类传感器来捕获完整的360度范围。当前，用于创建此数据的处理算法不足以以相当快的更新速率为多个传感器这样做。此外，需要一个灵活而健壮的框架，以轻松地将多个成像声纳传感器实现到任何设置中，并为数据提供多种应用程序类型。在本文中，我们提出了一个专为这种新型传感方式而设计的传感器网络框架。此外，提出了在图形处理单元上的处理算法的实现，以减少计算时间，以便以足够高的更新速率实时处理一个或多个成像声纳传感器。

估计六级自由人体姿势的系统已有二十年多了。诸如运动捕获摄像机，高级游戏外围设备以及最近的深度学习技术和虚拟现实系统等技术都显示出令人印象深刻的结果。但是，大多数提供高精度和高精度的系统都是昂贵的，并且不容易操作。最近，已经进行了研究以使用HTC Vive虚拟现实系统估算人体姿势。该系统显示出准确的结果，同时将成本保持在1000美元以下。该系统使用光学方法。通过在接收器硬件上使用照片二极管来跟踪两个发射器设备发射红外脉冲和激光平面。以前开发了使用这些发射器设备与低成本定制接收器硬件结合使用的系统，但需要手动测量发射机设备的位置和方向。这些手动测量可能很耗时，容易出错，并且在特定设置中不可能。我们提出了一种算法，以使用自定义接收器/校准硬件的任何选择的环境中自动校准发射机设备的姿势。结果表明，校准在各种设置中起作用，同时比手动测量所允许的更准确。此外，校准运动和速度对结果的精度没有明显的影响。

在自主移动平台的各种和动态室内环境中导航仍然是一项复杂的任务。尤其是当条件恶化时，典型的传感器模式可能无法最佳运行，随后为安全导航控制提供了INAPT输入。在这项研究中，我们提出了一种使用分层控制系统具有单个或几个声纳传感器的移动平台进行动态室内环境导航的方法。这些传感器可以在雨，雾，灰尘或污垢等条件下运行。不同的控制层，例如避免碰撞和行为后的走廊，根据声流图像的融合中的声流队列被激活。这项工作的新颖性使这些传感器可以自由放置在移动平台上，并提供了基于移动平台周围分区系统设计最佳导航结果的框架。本文介绍的是使用的声流模型以及分层控制器的设计。在模拟中的验证旁边，在真实的办公室环境中使用具有一个，两个或三个声纳传感器的真实移动平台在真实的办公室环境中实现了实施和验证，并通过2D导航实时实时。在模拟和实际实验中均已验证了多个传感器布局，以证明控制器和传感器融合的模块化方法最佳起作用。这项工作的结果显示了具有动态对象的室内环境的稳定且安全的导航。

在空间上导航和动态环境是自主代理的关键任务之一。在本文中，我们提出了一种新颖的方法，该方法可以通过一个或多个3D-sonar传感器导航移动平台。移动移动平台，然后在其上移动任何3D-sonar传感器，将随着传感器读取中回声反射的时间而创建签名变化。提出了一种方法，可以为任何运动类型创建这些签名变化的预测模型。此外，该模型是自适应的，可用于移动平台上一个或多个声纳传感器的任何位置和方向。我们建议使用这种自适应模型并将所有感官读数融合来创建一个分层的控制系统，允许移动平台执行一组原始运动，例如避免碰撞，避免障碍物，避开障碍物，跟随墙壁和走廊跟随行为，以动态移动环境导航环境其中的对象。本文描述了整个导航模型的基本理论基础，并在模拟环境中验证了它，结果表明该系统稳定，并为一个或多个声纳传感器的多种测试空间配置提供了预期的行为，可以完成自主导航任务。

在模拟中设计和验证传感器应用程序和算法是现代开发过程中的重要一步。此外，现代的开源多传感器仿真框架正在朝着视频游戏引擎（例如虚幻引擎）的使用。在这种实时软件中，对激光雷达等传感器的仿真可能很难。在本文中，我们根据其物理特性和与环境的相互作用进行了GPU加速模拟。我们根据传感器的性质以及光束撞击表面的表面材料和入射角提供了深度和强度数据的产生。它针对真实的激光雷达传感器进行了验证，并证明是准确和精确的，尽管高度依赖于用于材料特性的光谱数据。

大气效应（例如湍流和背景热噪声）抑制了在开关键控自由空间光学通信中使用的相干光的传播。在这里，我们介绍并实验验证了卷积神经网络，以降低后处理中自由空间光学通信的位错误率，而自由空间光学通信的位比基于高级光学器件的现有解决方案明显简单，更便宜。我们的方法由两个神经网络组成，这是第一个确定在热噪声和湍流中存在相干位序列以及第二个解调相干位序列的存在。通过生成连贯的光线，将它们与热灯结合在一起，并通过湍流的水箱将其结合起来，通过生成开关的键入键流，可以通过实验获得我们网络的所有数据，从而获得了模拟的湍流，并将其传递给了最终的光线。高度准确性。我们的卷积神经网络提高了与阈值分类方案相比的检测准确性，并具有与当前解调和误差校正方案集成的能力。