我们提出了E3NN，这是一个通用框架，用于创建E（3）e术训练功能，也称为欧几里得神经网络。E3NN自然地在几何和几何张量上进行操作，这些几何和几何张量描述了3D中的系统，并在坐标系统的变化下可预测地转换。E3NN的核心是诸如张力生产类别或球形谐波函数之类的等效操作，这些功能可以组成，以创建更复杂的模块，例如卷积和注意机制。E3NN的这些核心操作可用于有效地阐明张量球场网络，3D可通道的CNN，Clebsch-Gordan Networks，SE（3）变压器和其他E（3）E（3）Equivariant网络。

3D相关的电感偏见，例如翻译不变性和旋转率偏差，对于在3D原子图（例如分子）上运行的图形神经网络是必不可少的。受到变压器在各个领域的成功的启发，我们研究了如何将这些电感偏置纳入变压器。在本文中，我们提出了Equibrouner，这是一个图形神经网络，利用了变压器体系结构的强度，并结合了基于不可减至表示（IRREPS）的$ SE（3）/e（3）$ - 均值功能。 IRREPS在通道尺寸中的编码均值信息而不使图形结构复杂化。简单性使我们能够通过用eproimiant对应物替换原始操作来直接合并它们。此外，为了更好地适应3D图，我们提出了一种新颖的模棱两可的图形注意力，该图都考虑了内容和几何信息，例如IRRERPS特征中包含的相对位置。为了提高注意力的表现力，我们用多层感知器的注意力取代了点产品的注意力，并包括非线性消息传递。我们在两个量子性能预测数据集（QM9和OC20）上进行基准测试。对于QM9，在接受相同数据分区训练的模型中，Equibourer在12个回归任务中的11个中取得了最佳结果。对于OC20，在使用IS2RE数据和IS2RS数据的培训设置下，Equibourer对最先进的模型进行了改进。复制所有主要结果的代码将很快获得。

分子模拟的粗粒度（CG）通过将选定的原子分组为伪珠并大幅加速模拟来简化粒子的表示。但是，这种CG程序会导致信息损失，从而使准确的背景映射，即从CG坐标恢复细粒度（FG）坐标，这是一个长期存在的挑战。受生成模型和e象网络的最新进展的启发，我们提出了一个新型模型，该模型严格嵌入了背态转换的重要概率性质和几何一致性要求。我们的模型将FG的不确定性编码为不变的潜在空间，并通过Equivariant卷积将其解码为FG几何形状。为了标准化该领域的评估，我们根据分子动力学轨迹提供了三个综合基准。实验表明，我们的方法始终恢复更现实的结构，并以显着的边距胜过现有的数据驱动方法。

我们提出了一种基于图形神经网络的图分算法。对于图表中的每个节点，网络输出每个分区的概率。图形神经网络由两个模块组成：嵌入阶段和分区阶段。首先通过最小化由光谱图理论的启发的损耗函数来训练嵌入阶段。分区模块通过损耗函数培训，该损耗函数对应于归一化切割的预期值。神经网络的两部分依赖于Sage卷积层和粗糙化粗糙匹配的图表。神经网络的多级结构受到多重级算法的启发。我们的方法概括了更大的图表，并且与Metis，Scotch和光谱分区相当的分区质量，与Metis和光谱分区相比具有较短的运行时。

这项工作介绍了神经性等因素的外部潜力（NEQUIP），E（3） - 用于学习分子动力学模拟的AB-INITIO计算的用于学习网状体电位的e（3）的神经网络方法。虽然大多数当代对称的模型使用不变的卷曲，但仅在标量上采取行动，Nequip采用E（3） - 几何张量的相互作用，举起Quivariant卷曲，导致了更多的信息丰富和忠实的原子环境代表。该方法在挑战和多样化的分子和材料集中实现了最先进的准确性，同时表现出显着的数据效率。 Nequip优先于现有型号，最多三个数量级的培训数据，挑战深度神经网络需要大量培训套装。该方法的高数据效率允许使用高阶量子化学水平的理论作为参考的精确潜力构建，并且在长时间尺度上实现高保真分子动力学模拟。

We introduce TeSS (Text Similarity Comparison using Sentence Encoder), a framework for zero-shot classification where the assigned label is determined by the embedding similarity between the input text and each candidate label prompt. We leverage representations from sentence encoders optimized to locate semantically similar samples closer to each other in embedding space during pre-training. The label prompt embeddings serve as prototypes of their corresponding class clusters. Furthermore, to compensate for the potentially poorly descriptive labels in their original format, we retrieve semantically similar sentences from external corpora and additionally use them with the original label prompt (TeSS-R). TeSS outperforms strong baselines on various closed-set and open-set classification datasets under zero-shot setting, with further gains when combined with label prompt diversification through retrieval. These results are robustly attained to verbalizer variations, an ancillary benefit of using a bi-encoder. Altogether, our method serves as a reliable baseline for zero-shot classification and a simple interface to assess the quality of sentence encoders.

由于评估成本函数的费用（例如，使用计算流体动力学）来确定表面控制所需的性能，因此通常不可能找到流体动力或空气动力表面的最佳设计。此外，由于强加的几何限制，常规的参数化方法和用户偏见，设计空间本身的固有局限性可以限制所选设计空间内设计的{\ IT}，而不管传统的优化方法还是较新的，数据驱动的方法使用机器学习的设计算法用于搜索设计空间。我们提出了2条攻击来解决这些困难：我们提出了（1）一种方法，可以使用变形创建设计空间，我们称之为{\ it by-morphing}（dbm）; （2）一种优化算法，用于搜索使用新型贝叶斯优化（BO）策略的空间，我们称之为{\ it混合变量，多目标贝叶斯优化}（MixMobo）。我们采用这种形状优化策略来最大程度地提高基本动力学涡轮的功率输出。在同时应用这两种策略，我们证明我们可以创建一个新颖的，几何毫无约束的设计空间和轮毂形状的设计空间，然后通过{\ it最低}成本函数的数量来同时优化它们。我们的框架是多功能的，可以应用于各种流体问题的形状优化。

本文介绍了一种新型的分布式灵巧操纵器：三角洲阵列。每个三角洲阵列都由线性驱动的三角形机器人的网格组成，并具有符合性的3D打印的平行四边形链接。这些阵列可用于执行类似于智能输送机的平面运输任务。但是，三角洲的额外自由度也提供了各种不同的平面操作，以及在三角洲集合之间的预感。因此，三角洲阵列提供了广泛的分布式操作策略。在本文中，我们介绍了三角阵列的设计，包括单个三角洲，模块化阵列结构以及分布式通信和控制。我们还使用拟议的设计构建和评估了8x8阵列。我们的评估表明，由此产生的192 DOF机器人能够对各种对象进行各种协调的分布操作，包括翻译，对齐和预性挤压。

自组织的关键性描述了一类动态系统，其在吸引子状态下，没有内在长度或时间尺度。从根本上，这种理论构建构造需要一种不稳定性的机制，可以通过耗散过程在本地触发额外的不稳定性。已经调用了这一概念来解释非线性动态现象，例如以凭经验为地震，雪崩和太阳耀斑观察到的无特征能谱。如果这种解释证明了正确的话，它意味着太阳冠状磁场通过电动驱动的磁能的磁能和通过辐射事件释放该能量之间的微妙平衡来保持临界状态。所有天空高音等待卫星调查卫星（TESS）等透支勘测提供了必要的数据，以比较不同光谱类型的星星中的燃烧事件的能量分布，以在太阳中观察到。我们确定了$ \ SIM 10 ^ 6 $耀斑的事件在$ \ sim 10 ^ 5 $星星在苔丝2分钟观察到。通过拟合不同质量箱的爆发频率分布，我们发现所有主要序列明星都表现出类似于太阳在阳光下观察到的燃烧事件的分布，与其大量或年龄无关。这可能表明星星通过磁性重构事件普遍存在冠状拓扑中的临界状态。如果这种解释证明是正确的，我们可能能够推断出磁场，内部结构和发电机机制的特性，否则是未解决的点源的恒星。