Effect of the mixing of s-wave and chiral p-wave pairings on electrical shot noise properties of normal metal/superconductor tunnel junctions

We study theoretically the electrical shot noise properties of tunnel junctions between a normal metal and a superconductor with the mixture of singlet s-wave and chiral triplet p-wave pairing due to broken inversion symmetry. We investigate how the shot noise properties vary as the relative amplitude between the two parity components in the pairing potential is changed. It is demonstrated that some characteristics of the electrical shot noise properties of such tunnel junctions may depend sensitively on the relative amplitude between the two parity components in the pairing potential, and some significant changes may occur in the electrical shot noise properties when the relative amplitude between the two parity components is varied from the singlet s-wave pairing dominated regime to the chiral triplet p-wave pairing dominated regime. In the chiral triplet p-wave pairing dominated regime, the ratio of noise power to electric current is close to 2e both in the in-gap and in the out-gap region. In the singlet s-wave pairing dominated regime, the value of this ratio is close to 4e in the inner gap region but may reduce to about 2e in the outer gap region as the relative amplitude of the chiral triplet pairing component is increased. The variations of the differential shot noise with the bias voltage also exhibit some significantly different features in different regimes. Such different features can serve as useful diagnostic tools for the determination of the relative magnitude of the two parity components in the pairing potential.

Cryogenic amplifier with low input-referred voltage noise calibrated by shot noise measurement

A low-noise cryogenic amplifier for the bandwidth from 100 kHz to 2 MHz with commercially available components is presented. The amplifier is mounted on the cold finger of our home-made liquid helium dipstick. The input imp√edance of the amplifier is 2 k？. The input-referred voltage noise of the amplifier at approximately 2 MHz is around 1 n V/Hz^（1/2）. We demonstrate the performance of the amplifier by measuring shot noise on the Al/AlOx/Al tunneling junction with resistance about 17 k？ at liquid helium temperature.

Range estimation of few-shot underwater sound source in shallow water based on transfer learning and residual CNN

Taking the real part and the imaginary part of complex sound pressure of the sound field as features,a transfer learning model is constructed.Based on the pre-training of a large amount of underwater acoustic data in the preselected sea area using the convolutional neural network(CNN),the few-shot underwater acoustic data in the test sea area are retrained to study the underwater sound source ranging problem.The S5 voyage data of SWellEX-96 experiment is used to verify the proposed method,realize the range estimation for the shallow source in the experiment,and compare the range estimation performance of the underwater target sound source of four methods:matched field processing(MFP),generalized regression neural network(GRNN),traditional CNN,and transfer learning.Experimental data processing results show that the transfer learning model based on residual CNN can effectively realize range estimation in few-shot scenes,and the estimation performance is remarkably better than that of other methods.

Few-Shot Object Detection Based on the Transformer and High-Resolution Network

Now object detection based on deep learning tries different strategies.It uses fewer data training networks to achieve the effect of large dataset training.However,the existing methods usually do not achieve the balance between network parameters and training data.It makes the information provided by a small amount of picture data insufficient to optimize model parameters,resulting in unsatisfactory detection results.To improve the accuracy of few shot object detection,this paper proposes a network based on the transformer and high-resolution feature extraction(THR).High-resolution feature extractionmaintains the resolution representation of the image.Channels and spatial attention are used to make the network focus on features that are more useful to the object.In addition,the recently popular transformer is used to fuse the features of the existing object.This compensates for the previous network failure by making full use of existing object features.Experiments on the Pascal VOC and MS-COCO datasets prove that the THR network has achieved better results than previous mainstream few shot object detection.

Comparison of the effects of submerged laser peening,cavitation peening and shot peening on the improvement of the fatigue strength of magnesium alloy AZ31

To investigate the improvement in the fatigue strength of magnesium alloy by peening methods,magnesium alloy AZ31 was treated by submerged laser peening(SLP),cavitation peening(CP),and shot peening(SP),and the fatigue properties were evaluated by a plane bending fatigue test.In the case of SLP,both the impact induced by laser ablation(LA)and that caused by laser cavitation(LC),which developed after LA,were used.In the present study,the fatigue life at a constant bending stress was examined to determine the suitable coverage.It was found that the fatigue strengths at N=10^(7)for the SLP,CP,and SP specimens treated by each optimum condition were 56%,18%,and 16%higher,respectively,than that of the non-peened(NP)specimen,which was 97 MPa.The key factors in the improvement of fatigue strength by peening methods were work hardening and the introduction of compressive residual stress.

Effect of Shot Peening on Surface Damage Evolution Behavior of Cu-19Ni Alloy

Shot peening is a surface modification technology with the metal surface nano machine(SNC),which can modify the surface microstructure and extend the fatigue life of Cu-19Ni alloy.The hardness,damage evolution and mechanical properties were investigated and characterized by scanning electron microscope(SEM),laser confocal microscope(LSM)and material surface performance tester(CFT).The results showed that the surface roughness and friction coefficient of Cu-19Ni alloy decreased with the increase of shot peening duration and diameter,while the microhardness and strength increased.Moreover,with the increase in shot peening duration and diameter,SEM observation showed that the fracture dimples became smaller,meanwhile,with the increase of small cleavage planes,shear tearing ridges and the thickness of the surface nano layer,the fracture mode gradually evolved from plastic to brittle fracture.The uniaxial tensile test of shot peened Cu-19Ni alloy was carried out by MTS testing machine combined with digital image correlation technology(DIC).The evolution of Cu-19Ni surface damage was analyzed,and the evolution equations describing the damage of large deformation zone and small deformation zone were established.The effect of shot peening on the damage evolution behavior of Cu-19Ni alloy was revealed.

基于One-Shot聚合自编码器的图表示学习

自编码器(AE)是一种高效的图数据表示学习模型,但大多数图自编码器(GAE)为浅层模型,其效率会随着隐藏层的增加而降低。针对上述问题,提出基于One-Shot聚合(OSA)和指数线性(ELU)函数的GAE模型OSA-GAE和图变分自编码器模型OSA-VGAE。首先,利用多层图卷积网络(GCN)构建编码器,并引入OSA和ELU函数;然后,在解码阶段使用内积解码器恢复图的拓扑结构;此外,为了防止模型训练过程中的参数过拟合,在损失函数中引入正则化项。实验结果表明,OSA和ELU函数可以有效提高深层GAE的性能,改善模型的梯度信息传递。在使用6层GCN时,基准引文数据集PubMed的链接预测任务中,深层OSA-VGAE相较于原始的VGAE在ROC曲线下的面积(AUC)和平均精度(AP)上分别提升了8.67和6.85个百分点,深层OSA-GAE相较于原始的GAE在AP和AUC上分别提升了6.82和4.39个百分点。

小样本学习技术在新型电力系统中的应用与挑战

数据驱动已成为新型电力系统建设及其数字化转型的核心范式,相关算法在负荷预测、状态检修、多主体调控等多项业务中展现出优越的工程效果与应用潜力。然而,实际工程数据往往面临着样本不足、样本不平衡等问题,制约了数据驱动算法的最终效果。因此,需要借助小样本学习来应对这一挑战。文中从数据、特征、模型3个层面探究了小样本学习技术,综述并分析了相关技术在场景生成、故障诊断、电力系统暂态稳定评估等业务的应用现状,并进一步指出小样本学习技术在新型电力系统中所面临的不足与挑战。

基于改进U-net的少样本煤岩界面图像分割方法

煤岩图像语义分割技术是煤岩界面识别的重要研究方向,现有的语义分割模型通常依赖于大样本数据集进行训练,然而目前已标注的煤岩图像数据样本难以获取,并且缺乏公开数据集。针对以上问题,提出了一种基于改进U-net模型的样本煤岩界面图像分割模型。将裁剪后具有更强特征提取能力且结构上更为简单的VGG16替换U-net的原始骨干特征提取网络,提升对图像信息的特征提取能力并获得更快的训练速度,在U-net网络的跳跃连接和解码器上采样部分引入注意力机制模块,对提取的特征层进行处理,提升模型对煤岩界面图像关键特征的提取能力,提高分割精度。使用迁移学习方法对改进的模型进行预训练,提高模型泛化能力同时避免过拟合,使模型更适用于小样本数据集训练。通过使用自制的煤岩界面数据集对所改进的网络模型性能进行验证,并将该模型与经典Unet、DeepLabv3+、PspNet、HrNet网络模型进行了对比。试验结果表明:在同样使用由125幅煤岩界面图片构建的小样本数据集进行训练的情况下,所提改进模型相较于经典U-net模型在分割精确度和检测效率方面都有显著提升,模型精确度提高了1.84%,平均交并比提高了5.34%,类别平均像素准确率提高了0.48%,检测速度增幅为5.3%。同时,与其他网络模型相比,所提改进模型在小样本煤岩界面图像的语义分割中优势显著,表明所提改进思路的有效性。

基于有限元仿真的钛合金喷丸技术应用综述

喷丸强化工艺作为一种常用的表面强化技术,在钛合金相关零部件的表面强化中起到重要作用,有限元技术在探究喷丸强化工艺机理和强化效果中应用广泛。目前,多数喷丸仿真研究都是以钢和铝合金为材料,以钛合金为材料的喷丸仿真研究相对较少。本文总结了国内外学者关于钛合金传统喷丸仿真技术、钛合金新型喷丸仿真技术以及钛合金传统喷丸技术与新型喷丸仿真技术的联系,并对钛合金喷丸仿真方面的发展趋势进行展望。

基于微调原型网络的小样本敏感信息识别方法

敏感信息识别主要是指识别互联网上涉及色情、毒品、邪教、暴力等类型的敏感信息,现有的敏感信息识别通常将其看作文本分类任务,但由于缺乏大规模的敏感信息标注数据,分类效果不佳。该文提出一种基于微调原型网络的小样本敏感信息识别方法,在小样本学习框架下,利用快速适应的微调原型网络来缓解元训练阶段通用新闻领域和元测试阶段敏感信息数据差异大的问题。首先,在元训练阶段,基于通用新闻领域的分类数据训练模型来学习通用知识,同时在训练过程中经过两阶段梯度更新,得到一组对新任务敏感的快速适应初始参数,然后在元测试阶段敏感文本数据集的新任务上,冻结模型部分参数并使用支持集进一步微调,使模型更好地泛化到敏感识别领域上。实验结果证明,相比当前最优的小样本分类模型,该文提出的快速适应微调策略的原型网络显著提升了敏感信息识别效果。

中国电影文化的伦理建构

在全球化时代,视觉文化转向、价值观多元化等趋势将中国电影文化不断推向未知与尴尬的境地。因此,中国电影文化的健康发展需要伦理的引导与规训。在“三大体系”建设的时代呼声中,中国电影文化应以传统伦理为基底,强调“文以载道”“以文化人”的价值观念,沿着电影文化的生成肌理,通过思想文化层面的共同体美学价值理念传续、叙事文化层面“手段善”与“目的善”的统一、镜头文化层面的诗性镜头建构,进行人类命运共同体语境下中国电影文化伦理价值体系的建构,助力中国电影自主知识体系的生产。

基于局部特征深度信息的绝缘子小样本缺陷检测

基于深度学习的目标检测技术已广泛应用于绝缘子缺陷检测中,然而现有目标检测算法主要基于大量缺陷样本训练网络模型,无法对少样本缺陷进行准确识别。针对绝缘子缺陷检测过程中缺陷样本量不足的问题,该文提出了一种基于局部特征深度信息的绝缘子小样本缺陷检测方法。首先采用旋转目标检测网络改进Faster R-CNN(faster region-based convolutional neural network)模型提取绝缘子串区域,然后对绝缘子串特征进行划分,提取绝缘子串局部特征并基于深度推土距离(deep earth mover’s distance,Deep EMD)网络实现小样本缺陷检测。实验结果表明,在玻璃绝缘子自爆缺陷检测中,所提出方法采用2张训练样本可取得与现有目标检测方法 200张训练样本相同的效果,采用10张训练样本的绝缘子自爆检测在与真值框的交并比阈值为0.5至0.95之间的平均精度(mean average precision,mAP)达到0.65,该方法为小样本电力设备缺陷智能化检测提供了新的方法和思路。

喷丸工艺参数对718镍基合金表面性能的影响

为全面理解718镍基合金喷丸强化工艺参数的作用,用精确的三维建模对弹丸和基体进行模拟,并结合仿真分析方法考察喷丸尺寸、速度及入射角度对喷丸强化的影响。重点分析了表面粗糙度和残余应力分布,以全面展现喷丸强化的关键特征。结果表明:随弹丸直径和速度的增加,残余应力呈规律性变化,入射角度为0°~10°时对残余应力影响较小,但可轻微降低表面粗糙度。当入射角度从10°增至30°时,喷丸强化效果减弱,同时表面粗糙度增加。这为工艺参数选择提供了重要参考。通过试验验证仿真结果,进一步证实了本研究的准确性和实用性。

面向低资源场景的实体知识获取研究综述

实体获取是信息抽取的核心任务。近年来,在大数据训练模型的趋势下,深度学习在实体获取任务上取得了成功。但在自然环境等领域中,地形、灾害等类型的实体样本或者标注样本很少,而且对无标签样本进行标注又耗时费力。因此,面向低资源场景的实体获取逐渐受到关注,该任务被称作低资源实体获取或小样本实体获取。系统地梳理了当前低资源实体获取的相关工作,具体来说介绍了基于元学习、基于多任务学习和基于提示学习这3类方法的研究现状;总结了目前常用的低资源实体获取数据集和代表性模型在这些数据集上的实验结果;对低资源实体获取的方法进行了总结与分析;总结了低资源实体获取的挑战,并展望了未来发展方向。

结合特征融合与增强注意力的少样本目标检测

为了更充分地利用支持特征和查询特征中的关键信息,提出一种基于特征融合和增强注意力的少样本目标检测方法FFA-FSOD(Feature Fusion and enhanced Attention Few-Shot Object Detection)。首先引入迭代注意力特征融合(iAFF)模块,以有效融合支持图像和查询图像的关键特征;其次在iAFF模块后添加特征增强操作,充分利用支持特征信息对查询图像中的目标特征进行增强。为避免上述两次处理可能导致的查询图像特征部分细节信息的丢失,对iAFF模块中的多尺度通道注意力模块(MS-CAM)进行改进,以捕获更多的上下文信息。在MS COCO数据集上的实验结果表明,在2-way 10-shot条件下,与小样本目标检测(FSOD)方法相比,加入iAFF模块、特征增强操作并改进MS-CAM后,FFA-FSOD的平均精度均值(mAP)提升了8.0%。实验结果验证了所提特征融合增强方法充分关注到了特征中的细节信息,从而实现了更好的少样本目标检测效果。

基于天文光子学的拼接主镜望远镜位相传感与对准

系统孔径的增加可以有效提高测量观察的灵敏度和分辨率,从而得到高质量的深场测量数据.然而孔径的增加不仅给系统尤其是具有拼接主镜的巡天望远镜系统引入了新的影响因素,从而使其变得更复杂,而且改变了现有组件的操作模式和效果.在这项研究中,我们将子孔径镜检测与曲率传感相结合,该策略可以利用焦平面前后的强度差异测量系统中的对齐倾斜和相位差,从而实现对齐调整和波前稳定性的维护.在子孔径之间使用波前信息来保持连续性,而在系统接口处使用条纹模式来调整对齐倾斜方向.最终实现了原始波前的相关系数大于0.8,子镜边缘区域的PV值减少了超过40%,并且实现了2″的共焦分辨率,以及在5μm范围内的0.08μm的共相位分辨率.此外,每个子镜的边缘干涉测量通道数量从6个减少到2个,吞吐量增加了3倍.为确保未来超大孔径拼接望远镜的最终条纹分辨率,必须有效地减小系统探测器的目标尺寸、体积和质量.而这种基于天文光子学器件的方法能够有效地增加系统的集成度,减少环境对地基系统的影响,降低天基系统的发射成本与风险.

基于自适应上下文匹配网络的小样本知识图谱补全

知识图谱在构建过程中需要面对繁杂的现实世界信息,无法建模所有知识,因此需要补全。真实的知识图谱中很多类型的关系通常只有少量的训练实体样本对。因此,如何进行小样本知识图谱补全是一个十分有价值的问题。目前基于嵌入的方法一般通过注意力机制等方法聚合实体上下文信息,通过学习关系嵌入的方式来补全知识图谱,仅考虑关系层面的匹配程度,虽然能够预测未知关系,但往往准确度不高。针对小样本知识图谱补全问题,提出了一个自适应上下文匹配网络(Adaptive Context Matching Network,ACMN)。首先提出一个共性邻居感知编码器,聚合参考集实体上下文,即一跳邻居实体,获得共性邻居感知编码;接着提出一个任务相关实体编码器,挖掘任务实体上下文与共性上下文的相似度信息,区分一跳邻居对当前任务的贡献,增强实体表征;然后提出一个上下文关系编码器获得动态关系表征;最后通过加权求和综合考虑实体上下文和关系的匹配程度,完成补全。ACMN从实体上下文相似度和关系匹配程度两个方面综合评价查询三元组是否成立,能够在小样本的背景下有效提高预测准确性。在两个公共数据集上和其他8个广泛使用的算法进行比较,ACMN在不同规模的小样本情况下,取得了目前最好的补全结果。

基于双阶段元学习的小样本中医舌色域自适应分类方法

舌色是中医(TCM)望诊最关注的诊察特征之一。在实际应用中,通过一台设备采集到的舌象数据训练得到的舌色分类模型应用于另一台设备时,由于舌象数据分布特性不一致,分类性能往往急剧下降。为此,该文提出一种基于双阶段元学习的小样本中医舌色域自适应分类方法。首先,设计了一种双阶段元学习训练策略,从源域有标注样本中提取域不变特征,并利用目标域的少量有标注数据对网络模型进行微调,使得模型可以快速适应目标域的新样本特性,提高舌色分类模型的泛化能力并克服过拟合。接下来,提出了一种渐进高质量伪标签生成方法,利用训练好的模型对目标域的未标注样本进行预测,从中挑选出置信度高的预测结果作为伪标签,逐步生成高质量的伪标签。最后,利用这些高质量的伪标签,结合目标域的有标注数据对模型进行训练,得到舌色分类模型。考虑到伪标签中含有噪声问题,采用了对比正则化函数,可以有效抑制噪声样本在训练过程中产生的负面影响,提升目标域舌色分类准确率。在两个自建中医舌色分类数据集上的实验结果表明,在目标域仅提供20张有标注样本的情况下,舌色分类准确率达到了91.3%,与目标域有监督的分类性能仅差2.05%。

融合选择注意力的小样本知识图谱补全模型

在面对实体对关系复杂或目标邻域稀疏等情况时,现有的小样本知识图谱补全模型普遍存在关系表示学习能力不足以及忽略实体对相对位置和交互作用的问题。基于此,提出一种基于选择注意力机制和交互感知的小样本知识图谱补全模型(SAIA)。首先,通过在聚合邻域信息过程中引入选择注意机制,帮助邻域编码器聚焦更重要的邻居以减少噪声邻居的不良影响;其次,在关系表示学习阶段,利用背景知识图谱中与任务关系相关的信息学习更加准确的关系表示;最后,为了挖掘知识图谱实体之间的交互信息和位置信息,设计了一个实体对公共交互率指标(CIR)来衡量实体对三阶路径内的关联程度,然后结合实体语义信息共同预测新的事实。实验结果表明该方法优于目前最先进的小样本知识图谱补全模型。与基准模型最优的结果相比,SAIA在NELL-one和Wiki-one数据集上的5-shot链接预测中,平均倒数排名(MRR)、Hits@10、Hits@5以及Hits@1等性能评价指标分别提高了0.038、0.011、0.028和0.052以及0.034、0.037、0.029和0.027,验证了所提模型的有效性和可行性。