- 综合排序
- 最热优先
- 最新优先
非平衡合成方法与AI结合如何加速材料发现过程？
非平衡合成方法与AI结合通过以下机制显著加速材料发现过程：[C132-C136]1. 突破传统材料设计限制非平衡合成方法（如火焰喷雾热解、放电等离子体等）能克服热力学障碍，将传统方法不相容的元素整合到单相高熵材料中[C11][C16][C120]例如，火焰喷雾热解已成功合成包含25种元素的高熵氟化物氧化物 高通量合成与AI协同非平衡方法（如激光烧蚀、闪光焦耳加热）支持分钟级合成数十种成分的纳米材料[C126][C214]气溶胶技术（火焰喷雾热解、喷雾干燥）通过连续流程可单日生产288种样品，切换前体溶液即可实现高通量 规模化生产的突破非平衡方法（如卷对卷闪蒸焦耳加热）实现7m/分钟连续生产[C48][C79]工业级火焰喷雾反应器产能达吨/小时级[C52][C82]AI通过工艺参数优化（如温度曲线、气体配比）进一步提升规模化效率 未来发展方向建立非平衡合成数据库：记录极端条件下材料形成路径（如超快加热中的原子扩散动力学）[C31][C33]开发多尺度AI模型：结合分子动力学（MD）模拟与实验数据，预测非平衡相变[C30][C44
10810编辑于 2026-01-17非平衡合成方法如何克服热力学障碍实现不相容元素的混合？
非平衡合成方法通过以下机制克服热力学障碍实现不相容元素的混合：非平衡合成方法利用超快加热和淬火过程，使系统在原子扩散和相分离发生之前就被"冻结"在特定状态，从而克服传统热力学平衡的限制[C6][C27] [C120]这些方法通过动力学控制捕获亚稳相，使在平衡条件下会因正混合焓(ΔH_mix > 0)而分离的元素能够实现均匀混合[C16][C20]在极端条件下，非平衡合成允许形成短暂、局部的准平衡状态， 在长程扩散变得显著之前，实现快速成核、短程均匀化和动力学捕获的混合[C33]通过增加构型熵(ΔS_mix)，非平衡合成可以降低系统的总吉布斯能(ΔG_mix = ΔH_mix - T·ΔS_mix)，促进单相固体溶液的形成 [C20]超快反应环境打破了传统热力学平衡限制，使元素能够达到在平衡条件下无法实现的混合状态，例如在毫秒甚至纳秒时间内实现原子级均匀混合[C27][C120]这些方法利用极端温度梯度和超短时间窗口，通过动力学途径而非热力学途径实现材料形成 ，使不相容元素能够在亚稳态或高熵结构中共存[C30][C120]这些非平衡技术包括闪光焦耳加热、火焰喷雾热解、放电等离子体、激光烧蚀、微波加热、喷雾干燥、机械化学合成、超声合成、超快光闪合成、电线电爆炸和莱顿弗罗斯特液滴爆炸等方法
11610编辑于 2026-01-17- 来自专栏硬件工程师
平衡传输与非平衡传输
发送端将信号调制成为对称的信号用双线发送，称为平衡发送； 接收端采用对称接收称为平衡接收； 例如差动电路就是一种平衡方式。 发送如采用单线（对应有参考电平），称为非平衡发送； 接收端采用非对称接收（单线接收对应一个基准电平）称接收为非平衡接收。 平衡传输是指信号传输线的有两个输入端，一个地线。 不平衡传输是指信号传输线的有一个输入端，一个地线。 当有共模干扰存在时，由于平衡传输的两个端子上受到的干扰信号数值相差不多，而极性相反，干扰信号在平衡传输的负载上可以互相抵消，所以平衡电路具有较好的抗干扰能力。 不平衡传输：又叫单端通讯 如RS232：在9600pbs时，普通双绞屏蔽线时，距离可达30-35米 平衡传输，又叫差分传输方式 如RS422，RS485，LVDS等 RS485：在100KbpS的传输速率下
1.4K10编辑于 2022-08-29 - 来自专栏AI科技时讯
深度学习任务面临非平衡数据问题？试试这个简单方法
； 解决这个问题的方法有哪些？ 解决这个问题的方法主要有三种，三种各有各自的优缺点： 下采样（Undersampling）：随机删除具有足够观察多样本的类，以便数据中类的数量比较平衡。 虽然这种方法非常简单，但很有可能删除的数据中可能包含有关预测的重要信息。 合成取样（SMOT）：该技术要求综合地制造不平衡类的样本，类似于使用最近邻分类。问题是当观察的数目是极其罕见的类时不知道怎么做。 结论 有时候，最简单的方法是最合乎逻辑的（如果你没有更多的数据，只需要复制现有的数据，并有轻微的变化即可），也是最有效的。
94230发布于 2019-08-16 - 来自专栏人工智能头条
处理非平衡数据的七个技巧
有两种方法可以从不平衡数据集中生成出平衡的数据集：欠抽样和过抽样。 欠抽样 欠抽样通过减少多数类（数据量占大多数的类别）的样本量来平衡数据集。当数据量足够大时可以使用此方法。 它通过增加稀有类的样本量来平衡数据集。新的稀有类数据可以通过复制，自举法或SMOTE[1]（合成过抽样技术）以及其他类似技术来生成。 需要注意，没有一种绝对正确的重抽样方法。 如何选用这两种方法取决于应用场合和数据集特点。欠抽样和过抽样相结合也能产生很好的结果。 正确使用K重交叉验证 值得注意的是，使用过抽样方法来解决不平衡问题时应适当地应用交叉验证。 设计你自己的模型 上述的方法都聚焦在数据上，并将模型视为固定的组件。但事实上，如果模型适用于不平衡数据，就不需要重新采样数据了。 总结 这不是一个排他性的列表，而是处理不平衡数据的起点。没有适合所有问题的最佳方法或模型。 强烈建议你尝试不同的技术和模型来评估哪些方法最有效。尝试创造性地结合不同的方法。
60920发布于 2018-07-20 - 来自专栏AI研习社
非平衡数据集 focal loss 多类分类
本教程将向您展示如何在给定的高度不平衡的数据集的情况下，应用焦点损失函数来训练一个多分类模型。 背景 让我们首先了解类别不平衡数据集的一般的处理方法，然后再学习 focal loss 的解决方式。 在多分类问题中，类别平衡的数据集的目标标签是均匀分布的。 若某类目标的样本相比其他类在数量上占据极大优势，则可以将该数据集视为不平衡的数据集。 对这种高度不平衡的数据集的分类问题，若某模型简单猜测所有输入样本为“正常”就可以达到733 /（733 + 1）= 99.86％的准确度，这显然是不合理。 α（alpha）：平衡focal loss ，相对于非 α 平衡形式可以略微提高它的准确度。 现在让我们把训练好的模型与之前的模型进行比较性能。
4.1K30发布于 2019-05-08 - 来自专栏AI研习社
Github 项目推荐 | GAN 非平稳纹理合成
该库是论文「Non-stationary texture synthesis using adversarial expansions.」的官方代码。
64130发布于 2018-07-26 多肽定制合成：一般多肽合成的方法
目前我们常用的多肽合成方法主要分为两大类：液相多肽合成和固相多肽合成，下面为大家分别讲解一下这两种方法。1. 液相多肽合成（Liquid-phase Peptide Synthesis）液相多肽合成是一种经典的多肽合成方法，虽然现在大多数在实验室中已经被固相多肽合成所取代，但在工业上大规模生产多肽时仍具有可用性 液相多肽合成方法主要采用BOC和Z两种保护方法，适用于短肽的合成，如阿斯巴甜、力肽、催产素等。原理：在溶液中逐步添加氨基酸进行缩合反应。优点：操作简便，适用于较长多肽的合成。2. 固相多肽合成（Solid-phase Peptide Synthesis, SPPS）固相多肽合成由罗伯特·布鲁斯·梅里菲尔德（Robert Bruce Merrifield）首创，现在已成为实验室中制造多肽和蛋白质的常用有机合成方法 固相多肽合成方法主要采用FMOC和BOC两种策略。
26010编辑于 2026-03-09- 来自专栏全栈程序员必看
语音合成（speech synthesis）两种方法-拼接合成和参数合成
处理TTS的方法一般分为两部分：文本分析和语音合成（speech synthesis）。文本分析可能采用NLP方法。 而在语音合成（speech synthesis）上有两种主要的方法：一种是非参数化的，基于样例的方法，如拼接语音合成；另一种是参数化的、基于模型的方法，如统计参数语音合成。 拼接语音合成： 基于统计规则的大语料库拼接语音合成系统 超大规模音库制作：语料设计；音库录制；精细切分；韵律标注； 优点：音质最佳，录音和合成音质差异小，正常句子的自然度也好 缺点：非常依赖音库的规模大小和制作质量 ，尺寸大，无法在嵌入式设备中应用，仍然存在拼接不连续性 参数语音合成 对于引得频谱特性参数进行建模，生成参数合成器，来构建文本序列映射到语音的映射关系 优点：尺寸小，语音自然度好 缺点：音质不如拼接合成
1.9K20编辑于 2022-09-13 - 来自专栏机器学习之旅
Python:数据抽样平衡方法重写
之前在R里面可以通过调用Rose这个package调用数据平衡函数，这边用python改写了一下，也算是自我学习了。 both", p=0.5, N=1000, seed = 1)$data table(data_balanced_both$cls) 0 1 520 480 method的不同值代表着不同的采样方法
1.6K30发布于 2018-08-27 台州学院王家成团队综述：焦耳热冲击非平衡合成金属单原子催化剂——从原子锚定到工业级构筑
然而，传统高温煅烧、原子层沉积（ALD）、物理气相沉积（PVD）等合成方法存在设备复杂、负载量低、成本高、难以规模化等瓶颈。 焦耳加热（Joule Heating, JH）技术以毫秒级超高温（>3500 K）冲击、极速冷却（>10⁴ K s⁻¹）为特征，为非平衡态单原子合成提供了革命性途径，有望突破上述技术瓶颈，实现从“克级” 文章首次从“理论-设备-材料-功能”四维视角，全面总结了JH合成贵金属（Pt、Pd、Ru）和非贵金属（Fe、Co、Ni、Cu、Zn）SACs的最新进展；通过与传统方法对比，凸显JH在原子分散效率、负载量 焦耳加热的核心理论焦耳加热合成金属单原子材料的理论核心在于毫秒级非平衡热力学与强金属-载体相互作用的协同：当电流脉冲在<2 s内将体系推至1500–3500 K时，金属盐瞬时裂解为原子蒸汽，超快升温（> Fe-N₄位点 ：缺陷碳球载体在1473 K下合成，氧还原反应（ORR）性能媲美Pt/C（图7a）。 4. JH vs. 传统方法的优势5.
54210编辑于 2025-07-19- 来自专栏python3
Python 绑定方法与非绑定方法
(绑定给类的应该有类来调用, 但对象其实也可以使用, 只不过自动传入的仍然是类) @staticmethod --------- 加入到定义的非绑定方法函数上(但是无论谁来调用, 都没有任何自动传值的效果 绑定方法 特性: 绑定给谁就应该由谁来调用, 谁来调用就会将谁当作第一个参数自动传入<<精髓在于自动传值>> 绑定方法分为两类: 1. 绑定给对象方法: 在类内部定义的函数(没有被任何装饰器修饰的), 默认就是绑定给对象用的 2.绑定给类的方法: 在类内部定义的函数如果被装饰器@classmethod装饰, 那么则是绑定给类的 非绑定方法 类中定义的函数如果被装饰器@staticmethod装饰, 那么该函数就变成非绑定方法 既不与类绑定, 又不与对象绑定, 意味着类与对象都可以来调用 但是无论谁来调用, 都没有任何自动传值的效果 ,则应该将该函数定义成非绑定方法/普通函数 例如: 1 class Foo: 2 @classmethod 3 def f1(cls): 4 print(cls
1.2K20发布于 2020-01-19 - 来自专栏深度学习|机器学习|歌声合成|语音合成
语音合成：HIFI-Gan 方法解读
toc 摘要 提出HIFI-gan方法来提高采样和高保真度的语音合成。语音信号由很多不同周期的正弦信号组成，对于音频周期模式进行建模对于提高音频质量至关重要。 前言 主流的语音合成大部分分为两个阶段：1）预测低分辨率的中间表示，例如梅尔声谱图或语言特征，从中间表示合成原始波形音频。HIFI-gan主要是解决第二阶段的问题，从梅尔声谱图到高保真度的波形文件。 wavenet是一种自回归卷积神经网络，合成高质量的音频的效率低。 HIFI-gan提出鉴别器，每个鉴别器有子鉴别器来生成一段固定周期的音频。 [PcfXWvrdHFpAIM3] 判别器和生成器的损失函数为 [hSaHtfLBV8QoNOe] 结果 与其他模型对比语音质量、合成速度、模型大小,hifi-gan都是略胜于其他模型的。
5.8K20发布于 2021-01-18 - 来自专栏AI科技评论
视频 | 深大推出新算法： GAN 非平稳纹理合成
由计算机图形学和AI相结合的领域称为纹理合成，周期性纹理合成比较简单，但是具有结构的纹理合成相当复杂，这篇论文的卖点在于，可以高效地同时把图像的内容和对称信息考虑进来。 但是经常会遇到的问题是——当我们想要使用混凝土的纹路铺满整条路时，却只有整条路纹路中的一小部分，这种情况下，最简单快捷的方法就是不断将这小块纹路复制粘贴，这样生成的纹路重复性高并且有明显接缝。 这一由计算机图形学和AI相结合的领域称为纹理合成，周期性纹理合成比较简单，但是具有结构的纹理合成相当复杂，这篇论文的卖点在于，可以高效地同时把图像的内容和对称信息考虑进来。 例如，它在合成木头的纹理的时候，知道要将纹理的同心性考虑进来，也可以适应水纹的规律性然后生成一个漂亮的高分辨率的结果。 ? 这是基于神经网路的技术，所以首要问题是——训练数据应该是什么样的？ ? 注意这个方法是生成对抗网络，就是有两种神经网络互相对抗，生成网络是扩展小块纹理的生成器，鉴别器网络负责检查和判别纹理的真实性。
54620发布于 2018-07-27 - 来自专栏编程园地
PHP非阻塞实现方法
2 使用 fsockopen() 使用 fsockopen() 打开一个网络连接或者一个Unix套接字连接，再用 stream_set_blocking() 非阻塞模式请求： $fp = fsockopen $fp) { die('error fsockopen'); } // 转换到非阻塞模式 stream_set_blocking($fp, 0); $http = "GET /save.php Swoole 最近很火，有很多异步方法，使用简单。 5 使用缓存和队列 使用redis等缓存、队列，将数据写入缓存，使用后台计划任务实现数据异步处理。 这个方法在常见的大流量架构中应该很常见吧 6 调用系统命令 极端的情况下，可以调用系统命令，可以将数据传给后台任务执行，个人感觉不是很高效。 $cmd = 'nohup php .
1.3K20编辑于 2022-03-02 - 来自专栏PHP在线
PHP非阻塞实现方法
2 使用 fsockopen() 使用 fsockopen() 打开一个网络连接或者一个Unix套接字连接，再用 stream_set_blocking() 非阻塞模式请求： $fp = fsockopen $fp) { die('error fsockopen'); } // 转换到非阻塞模式 stream_set_blocking($fp, 0); $http = "GET /save.php Swoole 最近很火，有很多异步方法，使用简单。 5 使用缓存和队列 使用redis等缓存、队列，将数据写入缓存，使用后台计划任务实现数据异步处理。 这个方法在常见的大流量架构中应该很常见吧 6 调用系统命令 极端的情况下，可以调用系统命令，可以将数据传给后台任务执行，个人感觉不是很高效。 $cmd = 'nohup php .
2.4K20发布于 2018-07-27 - 来自专栏小陈飞砖
静态方法（类方法）与非静态方法（成员方法实例方法）
（访问变量区别）非静态方法可以访问类中的任何成员（静态与非静态//方法与变量）； 但静态方法只能访问静态成员（包括方法和变量）。 （被调用区别）非静态方法必须由实例对象来调用，而静态方法除了可由实例对象调用外，还可以由类名直接调用。 （super,this）非静态方法中可以使用super、this关键字,但在静态方法中不能使用super、this关键字。
2.9K40编辑于 2022-06-25 - 来自专栏技术随笔
机器学习分类算法中怎样处理非平衡数据问题 (更新中)
---- Abstract 非平衡数据集是一个在现实世界应用中经常发现的一个问题，它可能会给机器学习算法中的分类表现带来严重的负面影响。目前有很多的尝试来处理非平衡数据的分类。 尽管处理非平衡数据问题的一个通常的做法是通过人为的方式，比如超采样或者降采样，来重新平衡数据，一些研究者证实例如修改的支持向量机，基于粗糙集的面向少数类的规则学习方法，敏感代价分类器等在非平衡数据集上面也表现良好 我们观察到目前在非平衡数据问题上面的研究正趋向于使用混合算法。 关键词：敏感代价学习，非平衡数据集，修改的SVM，超采样，降采样 1. 解决非平衡数据最普遍的技术包括重新调整训练接，使用代价敏感的分类器和雪球法。最近，不少在非平衡数据上有很好表现的方法被提出来了。 [CSDN] 在分类中如何处理训练集中不平衡问题 1 | 2 [机器之心] 从重采样到数据合成：如何处理机器学习中的不平衡分类问题？
1.5K90发布于 2018-05-16 - 来自专栏全栈程序员必看
C#静态方法和非静态方法
大家好，又见面了，我是全栈君 使用了static修饰的方法是静态方法，反之则为非静态方法。 静态方法是一种特殊的方法，他不属于某个具体的实例。 非静态方法可以访问类中的任何成员，而静态方法只能访问静态成员。
94330编辑于 2022-07-15 - 来自专栏编程文青李狗蛋
详解类方法之绑定方法与非绑定方法
我们之前说过，我们一般用实例调用方法，既然我们说了是一般，那么就说明还有其他调用方法的方式，今天我们就来说一下「绑定方法和非绑定方法」。 绑定方法和非绑定方法 在 Python 中除了特殊方法以外，类中的其他普通方法也是经常用到的，所以对于普通的方法也要进行研究，下面我们来看一个例子： >>> class Sample: ... 下面就要逐渐接近 “绑定方法” 和 “非绑定方法” 的概念本质了。 关于描述器的内容，在这做具体的说明，在这里提到它，纯粹是为了解决绑定方法和非绑定方法的问题。所以如果你有兴趣的话，可以自行 Google。 写在之后 绑定方法和非绑定方法到这就结束了，类的方法可分为不少，除了绑定方法和非绑定方法以外，还有静态方法和类方法等，我会在接下来依次的进行介绍，敬请期待。
52420发布于 2019-11-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号