预测机器剩余使用寿命的可解释回归框架；基于磁场诱导Skyrmion动力学的神经形态计算模式识别；宽截面纳米带连续体内外的束缚态：一种新的递归S矩阵方法；脑-机接口：研究从视觉诱发电位到纯粹想象稳态电位

可解释的机器学习

1）中文标题：预测机器剩余使用寿命的可解释回归框架
英文标题：An Explainable Regression Framework for Predicting Remaining Useful Life of Machines
时间：2022.4.28
作者：Talhat Khan, Kashif Ahmad, Jebran Khan, Imran Khan, Nasir Ahmad
机构：工程技术科学大学(Quaid-e-Awam University of Engineering, Science and Technology）、蒙斯特科技大学（Munster Technological University）、亚洲大学（AJOU University）
链接：https://arxiv.org/pdf/2204.13574.pdf
简介：
预测机器的剩余使用寿命（RUL）是预测性维修的关键任务之一。该任务被视为一个回归问题，机器学习（ML）算法用于预测机器部件的RUL。这些ML算法通常被用作一个黑匣子，完全关注性能，而不确定算法决策背后的潜在原因及其工作机制。我们认为，单凭绩效（就均方误差（MSE）等而言）不足以建立利益相关者对ML预测的信任，而是需要更多关于预测背后原因的见解。为此，在本文中，我们通过提出一个用于预测机器RUL的可解释回归框架来探索可解释人工智能（XAI）技术的潜力。我们还评估了几种ML算法，包括基于经典和神经网络（NNs）的任务解决方案。对于解释，我们依赖两种模型不可知的XAI方法，即局部可解释模型不可知解释（LIME）和Shapley加法解释（SHAP）。我们相信，这项工作将为该领域的未来研究提供基线。

神经拟态

1）中文标题：基于磁场诱导Skyrmion动力学的神经形态计算模式识别
英文标题：Pattern recognition with neuromorphic computing using magnetic-field induced dynamics of skyrmions
时间：2022.4.27
作者：Tomoyuki Yokouchi, Satoshi Sugimoto, Bivas Rana, Shinichiro Seki, Naoki Ogawa, Yuki Shiomi, Shinya Kasai, Yoshichika Otani
机构：里肯紧急物质科学中心（RIKEN Center for Emergent Matter Science ，CEMS）、东京大学（The University of Tokyo）、国家材料科学研究所（National Institute for Materials Science，NIMS）、亚当·米基维兹大学（University of Adam Mickiewicz）、日本科学技术厅（Japan Science and Technology Agency ，JST）
链接：https://arxiv.org/pdf/2204.13260.pdf
简介：
物理系统中的非线性现象可以用于低能耗的大脑启发计算。拓扑自旋结构skyrmion的动力学响应是这种神经形态计算的候选之一。然而，它的能力还没有得到很好的实验探索。在这里，我们用磁场诱导的Skyrmion动力学产生的非线性响应来实验演示神经形态计算。我们设计了一个结构简单的基于skyrmion的神经形态识别装置，并成功地实现了手写数字识别，识别准确率高达94.7%，波形识别也取得了成功。值得注意的是，识别准确度与设备中Skyrmion的数量之间存在正相关。skyrmion系统的大自由度，如位置和大小，产生了更复杂的非线性映射和更大的输出维数，因此具有更高的精度。我们的研究结果为开发节能和高性能的skyrmion神经形态计算设备提供了指导。

类脑计算

1）中文标题：宽截面纳米带连续体内外的束缚态：一种新的递归S矩阵方法
英文标题：Bound states in and out of the continuum in nanoribbons with wider sections: A novel recursive S-matrix method
时间：2022.4.27
作者：Ricardo Y. Díaz, Carlos Ramírez
机构：墨西哥民族自治大学（Universidad Nacional Autónoma de México）
链接：https://arxiv.org/pdf/2204.12692.pdf
简介：
我们报道了一种新的方法来寻找具有半无限导联的一般紧束缚哈密顿量中的束缚态。该方法基于递归S矩阵方法，该方法允许我们根据子系统的S矩阵迭代计算一般系统的S矩阵。我们建立了子系统的S-矩阵必须满足的条件，即在能量E处有一个束缚态。通过使用S-矩阵的泰勒级数，可以高精度和高效率地确定实现这种关系的能量。该方法允许我们在连续介质的（BIC）和（BOC）中找到束缚态能量和波函数，包括简并态。计算了方形和蜂窝状晶格的宽截面纳米带中的束缚态。利用这种方法，我们用另一种技术验证了具有两个量子点结构的石墨烯纳米带中的束缚态，这两个量子点结构被报道具有BIC。然而，这项新的分析表明，这种BIC是双重的，一个是偶数波函数，另一个是奇数波函数，能量略有分离。通过这种方式，新方法可以有效地找到新的BIC，并提高以前报道的BIC的精度。

脑机接口

1）中文标题：脑-机接口：研究从视觉诱发电位到纯粹想象稳态电位的转变
英文标题：Brain-Computer Interfaces: Investigating the Transition from Visually Evoked to Purely Imagined Steady-State Potentials
时间：2022.4.25
作者：Arturo Micheli, Davide Consoli, Adrien Merlini, Paolo Ricci, Francesco P. Andriulli
机构：都灵理工大学（意大利文：Politecnico di Torino；曾用名：皇家都灵理工大学；简称：Polito）、大西洋高等国立矿业电信学校（IMT Atlantique）
链接：https://arxiv.org/pdf/2204.11503.pdf
简介：
基于稳态视觉诱发电位（SSVEP）的脑-机接口（BCI）已被证明是有效的，并提供了显著的准确性和信息传输率。然而，这一系列策略需要外部设备来提供该技术所需的频率刺激。这限制了它们的应用场景，尤其是与其他BCI方法相比。在这项工作中，我们研究了基于SSVEP诱发刺激的纯视觉想象在EEG输出中获得频率响应的可能性。我们的研究结果表明，不仅EEG信号呈现出与用户关注的频率相关的特定频率峰值，而且还可以实现令人满意的分类精度，为稳健可靠的视觉图像BCI模式铺平道路。