Rho

编者按： 本栏目旨在与脑科学相关的科研人员以及产业界人士深入交流，直击科研和生产一线，帮助大家更好的了解脑科学现状和未来发展动态。 时间导览 00:00 – 00:53 采访背景 01:05 – 05:39 嘉宾学术背景 05:46 – 13:48 神经退行性疾病与变性蛋白沉积 13:50 – 24:41 神经退行性疾病的攻克与挑战 24:58 – 35:20 研究工作与家庭的平衡 采访背景 提到 神经退行性疾病 （neurodegenerative disease），大家可能并不是特别熟悉，但是当我们提到帕金森综合征（Parkinson’s disease, PD）、阿尔茨海默病（Alzheimer’s disease, AD），还有著名物理学家史蒂芬•霍金曾经罹患的“渐冻人症”（Amyotrophic lateral sclerosis, ALS, 肌萎缩性侧束硬化症。之前网上大热的“冰桶挑战”，就是一个呼吁大家关注“渐冻人症”的公益活动），大家可能就会恍然大悟，其实这些耳熟能详的疾病都属于神经退行性疾病。这些疾病不仅让患者的生活难以自理，容易产生抑郁的心理状态，还需要护理人员的精心照顾。与此同时，他们的家人也承受着难以估量的心理和经济负担。那么神经退行性疾病究竟是什么样的疾病？如何彻底医治呢？今天我们脑人言有幸邀请到了 浙江大学的钟贞研究员 钟老师

参考博文：http://blog.sina.com.cn/s/blog_5ced60e80102y7pd.html 一颗健壮的IC芯片应该具有能屈能伸的品质，他需要适应于他所在应用范围内变化的温度、电压，他需要承受制造工艺的偏差，这就需要在设计实现过程中考虑这些变化的温度、电压和工艺偏差。 在STA星球，用 library PVT、RC corner跟OCV 来模拟这些不可控的随机因素。在每个工艺结点，通过大量的建模跟实测，针对每个具体的工艺，foundary厂都会提供一张推荐的timingsignoff表格， 建议需要signoff的corner及各个corner需要设置的ocv跟margin。这些corner能保证大部分芯片可以承受温度、电压跟工艺偏差，一个corner=libraryPVT+ RC corner + OCV，本文将关注于library PVT。 ------OCV（on-chip-variation）也是用来模拟cell的PVT及线的RC变化，与前面两个不同的是，前两者是芯片全局的PVT/RC Corner，OCV是芯片上内的局部偏差（包括process 、 voltage、temperature、network RC）。比如在STA分析setup时，并不是用最慢的library PVT来signoff就是最差情况，对于capture

前言 往期推送过一个蒙哥马利算法的介绍，如果要实现蒙哥马利模乘的硬件模块，那么一个参考模型是必不可少的，这一期将利用SV实现一个简单的参考模型，这个参考模型可以直接用于功能仿真 根据以往推送中的运算流程进行建模 类的定义 class BN; rand bit [127:0] num [32:0]; string name; constraint c {num[32]==0;num[0][0]==1;}; function new(string name="A"); this.name = name; endfunction endclass : BN 定义一个大数的类，计算的位宽是4096，而使用的基是128bit也就是基为 \(2^{128}\) ，数组大小定义为33，用于处理数运算时的溢出。 大数显示 // BN display function void BN_display(bit flag=0); string s; s={s,name,":"}; if(flag==1) s={s,$sformatf("%h",num[32])}; for (int i=1; i<32+1; i++) begin s={s,$sformatf("%h",num[32-i])}; end s={s,"\n"}; $display(s); endfunction : BN_display

前言 往期推送过一个蒙哥马利算法的介绍，如果要实现蒙哥马利模乘的硬件模块，那么一个参考模型是必不可少的，这一期将利用SV实现一个简单的参考模型，这个参考模型可以直接用于功能仿真 根据以往推送中的运算流程进行建模 类的定义 class BN; rand bit [127:0] num [32:0]; string name; constraint c {num[32]==0;num[0][0]==1;}; function new(string name="A"); this.name = name; endfunction endclass : BN 定义一个大数的类，计算的位宽是4096，而使用的基是128bit也就是基为 \(2^{128}\) ，数组大小定义为33，用于处理数运算时的溢出。 大数显示 // BN display function void BN_display(bit flag=0); string s; s={s,name,":"}; if(flag==1) s={s,$sformatf("%h",num[32])}; for (int i=1; i<32+1; i++) begin s={s,$sformatf("%h",num[32-i])}; end s={s,"\n"}; $display(s); endfunction : BN_display

参考博文：http://blog.sina.com.cn/s/blog_5ced60e80102y7pd.html 一颗健壮的IC芯片应该具有能屈能伸的品质，他需要适应于他所在应用范围内变化的温度、电压，他需要承受制造工艺的偏差，这就需要在设计实现过程中考虑这些变化的温度、电压和工艺偏差。 在STA星球，用 library PVT、RC corner跟OCV 来模拟这些不可控的随机因素。在每个工艺结点，通过大量的建模跟实测，针对每个具体的工艺，foundary厂都会提供一张推荐的timingsignoff表格， 建议需要signoff的corner及各个corner需要设置的ocv跟margin。这些corner能保证大部分芯片可以承受温度、电压跟工艺偏差，一个corner=libraryPVT+ RC corner + OCV，本文将关注于library PVT。 ------OCV（on-chip-variation）也是用来模拟cell的PVT及线的RC变化，与前面两个不同的是，前两者是芯片全局的PVT/RC Corner，OCV是芯片上内的局部偏差（包括process 、 voltage、temperature、network RC）。比如在STA分析setup时，并不是用最慢的library PVT来signoff就是最差情况，对于capture

import matplotlib.pyplot as plt import matplotlib.image as mpimg import numpy as np import cv2 import math import os def grayscale(img): # It converts the original picture to the gray scale picture. """ Applies the Grayscale transform This will return an image with only one color channel but NOTE: to see the returned image as grayscale (assuming your grayscaled image is called 'gray') you should call plt.imshow(gray, cmap='gray') """ return cv2.cvtColor(img, cv2.COLOR_RGB2GRAY) # Or use BGR2GRAY if you read an image with cv2.imread() # return cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) def canny(img

OwO 03.03 [USACO19JAN] A. Redistricting 题意：给 $g$ ，求 $f(n)$ 。 $f(i)=f(j)+[g(i)\ge g(j)],j \in (i-k,i]$ 。 离散化之后线段树优化 DP ；或者发现额外贡献最多只有 $+1$ ，单调队列。 B. Exercise Route 题意：给一棵树和一些路径，求有边交的路径的对数。 把与 LCA 关联的点都 $+1$ ，查询除 LCA 外路径上的点。这样除了两条路径 LCA 相同的情况外是没有问题的。相同的时候开 map 暴力统计答案，也可以科学一点，最后把每个点作为 LCA 对应的一堆二元组排序再统计答案。 C. Rain Tracking 2 题意：给 $k$ ，以及 $c_i=\min{a_{i},a_{i+1},\cdots, a_{i+k-1}}$ ，求合法 $a$ 序列数量。 连续 $i$ 个相等的 $c$ ，设 $x=10^9-c$ ，方案数是 $f(i)=\sum_{j=1}^{k}x^{j-1}f(i-j)$ ，扰动一下得到 $f(l+1)=(x+1)f(l)-x^kf(l-k)​$ 。 相邻的 $c_x>c_i$ 时，发现可以确定 $c_i$ 对应区间一个 $a$ 的值，并且另外 $k-1$ 个位置要满足的限制是 $\ge c_x$ 。当前讨论的是 $c_i$ 的贡献

电磁学知识点提要 版本：2020-05-01 此版本是最终版本。 如有错误请指出，转载时请注明出处！ cover 第1章　　静电场 　　本章通过对静电力的实验定律，引入电力线和等势面进行理论分析，最终得到了近距作用力场的性质。在这一过程中，用到了类比和从特殊到一般的物理思想，借助了微积分这一强大的数学工具，透过现象看本质。 第2章　　静电场中的导体和电介质 　　在真空中的静电场的基本方程的基础上，本章研究了静电场中的物质，一方面，外电场改变了物质的电荷分布（电场分布和电势分布），另一方面，物质的电荷分布影响外电场。在两种极端的物质性质的讨论中，从导体的静电平衡，到电介质的极化平衡，将真空中的基本方程推广到了电介质，并诞生了一种重要的储能元件——电容器。随后展开了对带电体系能量的聚集方式的研究，从微观点电荷之间的相互作用能，到连续带电体电荷元积分得到的总静电能，再分为宏观意义上的自能和相互作用能，断言了空间中的场和能量之间的密切联系。自始至终，贯穿着从特殊到一般和归纳类比的物理思想，大胆猜想小心论证始终是探索未知世界的金钥匙。 第3章　　恒定电流 　　在静电场基本方程和静电场中导体的性质的基础上，本章讨论了中学曾经接触过的电路中的应用，通过数学表达式，揭示了基本概念的联系、常用模型的由来和电路分析基本方法的本质，具体的原理层面的研究为抽象的方法层面的应用提供了科学依据

统计相关系数简介 由于使用的统计相关系数比较频繁，所以这里就利用几篇文章简单介绍一下这些系数。 相关系数：考察两个事物（在数据里我们称之为变量）之间的相关程度。 如果有两个变量：X、Y，最终计算出的相关系数的含义可以有如下理解： (1)、当相关系数为0时，X和Y两变量无关系。 (2)、当X的值增大（减小），Y值增大（减小），两个变量为正相关，相关系数在0.00与1.00之间。 (3)、当X的值增大（减小），Y值减小（增大），两个变量为负相关，相关系数在-1.00与0.00之间。 相关系数的绝对值越大，相关性越强，相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。 通常情况下通过以下取值范围判断变量的相关强度： 相关系数 0.8-1.0 极强相关 0.6-0.8 强相关 0.4-0.6 中等程度相关 0.2-0.4 弱相关 0.0-0.2 极弱相关或无相关 Pearson（皮尔逊）相关系数 1、简介 皮尔逊相关也称为积差相关（或积矩相关）是英国统计学家皮尔逊于20世纪提出的一种计算直线相关的方法。 假设有两个变量X、Y，那么两变量间的皮尔逊相关系数可通过以下公式计算： 公式一： 公式二： 公式三： 公式四： 以上列出的四个公式等价，其中E是数学期望，cov表示协方差，N表示变量取值的个数。 2、适用范围 当两个变量的标准差都不为零时，相关系数才有定义

如果你在寻找时间序列是什么？如何实现时间序列？那么请看这篇博客，将以通俗易懂的语言，全面的阐述时间序列及其python实现。 就餐饮企业而言，经常会碰到如下问题。 由于餐饮行业是胜场和销售同时进行的，因此销售预测对于餐饮企业十分必要。如何基于菜品历史销售数据，做好餐销售预测，以便减少菜品脱销现象和避免因备料不足而造成的生产延误，从而减少菜品生产等待时间，提供给客户更优质的服务，同事可以减少安全库存量，做到生产准时制，降低物流成本 餐饮销售预测可以看作是基于时间序列的短期数据预测，预测对象为具体菜品销售量 常用按时间序列排列的一组随机变量${X_1},{X_2}, \cdots ,{X_t}$，来表示一个随机事件的时间序列，简记为$\left\{ {{X_t}} \right\}$；用${x_1},{x_2}, \cdots ,{x_n}$或$\left\{ {{x_t},t = 1,2, \cdots ,n} \right\}$表示该随机序列的n个有序观察值，称之为序列长度为n的观察值序列 本博文应用时间序列分析的目的就是给定一个已被观测了的时间序列，预测该序列的未来值。 1 时间序列算法 常用的时间序列模型见表1. 表1 常用时间序列模型 本博文将重点介绍AR模型、MA模型、ARMA模型和ARINA模型。 2 时间序列的预处理 拿到一个观察序列后