背景介绍 弥散张量磁共振成像（Diffusion Tensor Magnetic Resonance Imaging，DTI）是一种广泛应用于体内脑组织微结构和白质束成像的神经影像技术。然而，弥散加权图像（Diffusion-Weighted Images, DWI）中的噪声会降低DTI数据所派生出的微结构参数的精度，同时也导致需要更长的采集时间来提高信噪比(Signal-to-Noise Ratio, SNR)。尽管基于卷积神经网络（Convolutional Neural Networks, CNNs）的深度学习方法在图像去噪方面表现突出，但通常需要额外的高信噪比数据来监督CNN的训练，这限制了监督学习方法在去噪中的实际应用。 论文来源 本文标题为“SDnDTI: Self-Superv...

针对原子间作用力的几何增强预训练 引言 分子动力学(MD)模拟在物理、化学、生物和材料科学等领域扮演着重要角色,为原子水平的过程提供了洞见。MD模拟的精确度和效率取决于所选择描述分子体系中原子相互作用的相互原子作用力(interatomic potentials)函数。经典MD使用经验公式,参数需要拟合,计算代价低但精度不够。而第一性原理MD则通过求解薛定谔方程获得精确的相互作用力,但计算量极大。因此,机器学习相互原子作用力(MLIPs)通过使用机器学习模型拟合第一性原理计算的能量和力而达到接近ab initio的精度以及较高效率,成为一种有前景的替代方案。 MLIPs的性能和通用性受限于标记数据的稀缺性,因为获取标记数据需要耗费巨大的第一性原理计算代价。各种自监督学习方法已被探索过,以从大...