Artificial Intelligence (AI) has become commonplace to solve routine everyday tasks. Because of the exponential growth in medical imaging data volume and complexity, the workload on radiologists is steadily increasing. We project that the gap between the number of imaging exams and the number of expert radiologist readers required to cover this increase will continue to expand, consequently introducing a demand for AI-based tools that improve the efficiency with which radiologists can comfortably interpret these exams. AI has been shown to improve efficiency in medical-image generation, processing, and interpretation, and a variety of such AI models have been developed across research labs worldwide. However, very few of these, if any, find their way into routine clinical use, a discrepancy that reflects the divide between AI research and successful AI translation. To address the barrier to clinical deployment, we have formed MONAI Consortium, an open-source community which is building standards for AI deployment in healthcare institutions, and developing tools and infrastructure to facilitate their implementation. This report represents several years of weekly discussions and hands-on problem solving experience by groups of industry experts and clinicians in the MONAI Consortium. We identify barriers between AI-model development in research labs and subsequent clinical deployment and propose solutions. Our report provides guidance on processes which take an imaging AI model from development to clinical implementation in a healthcare institution. We discuss various AI integration points in a clinical Radiology workflow. We also present a taxonomy of Radiology AI use-cases. Through this report, we intend to educate the stakeholders in healthcare and AI (AI researchers, radiologists, imaging informaticists, and regulators) about cross-disciplinary challenges and possible solutions.

Only limited studies and superficial evaluations are available on agents' behaviors and roles within a Multi-Agent System (MAS). We simulate a MAS using Reinforcement Learning (RL) in a pursuit-evasion (a.k.a predator-prey pursuit) game, which shares task goals with target acquisition, and we create different adversarial scenarios by replacing RL-trained pursuers' policies with two distinct (non-RL) analytical strategies. Using heatmaps of agents' positions (state-space variable) over time, we are able to categorize an RL-trained evader's behaviors. The novelty of our approach entails the creation of an influential feature set that reveals underlying data regularities, which allow us to classify an agent's behavior. This classification may aid in catching the (enemy) targets by enabling us to identify and predict their behaviors, and when extended to pursuers, this approach towards identifying teammates' behavior may allow agents to coordinate more effectively.

This paper presents a Neuromorphic Starter Kit, which has been designed to help a variety of research groups perform research, exploration and real-world demonstrations of brain-based, neuromorphic processors and hardware environments. A prototype kit has been built and tested. We explain the motivation behind the kit, its design and composition, and a prototype physical demonstration.

夜间使用常规视觉摄像机运行的机器人由于噪声受限图像而在重建中面临重大挑战。先前的工作表明，爆发成像技术可用于部分克服这一问题。在本文中，我们开发了一种新型的功能检测器，该功能检测器直接在图像爆发上运行，从而在极低的光线条件下增强了基于视觉的重建。我们的方法通过在多尺度和多运动空间中共同搜索，在每次爆发中找到了定义明确的尺度和明显运动的关键点。因为我们在图像具有较高信噪比的阶段描述了这些功能，因此检测到的特征比常规嘈杂图像和突发的图像和表现出高度精确的最新特征更准确和匹配性能。我们显示了提高功能性能和摄像头姿势估计值，并在挑战光限制的场景中使用功能检测器展示了改进的结构，从而改善了结构。我们的功能Finder为在弱光方案和应用程序（包括夜间操作）中运行的机器人提供了重要的一步。

本文分析了基于句法表示的方言分类器在空间和时间上保持稳定的程度。虽然先前的工作表明，语法诱导和地理空间文本分类的结合产生了强大的方言模型，但我们不知道改变语法和人口变化对方言模型的影响是什么。本文为12个英语方言构建了一个测试集，该方言以每月的间隔覆盖三年，在1,120个城市之间进行固定的空间分布。句法表示在基于用法的构造语法范式（CXG）中。随着时间的推移，每个方言的分类性能衰减率使我们能够识别经历句法变化的区域。方言区域内分类精度的分布使我们能够确定方言内部异质性语法的程度。本文的主要贡献是表明，对方言分类模型的严格评估可用于找到空间上的变化和随着时间的变化。

有证据表明，诸如大脑之类的生物系统在噪声方面的临界状态稳健，因此能够在扰动下保持其中。在这项工作中，我们解决了关键系统对噪声的鲁棒性问题。特别是，我们研究了临界时随机细胞自动机（CA）的鲁棒性。随机CA是显示关键性的最简单随机模型之一。随机CA的过渡状态是通过一组概率来定义的。我们系统地扰动已知会产生关键行为的最佳随机CA的概率，我们报告说，这样的CA能够保持在一定程度的噪声中的关键状态。我们使用所得幂律拟合的误差指标（例如Kolmogorov-Smirnov统计量和Kullback-Leibler Divergence）介绍了结果。我们讨论了我们的结果在未来实现脑启发的人工智能系统的意义。

在这项工作中，我们认为寻找人工通用智能（AGI）应该从比人类水平的智能低得多的水平开始。自然界中智能行为的环境是由于有机体与周围环境相互作用的情况，这种环境可能会随着时间的流逝而改变，并对有机体施加压力，以便学习新的行为或环境模型。我们的假设是，学习是通过解释代理在环境中作用时的感觉反馈而发生的。为此，需要一个身体和反应性环境。我们评估了一种进化生物学启发的人工神经网络的方法，该神经网络从名为“人工通用智能的神经进化”（Nagi）的环境反应中学习，这是一个低水平AGI的框架。该方法允许使用自适应突触的随机启用尖峰神经网络的进化络合，该神经网络控制在可变环境中实例化的代理。这种配置使我们能够基准基准控制器的适应性和通用性。可变环境中所选的任务是食品觅食，逻辑门的仿真和卡特杆平衡。这三个任务通过相当小的网络拓扑成功解决，因此，它打开了实验更复杂的任务和方案的可能性，其中课程学习是有益的。

本文介绍了最近在文献中引入的二次神经网络的分析和设计，以及它们在动态系统的回归，分类，系统识别和控制中的应用。这些网络提供了几个优点，其中最重要的是该体系结构是设计的副产品，尚未确定a-priori，可以通过解决凸优化问题来完成他们的培训可以实现权重，并且输入输出映射可以通过二次形式在分析上表示。从几个示例中也可以看出，这些网络仅使用一小部分培训数据就可以很好地工作。纸质铸造回归，分类，系统识别，稳定性和控制设计作为凸优化问题的结果，可以用多项式时间算法有效地求解到全局最佳。几个示例将显示二次神经网络在应用中的有效性。

Matsim（多机构运输仿真工具包）是一个开源大规模的基于代理的运输计划项目，该项目适用于公路运输，公共交通，货运，货运，区域疏散等各个领域。移动性）框架扩展了Matsim，以实现对城市运输系统的强大而可扩展的分析。梁仿真的代理基于多项式logit模型表现出“模式选择”行为。在我们的研究中，我们考虑八种模式选择。骑自行车，汽车，步行，骑行冰雹，开车去运输，步行到运输，乘坐冰雹到运输和骑冰雹池。每个模式选择的“替代特定常数”是与在实验下的特定方案有关的配置文件中的关键超参数。我们为所有实验使用“ Urbansim-10k”光束方案（具有10,000个人口大小）。由于这些超参数以复杂的方式影响模拟，因此手动校准方法耗时。我们提出了一种具有早期停止规则的平行贝叶斯优化方法，以实现给定的多in-multi-ulti问题的快速收敛，以达到其最佳配置。我们的模型基于开源HPBandster软件包。这种方法结合了几个1D内核密度估计器（KDE）的层次结构与廉价评估器（超频带，单个多维KDE）。我们的模型还纳入了基于外推的早期停止规则。借助我们的模型，我们可以以完全自主的方式实现大规模梁模拟的25％L1规范。据我们所知，我们的工作是大规模多机构运输模拟的第一项工作。这项工作对于众多人群的场景的替代建模可能很有用。

在本文中，我们介绍了RISP，这是一种减少的指令尖峰处理器。虽然大多数尖峰神经处理器都是基于大脑或大脑的概念，但我们为简化而不是复杂的尖峰处理器提供了案例。因此，它具有离散的集成周期，可配置的泄漏等等。我们介绍了RISP的计算模型，并突出了其简单性的好处。我们展示了它如何帮助开发用于简单计算任务的手部神经网络，并详细介绍如何使用它来简化使用更复杂的机器学习技术构建的神经网络，并演示其与其他尖峰神经过程相似的性能。