In this paper, we present a principled Bayesian method for detecting and segmenting instances of a particular object category within an image, providing a coherent methodology for combining top down and bottom up cues. The work draws together two powerful formulations: pictorial structures (PS) and Markov random fields (MRFs) both of which have efficient algorithms for their solution. The resulting combination, which we call the object category specific MRF, suggests a solution to the problem that has long dogged MRFs namely that they provide a poor prior for specific shapes. In contrast, our model provides a prior that is global across the image plane using the PS. We develop an efficient method, OBJ CUT, to obtain segmentations using this model. Novel aspects of this method include an efficient algorithm for sampling the PS model, and the observation that the expected log likelihood of the model can be increased by a single graph cut. Results are presented on two object categories, cows and horses. We compare our methods to the state of the art in object category specific image segmentation and demonstrate significant improvements.

Large Language Models (LLMs) have demonstrated tremendous capabilities in solving complex tasks, from quantitative reasoning to understanding natural language. However, LLMs sometimes suffer from confabulations (or hallucinations) which can result in them making plausible but incorrect statements [1,2]. This hinders the use of current large models in scientific discovery. Here we introduce FunSearch (short for searching in the function space), an evolutionary procedure based on pairing a pre-trained LLM with a systematic evaluator. We demonstrate the effectiveness of this approach to surpass the best known results in important problems, pushing the boundary of existing LLM-based approaches [3]. Applying FunSearch to a central problem in extremal combinatorics — the cap set problem — we discover new constructions of large cap sets going beyond the best known ones, both in finite dimensional and asymptotic cases. This represents the first discoveries made for established open problems using LLMs. We showcase the generality of FunSearch by applying it to an algorithmic problem, online bin packing, finding new heuristics that improve upon widely used baselines. In contrast to most computer search approaches, FunSearch searches for programs that describe how to solve a problem, rather than what the solution is. Beyond being an effective and scalable strategy, discovered programs tend to be more interpretable than raw solutions, enabling feedback loops between domain experts and FunSearch, and the deployment of such programs in real-world applications.

Abstract This paper presents an advanced Low Noise Amplifier (LNA) tailored for high-precision navigation applications, designed using the 180nm technology node and implemented in Cadence Virtuoso. The LNA features a single-ended amplifier configuration with cascaded NMOS transistors to achieve superior isolation and input matching through source degeneration, optimizing gain and noise performance. At 1.2 GHz, the amplifier achieves a gain of 33 dB and a noise figure of 1.3 dB. It demonstrates a 1 dB compression point of –16 dBm and a third-order intercept point (IIP3) of –10 dBm, with a power consumption of 44 mW from a 1.8 V supply. Post-layout simulations reflect a noise figure of 2.9 dB and a gain of 19.5 dB, highlighting practical design considerations. The layout area is 0.51 mm², underscoring the compact yet highly efficient design.

This paper examines how AI is transforming petroleum exploration and development, addressing current applications and future directions. Machine learning is being used to enhance tasks like identifying rock types, reconstructing logging curves, and estimating reservoir parameters, showing promise in improving data processing and interpretation. In seismic analysis, computer vision helps with identifying initial seismic signals and detecting faults. Deep learning and optimization techniques are applied in reservoir engineering, enabling real-time waterflooding optimization and production forecasting for oil and gas. Data mining is also enhancing drilling, completion, and facility operations, leading to smarter equipment and integrated software. Looking ahead, AI in petroleum is poised to advance with intelligent production tools, automated data processing, and specialized software platforms. Future innovations are expected in digital basin modeling, fast imaging logging tools, advanced seismic systems, smart drilling and fracturing technologies, and real-time monitoring of injection and production zones.

Coal and lignite ash are emerging as significant sources for extracting rare earth elements (REEs) and critical minerals. Despite lower concentrations of critical elements in ashes, their preconcentration is crucial for enhancing extraction efficiency and reducing energy consumption. Additionally, the simultaneous extraction of base metals could render combustion residue a more appealing raw material alongside the critical elements. Lignite fly ash samples from Neyveli, India, were analyzed using physical separation methods to preconcentrate critical elements. The total rare earth element (REE) content, including Y (REY, 1057 mg/kg) and Sc (REY-Sc, 1086 mg/kg) and the outlook coefficient (1.35), exceeded the cutoff value for economic extraction. Ga content was found to be comparable to that in bauxite residue, used for Ga extraction in India. REEs showed their greatest concentrations in the finer and lighter fractions. In contrast, TiO2, Fe2O3, Gd, Er, Lu, Ba, Cd, CO, Cu, Ga, Mn, Mo, Nb, Ni, and Pb tended to concentrate in the denser fractions. A flow diagram was presented that outlined the preconcentration process for base metals (Fe, Ti) and critical elements within designated ash fractions.