XiaoMi-AI文件搜索系统
World File Search System三元组
量子场论中不受速子影响的非局部超微分动量算子：中性介子的情况
一个常数。这导致了量子海森堡代数的推广，其表现为位置和动量之间的扩展对易关系，即 [ x i , p j ] = i ¯ h (δ i j + βδ i j p 2 + 2 β i j p i p j )，其中 [ x i , x j ] = [ p i , p j ] = 0 [ 6 , 7 ]。这些结果还表明扩展或修改了量子力学的量子非局域性方面。事实上，有人认为，量子非局域性是 HUP 的结果，它代表了量子力学最奇怪的特性之一 [ 8 , 9 ]。这在 [ 10 ] 中已得到详细讨论，并被发现与 Franson 实验 [ 11 ] 中出现的重合率版本一致。已经检测到 GUP 对角动量代数和两个部分系统（量子比特和量子三元组）的贝尔算子的平方及其期望值的影响。违反贝尔不等式可能是制定量子引力的重要工具，而且，Stern-Gerlach 实验的精度限制了 GUP 参数 β 的值。应该强调的是，量子非局域性已经
用于药物发现的知识增强表征学习
最近关于预测药物分子和蛋白质之间结合亲和力的研究使用了通过无监督学习技术从大型分子 SMILES 和蛋白质序列数据库中学习到的表示。虽然这些表示显著提高了预测能力，但它们通常基于一组有限的模态，并且没有利用有关分子和蛋白质之间现有关系的可用知识。我们的研究表明，从描述分子和蛋白质之间关系的多模态知识图谱中获得的增强表示可以在成熟的基准测试中产生最先进的结果（在 Therapeutics Data Commons 基准测试“药物-靶标相互作用域泛化基准”排行榜上名列第一，比之前的最佳结果提高了 8 分）。此外，我们的结果远远超过了使用仅依赖序列或 SMILES 数据的传统预训练表示在标准基准测试中取得的结果。我们发布了多模态知识图谱，整合了来自七个公共数据源的数据，其中包含超过 3000 万个三元组。我们还发布了根据我们提出的图表和基准任务源代码进行预训练的模型。
![arXiv:2206.13180v1 [quant-ph] 2022 年 6 月 27 日](/simg/d\d928a16c8fc46e8b34abd338d61ae58612085f8a.webp)
arXiv:2206.13180v1 [quant-ph] 2022 年 6 月 27 日
纠缠测度量化了量子态中包含的量子纠缠量。通常，不同的纠缠测度不必是偏序的。但是，所有量子态的两个纠缠测度之间都存在明确的偏序，这使得对纠缠的敏感性概念化变得有意义，产生较大数值的纠缠测度的敏感性会更高。在这里，我们研究了基于二分纯量子态施密特分解的四种纠缠测度的归一化版本之间的偏序，即并发、纠缠、纠缠鲁棒性和施密特数。我们已经证明，在这四种测度中，并发和施密特数分别对量子纠缠具有最高和最低的敏感性。此外，我们还展示了如何使用这些测度来追踪由两个量子三元组组成的简单量子玩具模型中的量子纠缠动态。最后，我们利用状态相关纠缠统计来计算符合不确定性原理的量子可观测量结果之间的可测量相关性。所提出的结果可能有助于量子应用，这些应用需要监控可用的量子资源，以便准确识别最大纠缠或系统可分离性的时间点。
基于大型语言模型的材料知识图谱在多学科材料科学中的构建与应用
材料科学知识广泛分布于大量科学文献中，对新材料的有效发现和集成构成了重大挑战。传统方法通常依赖于昂贵且耗时的实验方法，这进一步加剧了快速创新的复杂性。为了应对这些挑战，人工智能与材料科学的结合为加速发现过程开辟了道路，尽管这也需要精确的注释、数据提取和信息的可追溯性。为了解决这些问题，本文介绍了材料知识图谱 (MKG)，它利用先进的自然语言处理技术与大型语言模型相结合，将十年的高质量研究成果提取并系统地组织成结构化的三元组，包含 162,605 个节点和 731,772 条边。MKG 将信息分类为名称、公式和应用等综合标签，并围绕精心设计的本体进行构建，从而增强了数据的可用性和集成性。通过实施基于网络的算法，MKG 不仅促进了高效的链接预测，而且还显著减少了对传统实验方法的依赖。这种结构化方法不仅简化了材料研究，而且为更复杂的科学知识图奠定了基础。
![arXiv:2212.07279v1 [hep-ex] 2022 年 12 月 14 日](/simg/3\3c0a730da956267561f713f54b713fe592109657.webp)
arXiv:2212.07279v1 [hep-ex] 2022 年 12 月 14 日
根据带电粒子在大型强子对撞机 (LHC) 等对撞机实验的探测器中留下的命中集合重建带电粒子的轨迹是一项具有挑战性的组合问题，并且计算量巨大。升级后的高亮度 LHC 的输出亮度增加了 10 倍，因此探测器环境将非常密集。传统技术重建粒子径迹所需的时间与径迹密度呈二次方以上关系。准确高效地将留在跟踪探测器中的命中集合分配给正确的粒子将是一个计算瓶颈，并促使人们研究可能的替代方法。本文提出了一种量子增强机器学习算法，该算法使用带有量子估计核的支持向量机 (SVM) 将一组三个命中（三元组）分类为属于或不属于同一条粒子径迹。然后将该算法的性能与完全经典的 SVM 进行比较。与经典算法相比，量子算法在探测器最内层方面的准确度有所提高，这对于轨迹重建的初始播种步骤至关重要。
量子态断层扫描作为数值优化问题
摘要 我们提出了一个框架，将寻找最有效的量子态断层扫描 (QST) 测量集的方法公式化为一个可以通过数值求解的优化问题，其中优化目标是最大化信息增益。这种方法可以应用于广泛的相关设置，包括仅限于子系统的测量。为了说明这种方法的强大功能，我们给出了由量子比特-量子三元组系统构成的六维希尔伯特空间的结果，例如可以通过 14 N 核自旋-1 和金刚石中氮空位中心的两个电子自旋态来实现。量子比特子系统的测量用秩三的投影仪表示，即半维子空间上的投影仪。对于仅由量子比特组成的系统，通过分析表明，一组半维子空间上的投影仪可以以信息最优的方式排列以用于 QST，从而形成所谓的相互无偏子空间。我们的方法超越了仅有量子比特的系统，我们发现在六维中，这样一组相互无偏的子空间可以用与实际应用无关的偏差来近似。
知识图谱嵌入和可解释的人工智能
知识图谱 [39]（KG）是一种用于知识表示的抽象，通过表示诸如纽约市和美国之类的实体（即节点）以及连接这些实体的二元关系，对一个或多个领域的知识进行编码；例如，纽约市和美国通过关系国家连接起来，即纽约市有美国这个国家。大多数 KG 还包含将实体与文字连接起来的关系，即来自已知数据结构的值，如字符串、数字、日期等；例如，连接纽约市和整数 1624 的关系 solved 描述实体纽约市的属性。更一般地，我们可以从双重视角看待知识图谱：将其视为有向标记多图，其中节点表示实体或文字，标记边表示实体之间或实体与文字之间的特定关系；以及一组陈述，也称为事实，具有主语-谓语-宾语三元组的形式，例如（纽约市，国家，美国）和（纽约市，定居，1624）。在下文中，我们将使用符号 (h, r, t)（头，关系，尾）来标识知识图谱中的陈述，就像在有关知识图谱嵌入的文献中经常使用的那样。知识图谱中描述的实体通常使用一组类型来组织，例如城市和国家，也称为概念、类或数据类型（当称为
使用人工智能技术组织教育过程的模型 Oleh Karyy、Ihor Novakivskyi、Yaroslav Kis、Ihor Kulyniak 和 Alex
摘要 概述了常见的人工智能 (AI) 技术及其在教育领域应用的主要趋势。分析了终身学习个性化的观点。揭示了现代 LMS 大学在全球化教育知识生态系统中的实施前景。分析了对高等教育机构教师的调查结果，该调查涉及由于实施 AI 元素而预期 LMS 使用效率将提高。分析了对高等教育机构教育环境建模的可能性。建议使用“学生-教育主体-教育过程”模型三元组来分析 AI 技术在教育中的应用。基于组织教育过程的模型，提出了一种计算 AI 使用效果综合指标的方案。提出了一种基于可用机会选择最佳知识评估系统的方法。给出了广义知识评估算法的数学模型。在学生模型层面，在知识相空间中开发了一个学生培训优化模型，同时考虑到应用 AI 技术的可能性。关键词1 教育、学习管理系统（LMS）、人工智能（AI）、效率、数学模型、个性化学习（PL）、学生模型、教育过程模型、教育主体模型、最佳学习轨迹。
探索基于人工智能的聊天机器人的潜力来生成联合SPARQL查询通过生物信息学知识图
生物数据库中的大量数据泛滥提供了医疗保健和生命科学领域的各种信息。这些数据库为研究人员，科学家和工作专业人员提供了加速发现，开发新的假设并确定新型模式的机会[1]。另一方面，这些数据库需要实现复杂的存储和检索系统来从这些大数据库中检索信息。这成为研究人员和科学家的挑战[2]。作为RDF知识图发布的大多数生物数据库都依赖于SPARQL（SPARQL协议和RDF查询语言）等复杂的查询语言[3]来从数据库中检索信息。没有技术知识或有限的技术知识，研究人员和域用户无法编写准确且可靠的SPARQL查询，这可能会成为利用这些数据库的全部潜力的瓶颈[3] [1]。SPARQL是一种查询语言，可以使用户从数据库中查询信息[4] [3]。许多生物数据库利用RDF（资源描述框架）数据模型，其中RDF表示信息为适用于蛋白质功能（例如蛋白质功能，基因相互作用）的复杂生物学关系的互连三元组（受试者，谓词，对象）[2] [2] [4]。RDF数据可通过SPARQL端点提供，而SPARQL查询语言是专门设计用于查询RDF数据的，可以有效
无需再训练的 KGQA
知识图谱问答 (KGQA) 的流行模型，包括语义解析和端到端 (E2E) 模型，解码后会变成一个受限的 KG 关系空间。尽管 E2E 模型在测试时可以容纳新实体，但这种约束意味着它们无法访问新关系，每当向 KG 添加新关系时，都需要进行昂贵且耗时的重新训练。我们提出了 KG-Flex，一种用于 E2E KGQA 的新架构，它将解码为一个连续的关系嵌入空间，从而允许在测试时使用新关系。KG-Flex 是第一个支持使用全新三元组进行 KG 更新的架构，无需重新训练，同时仍支持通过简单、弱监督 (Q, A) 对进行端到端训练。我们的架构节省了重新训练的时间、精力和数据资源，同时仍保持了标准基准上的性能。我们进一步展示了新关系的零样本使用，在三个 QA 数据集上实现了高达 82% 的基线命中率@1。KG-Flex 还可以进行微调，所需时间明显短于完全重新训练；对目标数据进行 10% 完全训练的微调可将命中率@1 提高到基线的 89-100%。