XiaoMi-AI文件搜索系统
World File Search System变换
金属添加剂制造的变换高熵合金的一些不同特征
肾细胞癌（RCC）是一种常见的泌尿外科肿瘤，预后较差，因为对化学疗法和放疗不敏感。大约20％ - 30％的RCC患者在第一次诊断时具有转移，因此只能进行全身治疗。由于肾脏肿瘤的异质性，对药物的反应因人而异。因此，患者衍生的类器官，高度概括的肿瘤异质性成为了高通量外生体药物筛查的有前途的模型，因此指导了RCC患者的药物选择。全身治疗RCC主要针对肿瘤微环境，包括新生血管和免疫细胞。我们回顾了几种方法，其中使用了患者衍生的类器官模型模仿不仅肿瘤上皮的异质性，而且还模仿肿瘤微环境的异质性。我们进一步讨论了患者衍生的类器官发展的一些新方面，并保留了RCC患者的体内疾病。
通过变换引导和路由表面等离子体...
粗糙的金属表面会导致表面等离子体极化子 (SPP) 严重散射，从而限制 SPP 的传输效率。在此，我们提出了一种设计超紧凑等离子体路由器的通用方案，该路由器可以在任意形状的粗糙表面上限制和引导 SPP。我们的策略利用了最近提出的变换不变超材料。为了说明这种方法的优势，我们进行了有限元模拟，结果表明所设计的表面波路由器的性能不受厚度变化的影响。因此，1/6 厚度的变换不变超材料层可以显著抑制任意形状的金属凸起或缝隙的散射。我们还给出了基于周期性金属/ε 近零 (ENZ) 材料堆叠实现这种超紧凑表面波路由器的蓝图。
使用带有元启发式优化非局部均值滤波器的小波变换自动识别和去除单通道脑电图中的肌肉伪影
摘要：脑电图 (EEG) 信号很容易受到肌肉伪影的污染，这可能导致脑机接口 (BCI) 系统以及各种医疗诊断的错误解读。本文的主要目标是在不扭曲 EEG 所含信息的情况下去除肌肉伪影。首次提出了一种新的多阶段 EEG 去噪方法，其中小波包分解 (WPD) 与改进的非局部均值 (NLM) 算法相结合。首先，通过预训练的分类器识别伪影 EEG 信号。接下来，将识别出的 EEG 信号分解为小波系数，并通过改进的 NLM 滤波器进行校正。最后，通过逆 WPD 从校正后的小波系数重建无伪影的 EEG。为了优化滤波器参数，本文首次使用了两种元启发式算法。所提出的系统首先在模拟脑电图数据上进行验证，然后在真实脑电图数据上进行测试。所提出的方法在真实脑电图数据上实现了 2.9684 ± 0.7045 的平均互信息 (MI)。结果表明，所提出的系统优于最近开发的具有更高平均 MI 的去噪技术，这表明所提出的方法在重建质量方面更佳并且是全自动的。
基于图变换器模型的药物-靶标相互作用预测新方法
摘要背景：药物-靶标相互作用预测（DTIs）对于加速药物研究和药物重新定位变得越来越重要。药物-靶标相互作用网络是DTIs预测的典型模型。由于药物和靶标之间存在许多不同类型的关系，药物-靶标相互作用网络可用于建模药物-靶标相互作用关系。近期关于药物-靶标相互作用网络的研究大多集中在药物节点或靶标节点上，而忽略了药物-靶标之间的关系。结果：提出了一种新的预测方法来独立地建模药物和靶标之间的关系。首先，我们利用药物和靶标的不同层次关系来构建药物-靶标相互作用的特征。然后，我们使用线图来建模药物-靶标相互作用。之后，我们引入图变换器网络来预测药物-靶标相互作用。结论：我们引入线图来建模药物与靶标之间的关系。将药物-靶标相互作用从链接转换为节点后，我们使用图变换器网络来完成药物-靶标相互作用预测任务。
![b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'](/simg/4/4e9553780581bbfda8e4d6bb48115782efffb2a7.webp)
b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'
b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'
量子资源的概率变换
由于难以确定性地操纵量子资源，因此通常需要使用概率协议，但对其能力和局限性的描述却一直缺乏。我们通过引入一种遵循非常强的单调性的新资源单调性来开发一种解决此问题的通用方法：它可以排除任何量子资源理论中状态之间的所有转换（概率或确定性）。这使我们能够对状态转换施加根本限制，并限制概率协议相对于确定性协议的优势，从而大大加强了以前的发现并扩展了最近的禁行定理。我们应用我们的结果来获得概率蒸馏协议的错误和开销的界限的显着改进，可直接应用于纠缠或魔法状态蒸馏等任务，并且可通过凸优化进行计算。在广泛的资源类别中，我们加强了我们的结果，以表明单调性完全控制概率转换——它是状态可转换性的必要和充分条件。这赋予单调性直接的操作解释，因为它可以通过任何概率操作协议精确量化资源提炼任务中可实现的最高保真度。
带有量子频率处理器的高维离散傅里叶变换门
摘要：离散傅里叶变换 (DFT) 是光子量子信息的基础，但将其扩展到高维的能力在很大程度上取决于物理编码，而频率箱等新兴平台缺乏实用方法。在本文中，我们表明，d 点频率箱 DFT 可以用固定的三分量量子频率处理器 (QFP) 实现，只需在 d 每次增量增加时向电光调制信号添加一个射频谐波即可。我们在数值模拟中验证了门保真度 FW > 0.9997 和成功概率 PW > 0.965，最高 d = 10，并通过实验实现了 d = 3 的解决方案，利用并行 DFT 的测量来量化纠缠并对多个双光子频率箱状态进行层析成像。我们的结果为量子通信和网络中的高维频率箱协议提供了新的机会。
用于实数的快速连续小波变换（fCWT）...
信号在自然界和（人造）技术中都至关重要，因为它们使通信成为可能 1、2（图 1）。从数学上讲，信号是一维（例如语音）或多维（例如二维 (2D) 图像）的函数，它携带有关物理系统 3 的属性（例如状态）的信息。源通过信道将信号传输到接收器，接收器再将信号传送到目的地。例如，大脑通过声带通过空气发送口头信息，听者的耳朵接收该信息，然后将其传送到听者的大脑。当相同的信息通过智能手机传输时，空气会通过技术链进行补充，而其余部分则保持不变。信号在社会中无处不在 3、4（图 1）。无论信号来自何处，都需要进行处理才能生成、转换、提取和解释其所携带的信息 3。一种广泛用于解释（即提取和分析）信号中重复模式的方法是傅里叶变换 (FT) 3、4。FT 将时间函数转换为频率的复值函数，表示频率的幅度。FT 假设信号是平稳的。换句话说，它是一个随机过程，其中边际和联合密度函数不依赖于时间原点的选择 2。然而，在现实世界的实践中，这一假设经常被违反。因此，FT 无法可靠地处理现实世界的非平稳信号 5。为了避免非平稳性问题，存在先进的算法，这些算法基于信号分解为在时间和频率上很好地局部化（或分箱）的基本信号来分析信号 4。这些算法包括短期傅里叶变换 (STFT)，也称为 Gabor 变换，和小波变换 (WT) 6。 STFT 与 FT 非常相似，但它使用窗口函数和在时间和频率上都局部化的短小波（而不是纯波）来提取时间和频谱信息。STFT 的缺点是它使用固定宽度的窗口函数，因此频率分析仅限于波长接近窗口宽度 7 的频率。此外，将信号切成短的固定宽度窗口会扰乱信号的属性。因此，频率分析会受到影响 8 。
使用深度学习和小波变换对磁共振图像中的脑肿瘤进行分类
脑瘤是脑内一团异常细胞。脑瘤可能是良性的（非癌性的）或恶性的（癌性的）。放射科医生对脑瘤的传统诊断是通过检查磁共振成像 (MRI) 生成的一组图像来完成的。为了帮助放射科医生正确分类 MRI 图像，已经开发了许多计算机辅助检测 (CAD) 系统。卷积神经网络 (CNN) 已广泛应用于医学图像的分类。本文介绍了一种用于对 MRI 图像中的脑瘤进行分类的新型 CAD 技术。所提出的系统利用离散小波变换 (DWT) 表现出的强能量紧凑性从脑 MRI 图像中提取特征。然后将小波特征应用于 CNN 以对输入的 MRI 图像进行分类。实验结果表明，所提出的方法优于其他常用方法，总体准确率达到 99.3%。