XiaoMi-AI文件搜索系统
World File Search System复杂度
基于 SFQ 的片上数字读数用于 HPC-QC 集成
完全集成的量子计算架构 • >8-16 倍更高的复用率，消除了开销 • 内置错误校正 • 降低 1,000 倍的能量和热量耗散 • >10 倍更快的时钟速度 + 更低的延迟 • 降低 128 倍的控制脉冲复杂度 • 超导制造商业化就绪 • 系统组件便宜 400 倍
StableLight | StandardAero
从起飞到降落，StableLight 的增稳和姿态保持功能始终有效，对飞行员来说工作透明，无需向操纵杆反馈。在危险环境和不同级别的任务复杂度下，其独有的先进上部模式可提供无与伦比的飞机精度并减轻飞行员的工作量，帮助更高效、快速、安全地完成任务。
汇聚高可靠性 PCB 技术专家
DYCONEX AG 总部位于瑞士，是互连技术领域全球领先的高复杂度和高可靠性解决方案供应商之一。该公司起源于 1964 年成立的 Oerlikon-Contraves 部门，自 1991 年管理层收购以来一直担任 DYCONEX 职务。作为行业真正的先驱之一，DYCONEX 不断应用最新技术，为各个市场提供创新技术。
可解释的人工智能是一场与模型复杂性的竞赛吗？
联结主义的复兴和巨大成功创造了一个以数据集大小、模型复杂度（以参数或权重的数量衡量）和计算时间为王的体系。深度学习模型性能的爆炸式提升伴随着模型复杂度和计算成本的爆炸式增长。有人认为，这些大型、昂贵的模型可能实际上没有必要。彩票假说 [1] 认为，较大的模型表现更好，因为它们更有可能包含有利于随机初始化的参数。因此，随机初始化的网络可能包含一个小得多的子网络，经过单独训练，该子网络的性能可以与原始网络相媲美。修剪这些模型是一个活跃的研究和辩论领域 [2,3]。尽管如此，较大模型在经验上更优异的性能使得杰出的研究人员得出结论：“利用计算的通用方法最终是最有效的”（萨顿的“惨痛教训”[4]）。 “扩展假设”认为，一旦找到合适的基本架构，我们只需实例化该架构的较大版本，即可生成任意级别的智能。因此，神经网络结构的操纵和表达已成为机器学习研究界的首要关注点，尽管也饱受批评。
阴影估计的闭式解析表达式...
量子系统的性质可以使用经典阴影来估计，经典阴影基于单元的随机集合实现测量。最初是为全局 Clifford 单元和单量子比特 Clifford 门的乘积而推导的，实际实现仅限于中等数量量子比特的后一种方案。除了局部门之外，使用两个局部门的非常短的随机电路的精确实现在实验上仍然是可行的，因此对于在近期应用中实现测量很有意思。在这项工作中，我们推导出使用带有两层并行双局部 Haar 随机（或 Clifford）单元的砖砌电路的阴影估计的闭式解析表达式。除了构建经典阴影之外，我们的结果还为估计 Pauli 可观测量提供了样本复杂度保证。然后，我们将使用砖砌电路的阴影估计性能与使用局部 Clifford 单元的既定方法进行比较，发现在足够多的量子比特上支持的可观测量估计中样本复杂度有所提高。
![arXiv:2312.03188v2 [quant-ph] 2024 年 5 月 21 日](/simg/g:\will\search\icon\source\2\2c562b486972b88a48405cab83217d25d4cdbbed.webp)
arXiv:2312.03188v2 [quant-ph] 2024 年 5 月 21 日
摘要。基于端口的隐形传态 (PBT) 是量子隐形传态的一种变体，与 Bennett 等人的规范协议不同，它不需要对隐形传态进行校正操作。自 2008 年 Ishizaka 和 Hiroshima 引入以来，尚未发现有效的 PBT 实现。我们基于最近关于部分转置置换矩阵代数和混合量子 Schur 变换的表示的结果来弥补这一长期存在的差距。我们为任意局部维度的 n 个端口上的概率和确定性 PBT 协议构建了有效的量子算法，既适用于 EPR，也适用于优化的资源状态。我们描述了两种基于 Gelfand-Tsetlin 基的不同编码的构造，用于 n 个量子比特：标准编码可实现 ˜ O ( n ) 时间和 O ( n log( n )) 空间复杂度，而 Yamanouchi 编码可实现 ˜ O ( n 2 ) 时间和 O (log( n )) 空间复杂度，两者均为恒定局部维度和目标误差。我们还描述了用于准备最佳资源状态的高效电路。
经颅磁刺激 (TMS) 实验
[1] Siegmund 等人。通过功能性磁共振成像理解源代码。（2014 年）。[2] Huang 等人。使用 fMRI 和 fNIRS 提取数据结构操作的神经表征。（2019 年）。[3] Peitek 等人。程序理解和代码复杂度指标：一项 fMRI 研究。（2021 年）。[4] Krueger 等人。神经鸿沟：一项关于散文和代码写作的 fMRI 研究。（2020 年）
基于深度学习的脑电图自我诱导情绪识别
从脑电图 (EEG) 信号中识别情绪需要准确高效的信号处理和特征提取。深度学习技术已经能够自动提取原始 EEG 信号特征，从而更准确地对情绪进行分类。尽管取得了这些进展，但尚未研究从 EEG 信号（尤其是在回忆特定记忆或想象情绪情境时记录的 EEG 信号）中进行情绪分类。此外，使用深度神经网络进行高密度 EEG 信号分类面临着计算复杂度高、通道冗余和准确度低等挑战。为了解决这些问题，我们评估了使用简单的通道选择方法对基于深度学习的自诱情绪进行分类的效果。实验表明，基于信号统计数据选择关键通道可以在不降低分类准确度的情况下将计算复杂度降低 89%。准确率最高的通道选择方法是基于峰度的方法，其对效价和唤醒量表的准确率分别达到 79.03% 和 79.36%。实验结果表明，尽管所提出的框架使用的通道较少，但其性能优于传统方法。我们提出的方法有利于在实际应用中有效利用 EEG 信号。
![arXiv:2209.03788v1 [quant-ph] 2022 年 9 月 8 日](/simg/g:\will\search\icon\source\c\c2a00d8b39a054d7ae9e9b3500b1828fbcb0d9b6.webp)
arXiv:2209.03788v1 [quant-ph] 2022 年 9 月 8 日
任何稀疏编码方法的最终目标都是从一些嘈杂的线性测量中准确地恢复未知的稀疏向量。不幸的是，这个估计问题通常是 NP 难的，因此总是采用近似方法（例如套索或正交匹配追踪）来解决，从而以牺牲准确性换取较低的计算复杂度。在本文中，我们开发了一种量子启发的稀疏编码算法，前提是量子计算机和伊辛机的出现可能带来比传统近似方法更准确的估计。为此，我们将最一般的稀疏编码问题表述为二次无约束二进制优化 (QUBO) 任务，可以使用量子技术有效地将其最小化。为了推导出在自旋次数（空间复杂度）方面也高效的 QUBO 模型，我们将分析分为三个不同的场景。这些由表示底层稀疏向量所需的位数定义：二进制、2 位和一般定点表示。我们在 LightSolver 的量子启发数字平台上使用模拟数据进行数值实验，以验证我们的 QUBO 公式的正确性并证明其优于基线方法。
大规模 MIMO 中可实现的能源效率
引言大规模MIMO被认为是在现代无线通信系统（如5G NR及更高版本）中实现所需数据速率、带宽和可靠性的关键技术[1][2]。在基站（BS）中使用大型天线阵列（NT>64）可以显著提高信噪比（SNR），并通过指向特定位置的窄波束实现空间分集传输[3]。这两个特性使得在24至52 GHz的较高频带上进行毫米波通信变得可行[4]。事实上，它们是克服频谱较高部分传播路径损耗增加的有效方法[5][6]。然而，由于射频（RF）链数量的增加，大量天线也意味着更严格的硬件要求，从而导致更高的功耗[5]。从这个意义上讲，提高系统能源效率（EE）已成为主要关注点和活跃研究的重点。一般而言，大规模 MIMO 系统中的 EE 可以通过降低信号处理复杂度及其相关功耗，或通过提高硬件资源利用率 1 [7] 来改善。根据这一标准，[8] 和 [9] 提出了一种联合优化时域波束控制和峰均功率比 (PAPR) 降低的方法，其中计算复杂度显著降低，同时提高了功率放大器效率。然后，