XiaoMi-AI文件搜索系统
World File Search System子空间
具有未表征设备的广义时间箱量子随机数发生器
基于量子力学的随机数生成器 (RNG) 因其安全性和不可预测性而引人注目，与传统生成器（如伪随机数生成器和硬件随机数生成器）相比。这项工作分析了一类半设备独立的量子 RNG 中，随着希尔伯特空间维数、状态准备子空间或测量子空间的增加，可提取随机性的数量的变化，其中限制状态重叠是核心假设，建立在准备和测量方案之上。我们进一步讨论了这些因素对复杂性的影响，并得出了最佳方案的结论。我们研究了时间箱编码方案的一般情况，定义了各种输入（状态准备）和结果（测量）子空间，并讨论了获得最大熵的最佳方案。对几种输入设计进行了实验测试，并分析了它们可能的结果安排。我们通过考虑设备的缺陷，特别是探测器的后脉冲效应和暗计数来评估它们的性能。最后，我们证明这种方法可以提高系统熵，从而产生更多可提取的随机性。
![arxiv：2405.00202v2 [CS.LG] 2024年8月15日](/simg/5\561e2f8c4218297e979fa3ffd920c9ea3fa94c08.webp)
arxiv：2405.00202v2 [CS.LG] 2024年8月15日
深层生成模型一直在加快材料和药物设计中的反设计过程。与典型的分子设计框架中的Coun-Terpart性质预测变量不同，生成的分子设计模型由于其大量参数所带来的贝叶斯推论所提出的计算挑战，因此在不确定性定量（UQ）上的努力更少。在这项工作中，我们专注于结树变异自动编码器（JT-VAE），这是一种流行的生成分子设计模型，并通过杠杆来解决此问题，以捕获低维活性子空间（AS）以捕获模型参数中的不确定性。具体而言，我们在活动子空间参数上占据了后验分布，以估计非常高维参数空间中认知模型的不确定性。所提出的UQ方案不需要对模型档案的任何更改，因此很容易适用于任何预训练的模型。我们的实验证明了基于AS的UQ的功效及其对分子优化的潜在影响，通过在认知不确定性下表达模型多样性。
基于多模态生理信号的跨主体情绪识别多层次解缠网络
基于多模态生理信号的情绪识别受到越来越多的关注，然而如何处理多模态生理信号的一致性和异质性，以及不同主体之间的个体差异，是跨主体情绪识别的两个重要挑战。本文提出了一种多级解缠结网络MDNet，用于基于多模态生理信号的跨主体情绪识别。具体而言，MDNet由模态级解缠结模块和主体级解缠结模块组成。模态级解缠结模块将多模态生理信号投影到模态不变子空间和模态特定子空间，捕获模态不变特征和模态特定特征。主体级解缠结模块从多模态数据中分离出不同主体间主体共享特征和主体私有特征，从而促进跨主体情绪识别。在两个多模态情感数据集上进行的实验表明，MDNet 优于其他最先进的基线。
具有对称性的量子态的一般纠缠熵
摘要：当从希尔伯特空间均匀随机地抽取量子纯态时，该状态通常是高度纠缠的。随机状态的这种特性被称为量子态的一般纠缠，长期以来一直从黑洞科学到量子信息科学等多个角度对其进行研究。在本文中，我们探讨了量子态的对称性如何改变一般纠缠的性质。更具体地说，我们研究从给定对称性的不变子空间均匀随机抽取的量子态的二分纠缠熵。我们首先将众所周知的浓度公式扩展到适用于任何子空间的公式，然后表明：1. 与轴对称相关的子空间中的量子态仍然高度纠缠，尽管它比没有对称性的量子态的纠缠程度要低；2. 与置换对称相关的量子态的纠缠程度明显较低；3. 具有平移对称性的量子态与一般量子态一样纠缠。我们还用数字方式研究了一般纠缠分布的相变行为，这表明即使随机状态具有对称性，相变似乎仍然存在。
人工智能的工程应用
为了降低工程设计中的计算成本，昂贵的高保真仿真模型通常用数学模型来近似，这些数学模型被称为元模型。典型的元建模方法假设昂贵的仿真模型是黑盒函数。在本文中，为了提高元模型的准确性并降低构建元模型的成本，利用有关工程设计问题的知识来帮助开发一种新的元模型，称为因果人工神经网络（causal-ANN）。利用设计问题固有的因果关系将 ANN 分解为子网络，并利用中间变量的值来训练这些子网络。通过涉及设计问题的知识，因果 ANN 的准确性高于假设黑盒函数的传统元建模方法。此外，可以利用因果 ANN 的结构和贝叶斯网络理论从因果 ANN 中识别出有吸引力的子空间。本文还讨论了因果图保真度和设计变量相关性的影响。工程案例研究表明，只需少量昂贵的模拟即可准确构建因果 ANN，并且可以直接从因果 ANN 中识别出有吸引力的设计子空间。
通用的时键量子量子随机数生成器，带有未表征的设备
基于量子力学的抽象随机数生成器（RNG）由于其安全性和与常规发电机相比的安全性和不可预测性而引人注目，例如pseudo-random编号生成器和硬件随机数字生成器。这项工作分析了可提取量的随机性的演变，并增加了希尔伯特空间维度，状态制备子空间或测量子空间中的一类半脱位独立量子RNG，其中界定状态的重叠是核心假设，是基于准备和测量方案的核心假设。我们进一步讨论了这些因素对复杂性的影响，并在最佳场景上得出结论。我们研究了定义各种输入（状态准备）和结果（测量）子空间的定义各种输入（状态准备）的通用情况，并讨论最佳场景以获得最大的熵。对几种输入设计进行了实验测试，并分析了其可能的结果布置。我们通过考虑设备的缺陷来评估他们的性能，尤其是检测器的后脉冲效果和黑暗计数。最后，我们证明了这种方法可以增强系统熵，从而导致更可提取的随机性。
B. Tech。土木工程计划
线性代数基础知识：向量空间和子空间，基础和维度，血统转换，四个基本子空间。矩阵理论：规范和空间，特征值和特征向量，特殊矩阵及其特性，最小平方和最小规范的解决方案。矩阵分解算法-SVD：属性和应用，低等级近似值，革兰氏施密特过程，极性分解。尺寸还原算法和JCF：主成分分析，血统判别分析，最小多项式和约旦的规范形式。微积分：微积分的基本概念：部分导数，梯度，定向衍生物Jacobian，Hessian，凸集，凸功能及其属性。优化：无约束和受约束的优化，受约束和不受约束优化的数值优化技术：牛顿的方法，最陡的下降方法，惩罚函数方法。概率：概率的基本概念：条件概率，贝叶斯定理独立性，总概率，期望和方差定理，几乎没有离散和连续分布，联合分布和协方差。支持向量机：SVM简介，错误最大程度地减少LPP，双重性和软边距分类器的概念。参考书：
关联规则挖掘频繁模式的量子算法
从大型交易和项目数据库中生成最大频繁模式以进行关联规则挖掘是数据挖掘中的一个重要研究课题。关联规则挖掘旨在发现隐藏在大型数据库中的项目之间的有趣相关性、频繁模式、关联或因果结构。通过利用量子计算，我们提出了一种有效的量子搜索算法设计来发现最大频繁模式。我们修改了 Grover 的搜索算法，以便使用任意对称状态的子空间代替整个搜索空间。我们提出了一种新颖的量子预言机设计，该设计采用量子计数器来计算最大频繁项目，并使用量子比较器来检查最小支持阈值。由于搜索仅在子空间中，因此所提出的导出算法提高了正确解决方案的速率。此外，我们的算法显著扩展并优化了设计中所需的量子比特数，这直接对性能产生了积极影响。我们提出的设计可以容纳更多的交易和项目，并且仍然以较少的量子比特数具有良好的性能。
通过任务组织复发网络动态 -
生物系统面临需要持续学习的动态环境。尚不清楚这些系统如何平衡学习和鲁棒性的灵活性之间的张力。在没有灾难性干扰的情况下，持续学习也是机器学习中的一个具有挑战性的问题。在这里，我们制定了一种新颖的学习规则，旨在最大程度地减少经常性网络中依次学习的任务之间的干扰。我们的学习规则保留了用于以前学习的任务的活动定义子空间内的网络动态。它鼓励与新任务相关的动态，这些动态可能会探索正交子空间，并允许在可能的情况下重复使用先前建立的动力学主题。采用神经科学中使用的一组任务，我们证明了我们的方法成功消除了灾难性的干扰，并比以前的持续学习算法提供了实质性的改进。使用动力学系统分析，我们表明使用我们的方法训练的网络可以重复使用相似任务的类似动态结构。共享计算的这种可能性允许在顺序训练期间更快地学习。最后，我们确定在依次训练任务与同时训练任务时出现的组织差异。
宏观的叠加态在孤立的量子系统中
在实验室中已经实现了高度复杂的叠加状态[1]。尽管它们看起来很脆弱，但这种状态在量子信息和计算以及量子基础中的理论问题中至关重要。可能会感到惊讶的是，具有许多自由度的孤立系统自然地演变成宏观的叠加状态。这些状态包含正交成分，这些成分在宏观量中存在，例如通常被认为是自然界“经典”的大物体的位置或动量。在接下来的内容中，我们使用一个特定的示例（本质上是布朗运动的示例）来说明这一结果是如何遵循约翰·冯·诺伊曼（John von Neumann）[2]的1929年量子量表定理（QET）的。该定理在2009 - 10年的复活中已被遗忘了50多年[3，4]。QET包含与量子统计力学和量子力学基础相关的见解。我们对后一个主题的一些评论得出结论。QET超出了有关分离的量子系统中热促进的典型性（量度集中）结果[5]。典型性结果表明，大型系统的几乎所有纯状态ψ都最大地纠缠在一起，并且在除小的子空间1以外的所有内容都产生了一个density矩阵휌1，它接近归一化的身份，即微域密度矩阵。这意味着小子空间的热特性。QET专门集中在宏观观察物的子空间上，而不是微观自由度的一般子集。对状态von Neumann证明了系统的时间演变（千差线）：所有初始状态ψ0都将大部分时间作为典型状态作为宏观空间的典型状态（请参见下面的等式（11）），当然是该定理所需的某些假设所需的某些假设[6]。下面给出的计算说明，对于大型系统的任何子空间（例如，包括一组宏观可观察物所定义的子空间定义），密度操作员휌1通过追踪在其他随机纯状态的自由度上引起的密度操作员是非常可能的，这是非常可能的接近휌1〜1。基于该措施的主导地位，人们可以启发性地说，即使系统以强烈侵犯该特性的特殊状态开始，动态演变也会导致其大部分时间在典型的状态下。QET为这种直觉提供了严格的基础。令{휙1，푗1}푛1= 1 = 1 = 1和{휙2，푗2}푛2= 1 = 1 = 1是两个标记为1和2的Hilbert Space的正对异性态的一组，带有身份操作员，具有身份操作员퐼1和퐼2。