XiaoMi-AI文件搜索系统
World File Search System搜索的
在生物序列中用于KNN搜索的神经嵌入
生物序列最近的邻居搜索在生物信息学中起有趣的作用。减轻二次复杂性对常规距离计算的痛苦，神经距离嵌入（将项目序列置于几何空间中）已被公认为是有希望的范式。为了维持序列之间的距离顺序，这些模型所有部署三重态损失并使用直观方法来选择三胞胎的子集，以从广阔的选择空间中进行训练。但是，我们观察到，这种训练通常使模型只能区分一小部分距离顺序，从而使其他人未被认可。此外，天真地选择了更多的三胞胎进行最新的网络下的培训，不仅增加了成本，而且还增加了模型性能。在本文中，我们介绍了Bio-KNN：KNN搜索框架 - 生物序列的工作。它包括一种系统的三重态选择方法和一个多头网络，增强了所有距离订单的识别而不增加培训费用。最初，我们提出了一种基于聚类的方法，将所有三重态分为具有相似支持的几个群集，然后使用创新策略从这些群集中选择三胞胎。同时，我们注意到同一网络中同时培训不同类型的三胞胎无法实现预期的性能，因此我们提出了一个多头网络来解决此问题。我们的网络采用卷积神经网络（CNN）来提取所有群集共享的本地效果，然后分别学习一个分别为每个群集学习多层启示（MLP）头。此外，我们将CNN视为特殊的头部，从而将以前模型中忽略的关键特征整合到我们的模型中以获得相似性识别。广泛的实验表明，我们的生物KNN在两个大规模数据集上的最先进方法显着优于而没有增加培训成本。
学习以偏见搜索的异质多代理分配
摘要 - 基于信息的覆盖范围指示机器人在区域上移动，以根据某种信息来优化预定义的目标函数。我们先前的工作确定信息图的光谱分解可用于指导一组异质剂，每个剂具有不同的传感器和运动模型，以基于一种称为Ergodicity的度量来优化目标区域中的覆盖范围。在本文中，我们建立在这种见解的基础上，以构建将异质剂分配给频域中不同搜索区域的问题的增强学习公式。我们以三种不同的方式将搜索映射的光谱系数相互关联。第一个方法将代理映射到预定的光谱系数集。在第二种方法中，每个代理都会在所有光谱系数上学习重量分布。最后，在第三种方法中，每个代理都将权重分布作为参数化曲线而不是系数。我们的数值结果表明，根据其感应和运动模型将覆盖责任分配和分配覆盖责任会导致40％，51％和46％的覆盖范围提高覆盖范围的效果，如麦加德指标所测量的覆盖范围，并在搜索区域中分别在搜索区域中提高了所有目标。
rydberg-atom基于卤代轴搜索的单光子检测
斧头是量子染色体动力学（QCD）中强电荷（CP）问题的引人注目的解决方案，也是天体物理学和宇宙学中动机良好的暗物质候选者[1-7]。尽管轴质量m a与自发对称性破坏f a的能量尺度相关，但QCD本身并不限制m a或f a [8]。来自天体物理学和宇宙学的观察限制了m a〜10 - 6 - 103μEV[9-13]。轴支和标准模型之间的耦合强度取决于轴质量。对于给定的m a，有一系列与QCD兼容的轴轴耦合Gγ。该区域通常由两个基准QCD轴模型跨越Kim-Shifman-Vainshtein- Zakharov（KSVZ）模型[14,15]和Dine-Fischler-Srednicki-Zhitnitsky（DFSZ）模型[14,15] [16,17]。轴突状颗粒（ALP）具有光子耦合在QCD预测的范围之外的光子耦合也可以作为暗物质，尽管它们无法解决强大的CP问题[5]。
使用具有系统的网格搜索的人工神经网络对急诊科的重大不良心脏事件进行预测
摘要背景我们的研究目的是使用系统性的网格搜索对急诊科分类的患者的重大不良心脏事件（MACE）的早期预测，设计和评估人工神经网络（ANN）模型。方法这是一项使用电子健康记录从2017年1月到1220年的单中心横断面研究。研究人群由成年人组成，来到我们在阿加汗大学医院的急诊科分类。住院期间的狼牙棒是主要结果。使用分诊数据增强ANN的体系结构，我们使用了系统的网格搜索策略。使用了四个隐藏的ANN层，然后使用外层。遵循每个隐藏层是返回归一化和辍学层。mace：ANN，随机森林（RF）和逻辑回归（LR）。检查了这些模型的总体准确性，灵敏度，特异性，精度和回忆。使用接收器操作特征曲线（ROC）和具有95％置信区间的F1分数评估每个模型。结果在研究期间总共记录了97,333次急诊就诊，其中33％的患有心血管症状的患者。平均年龄为54.08（19.18）岁。在23,052例（23.7％）的患者中观察到了狼牙棒，在10,888例（11.2％）患者中，住院（长达30天）的死亡率和5483例（5.6％）患者的心脏骤停。用于培训和验证的数据分别为80:20的比例为77,866和19,467。ANN的MACE的AUC分数为0.97，大于RF（0.96）和LR（0.96）。同样，使用ANN的MACE的Precision-Recall曲线更大（RF为0.94 vs. 0.93，LR为0.93）。使用ANN，RF和LR分类器对MACE预测的敏感性分别为99.3％，99.4％和99.2％，特异性分别为94.5％，94.2％和94.2％。结论何时使用分类数据来预测MACE，死亡和心脏骤停时，具有全身网格搜索的ANN可以提供精确而有效的结果，并将受益于预测具有有限资源的急诊室中必须处理大量患者的MACE。关键词人工智能，急诊医学，心脏骤停，主要不良心血管事件，验证研究
随机森林和网格搜索的Jurnal Mantik分析...
这项研究重点是实施随机的森林和网格搜索算法，以早日检测糖尿病，旨在使用技术现代化和增强医学实践。所提出的模型的准确性为77.06％，精度为71.43％，召回47.30％，错误分类误差为22.94％。与其他数据挖掘算法的比较分析，包括决策树，无网格搜索的随机森林以及CAT Boost，表明带有网格搜索算法的随机森林表现优于其他森林。通过利用网格搜索，随机森林算法的准确性增加了2.03％。这些发现表明机器学习在早期糖尿病检测中的潜在有效性。虽然研究提供了有希望的结果，但数据集大小和所使用的检测变量的数量存在局限性。未来的研究应探索较大的数据集和替代算法，以进一步提高准确性并帮助早期发现糖尿病。
随机森林和网格搜索的Mantik分析杂志...
这项研究重点是实施随机的森林和网格搜索算法，以早日检测糖尿病，旨在使用技术现代化和增强医学实践。所提出的模型的准确性为77.06％，精度为71.43％，召回47.30％，错误分类误差为22.94％。与其他数据挖掘算法的比较分析，包括决策树，无网格搜索的随机森林以及CAT Boost，表明带有网格搜索算法的随机森林表现优于其他森林。通过利用网格搜索，随机森林算法的准确性增加了2.03％。这些发现表明机器学习在早期糖尿病检测中的潜在有效性。虽然研究提供了有希望的结果，但数据集大小和所使用的检测变量的数量存在局限性。未来的研究应探索较大的数据集和替代算法，以进一步提高准确性并帮助早期发现糖尿病。
用于量子态转移和最优空间搜索的离子阱长距离 XY 模型
量子信息处理需要能够相干且精确地控制和测量的量子比特 [1]。被电磁场捕获并保存在真空室中的原子离子线性链可以满足这些要求，并且已经成为一个令人兴奋且有前途的量子计算平台 [2-4]。量子比特可以在超精细基态或塞曼基态中编码，其中离子通过 Mølmer-Sørensen 方案受到自旋相关力 [5]。然后，虚拟声子在库仑力的作用下介导离子之间的自旋-自旋相互作用 [6]。这样，离子阱链成为自旋-自旋相互作用系统的量子模拟的天然平台 [7]。大量的研究兴趣集中在为量子模拟设计特定的哈密顿量 [8-12]。尤其独特的是 XY 自旋模型，它们的长程相互作用以 1 / r α 衰减，其中 α 是一个可调参数。该模型存在模型空间外的相干泄漏，特别是对于较小的 α 。在这里，我们展示了如何完全缓解这种相干误差，并提供了两个应用：最佳空间量子搜索和 O ( √
Grover 搜索的量子多程序设计
本报告是由美国政府某个机构资助的工作报告。美国政府或其任何机构、其雇员、承包商、分包商或其雇员均不对所披露信息、设备、产品或流程的准确性、完整性或任何第三方的使用或此类使用结果做任何明示或暗示的保证，或承担任何法律责任或义务，或表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务，并不一定构成或暗示美国政府或其任何机构、其承包商或分包商对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。