XiaoMi-AI文件搜索系统
World File Search System符号表示
果蝇 Myc 直系同源基因模型
(A) 果蝇 (Drosophila melanogaster) 和菠萝蜜 (D. ananassae) 中 Myc 基因组邻域的同源性比较。细箭头表示果蝇 (D. melanogaster) (顶部) 和菠萝蜜 (D. ananassae) (底部) 中目标基因 Myc 所在的 DNA 链。指向右侧的细箭头表示 Myc 在菠萝蜜 (D. ananassae) 和果蝇 (D.melanogaster) 中位于正 (+) 链上。指向与 Myc 相同方向的宽基因箭头相对于细箭头位于同一链上，而指向 Myc 相反方向的宽基因箭头相对于细箭头位于相反链上。果蝇 (D. ananassae) 中的白色基因箭头表示与果蝇 (D. melanogaster) 中相应基因的直系同源性。 D. ananassae 基因箭头中给出的基因符号表示 D. melanogaster 中的直系同源基因，而基因座标识符特定于 D. ananassae。（B）GEP UCSC Track Data Hub 中的基因模型（Raney 等人，2014 年）。D. ananassae 中 Myc 的编码区显示在用户提供的 Track（黑色）中；CDS 用粗矩形表示，内含子用细线表示，箭头表示转录方向。后续证据轨迹包括 NCBI RefSeq 基因的 BLAT 比对（深蓝色，D. ananassae 的 Ref-Seq 基因比对）、D. melanogaster 蛋白质的 Spaln（紫色，D. melanogaster 的 Ref-Seq 蛋白质比对）、TransDecoder 预测的转录本和编码区（深绿色）、成年雌性、成年雄性和沃尔巴克氏体治愈胚胎的 RNA-Seq（分别为红色、浅蓝色和粉色；D. ananassae 的 Illumina RNA-Seq 读数比对）以及使用 D. ananassae RNA-Seq 由 regtools 预测的剪接点（Graveley 等人，2011；SRP006203、SRP007906；PRJNA257286、PRJNA388952）。显示的剪接点的读取深度 >1000，支持读取为红色。（C）果蝇 Myc-PB 的点图（x 轴）与
UCL神经科学研讨会2024
Research POSTER TITLE Reinforcement learning mechanisms of antidepressant treatments (RELMED) AUTHORS Abir Y, Qiu Z, Dercon Q, Mkrtchian A, Dolan R, Kessler D, Leurent B, Morriss R, Nazareth I, Nixon N, Watson S, Wiles N, Peddada A, Browning M, Huys Q ABSTRACT Two extensive literatures concern the neuromodulators 5-羟色胺，多巴胺和去甲肾上腺素。首先，许多双盲随机临床试验证实了针对这些神经调节剂抑郁症治疗的药物的功效。第二，同样令人信服的作品已经为这些神经调节剂在增强学习（RL）中确立了因果关系。计算精神病学的跨学科领域试图弥合这两个领域。然而，抑郁症治疗中RL机制的程度尚不确定。我们介绍了Relmed，该项目旨在确定针对各种神经调节剂的抗抑郁药是否参与RL的不同组成部分。Relmed包括在英国初级保健中进行的两次连续双盲随机临床试验。每个试验涉及516名随机接受安非他酮，依他普兰或安慰剂的抑郁症患者。最初的试验将探索广泛的RL域，随后的试验检查了特定的RL机制。在第一次试用期间，参与者将进行一系列在线行为RL任务。与标准方法不同，Relmed测量了单个连贯的任务框架内的多个RL机制，包括食欲和厌恶仪器学习，Pavlovian-工具传递，可控性，工作记忆和平均奖励效果。2。我们概述了任务序列，测试可靠性以及可接受性和用户测试的结果。本杰·巴内特（Benjy Barnett） - 人类神经影像学标题的惠康中心（Wellcome）中心创造了一些东西：人脑作者Barnett B中数值零的符号和非符号表示，弗莱明（Fleming）摘要代表零数量零，被认为是抽象人类思想的独特成就。尽管在理解支持自然数的神经代码方面取得了很大进展，但在人脑中如何编码数值零仍然未知。我们发现
毒力表型是由病原体倍性和遗传背景相互作用产生的
图 1 白色念珠菌遗传背景对健康宿主适应性有不同的影响。 （a）未感染（仅暴露于大肠杆菌食物源，灰色）或感染不同白色念珠菌菌株（图例中所示）的健康野生型线虫宿主种群的生存曲线。误差线表示±SE。每个处理中分析的宿主数量（n）如表 S1 所示。使用生存曲线的成对比较和 Log-rank（Mantel-Cox）检验来检验统计学显着性。星号表示与未感染对照相比具有统计学显着性（* 表示 p < .05；**** 表示 p < .0001）。具有相同字母的白色念珠菌处理没有显著差异，而具有不同字母的处理在统计学上存在差异。 (b) 宿主谱系生长的箱线图，以 7 天内产生的单个创始宿主的 F1 和 F2 后代的总种群大小表示。方框表示 25 到 75 分位数，平均值表示为一条线。误差线是标准化的数据范围，圆圈表示异常值。未感染对照处理的平均值和 95% 置信区间分别用灰色虚线和阴影灰色方框表示。使用单因素方差分析检验统计显著性。星号表示与未感染对照相比的统计差异（* 表示 p < .05；*** 表示 p < .001）。事后 Dunn 多重比较检验表明，字母相同的白色念珠菌处理没有显著差异，而字母不同的处理有统计学差异。 （c）感染白色念珠菌的宿主成年期第 1-3 天（正常繁殖时间）产生的（d）宿主幼虫总数和宿主幼虫百分比。数据和统计分析与（b）相同。（e）二倍体（dip）和四倍体（tet）白色念珠菌菌株在第 7 天的宿主存活率（彩色符号表示特定的白色念珠菌遗传背景）。使用 Wilcoxon 配对符号秩检验检验统计学意义，并标明 p 值。（f）感染白色念珠菌二倍体和四倍体菌株的宿主的谱系生长、（g）幼虫数量和（h）繁殖时间。数据和统计分析与（e）相同
昆虫启发的随机加权神经网络，具有随机的傅立叶特征，用于神经符号的关系学习
摘要知识表示和推理的计算机科学领域（KRR）旨在像人类一样有效地理解，推理和解释知识。由于该领域的许多逻辑形式主义和推理方法已经表明了高阶学习的能力，例如抽象概念学习，将人工神经网络（ANN）与KRR方法集成到用于学习复杂和实用任务的KRR方法引起了很多关注。例如，神经张量网络（NTN）是神经网络模型，能够将符号表示为矢量空间，在这些模型中可以通过矩阵计算进行推理。当在逻辑张量网络（LTN）中使用时，它们能够将一阶逻辑符号（例如常数，事实和规则）嵌入到实值张量中。KRR和ANN的整合提出了将神经科学中的生物学灵感带入KRR的潜在途径。但是，高阶学习并不是人类大脑的独有性。昆虫，例如果蝇和蜜蜂，可以解决简单的关联学习任务，并学习抽象概念，例如“相同”和“差异”，这被视为高阶认知功能，通常被认为取决于自上而下的新皮层处理。用果蝇的实证研究强烈支持，即在昆虫大脑的嗅觉加工中使用了随机代表性结构。基于这些结果，我们提出了一个随机加权的特征网络（RWFN），该特征网络将随机绘制的未经训练的权重纳入编码器，该编码器使用适应性线性模型作为解码器。单个隐藏层神经网络在RWFN中模仿输入神经元和高阶处理中心之间的随机投影，该神经网络在RWFN中模仿，该神经网络使用kernel近似在输入之间更好地表示输入之间的复杂关系。由于这种特殊表示形式，RWFN可以通过仅训练线性解码器模型有效地学习输入之间的关系程度。我们将RWFN与LTN的性能进行比较，用于语义图像解释（SII）任务，这些任务被用作LTN如何利用一阶逻辑上的推理以超越仅数据驱动方法的性能的代表性示例。我们证明，与LTN相比，RWFN可以在对象分类和检测SII任务中对象之间的关系方面取得更好或类似的性能，同时使用更少的可学习参数（1:62比例）和更快的学习过程（1：2的运行速度比率）。此外，我们表明，由于随机权重不取决于数据，因此有几个解码器可以共享一个随机编码器，从而使RWFN具有独特的空间量表经济体，用于同时分类任务。
果蝇 yakuba 中 eIF4E1 直系同源物的基因模型
(A) 果蝇 (Drosophila melanogaster) 和果蝇 (D. yakuba) 中 eIF4E1 基因组邻域的同源性比较。细箭头表示果蝇 (D. melanogaster) (顶部) 和果蝇 (D. yakuba) (底部) 基因组中参考基因 eIF4E1 所在的 DNA 链。指向右侧的细箭头表示 eIF4E1 在果蝇 (D. melanogaster) 中位于正 (+) 链上，指向左侧的细箭头表示 eIF4E1 在果蝇 (D. yakuba) 中位于负 (-) 链上。指向与 eIF4E1 相同方向的宽基因箭头相对于细箭头位于同一链上，而指向与 eIF4E1 相反方向的宽基因箭头相对于细箭头位于相反链上。果蝇 (D. yakuba) 中的白色基因箭头表示与果蝇 (D. melanogaster) 中相应基因的直系同源。 D. yakuba 基因箭头中给出的基因符号表示 D. melanogaster 中的直系同源基因，而基因座标识符特定于 D. yakuba。（B）GEP UCSC Track Data Hub 中的基因模型（Raney 等人，2014 年）。D. yakuba 中 eIF4E1 的编码区显示在用户提供的 Track（黑色）中；CDS 用粗矩形表示，内含子用细线表示，箭头表示转录方向。后续证据轨迹包括 NCBI RefSeq 基因的 BLAT 比对（深蓝色，D. yakuba 的 Ref-Seq 基因比对）、D. melanogaster 蛋白质的 Spaln（紫色，D. melanogaster 的 Ref-Seq 蛋白质比对）、TransDecoder 预测的转录本和编码区（深绿色）、成年雌性和成年雄性的 RNA-Seq（分别为红色和浅蓝色；D. yakuba 的 Illumina RNA-Seq 读段比对）以及使用 D. yakuba RNA-Seq (SRP006203 - Graveley et al, 2010) 通过 regtools 预测的剪接点。显示的剪接点分别具有 232、500-999 和 >1000 的读取深度，支持读取为粉色、棕色和红色。 (C) 果蝇 (D. melanogaster) 中的 eIF4E1-PB (x 轴) 与果蝇 (D. yakuba) 中的直系同源肽 (y 轴) 的点图。左侧和底部表示氨基酸编号；顶部和右侧表示 CDS 编号，CDS 也以交替颜色突出显示。序列相似性降低的区域用红色圈出。 (D) 果蝇 (D. melanogaster) 中的 eIF4E1-PC (x 轴) 与果蝇 (D. yakuba) 中的直系同源肽 (y 轴) 的点图。序列相似性降低的区域用红色圈出。
果蝇 Pten 直系同源基因模型
(A) 果蝇 (Drosophila melanogaster) 和果蝇 (D. miranda) 中 Pten 基因组邻域的同源性比较。细箭头表示果蝇 (D. melanogaster) (上) 和果蝇 (D. miranda) (下) 中目标基因 Pten 所在的 DNA 链。指向右侧的细箭头表示 Pten 在果蝇 (D. miranda) 中位于正 (+) 链上，指向左侧的细箭头表示 Pten 在果蝇 (D. melanogaster) 中位于负 (-) 链上。指向与 Pten 相同方向的宽基因箭头相对于细箭头位于同一链上，而指向 Pten 反方向的宽基因箭头相对于细箭头位于反链上。果蝇 (D. miranda) 中的白色基因箭头表示与果蝇 (D. melanogaster) 中相应基因直系同源，而黑色基因箭头表示非直系同源。灰色箭头表示在两个基因组邻域中都存在但不是同源的基因（在本例中为 Ror），在 D. miranda 中位于 Pten 的上游，但在 D. melanogaster 中位于 Pten 的下游。D. miranda 基因箭头中给出的基因符号表示 D. melanogaster 中的直系同源基因，而基因座标识符是 D. miranda 特有的。（B）GEP UCSC Track Data Hub 中的基因模型（Raney 等人，2014）。D. miranda 中 Pten 的编码区显示在用户提供的轨道（黑色）中；CDS 用粗矩形表示，内含子用细线表示，箭头表示转录方向。后续证据轨迹包括果蝇 (D. melanogaster) 蛋白质的 Spaln（紫色，果蝇 (D. melanogaster) 的 Ref-Seq 蛋白质比对）、NCBI RefSeq 基因的 BLAT 比对（深蓝色，果蝇 (D. miranda) 的 Ref-Seq 基因比对）、TransDecoder 预测的转录本和编码区（深绿色）、成年雌性和成年雄性的 RNA-Seq（分别为红色和浅蓝色；果蝇 (D. miranda) 的 Illumina RNA-Seq 读段比对）以及使用果蝇 (D. miranda) RNA-Seq (SRP009365) 由 regtools 预测的剪接点。所示的剪接点具有最小读取深度 10，其中 10-49、50-99 和 100-499 支持读取分别以蓝色、绿色和粉色表示。 (C) 果蝇 Pten-PB（x 轴）与果蝇直系同源肽（y 轴）的点图。左侧和底部标明氨基酸编号；顶部和右侧标明 CDS 编号，CDS 也以交替颜色突出显示。点图中的间隙表示序列相似性较低的区域。
昆虫启发的随机加权神经网络，具有随机的傅立叶特征，用于神经符号的关系学习
摘要知识表示和推理的计算机科学领域（KRR）旨在像人类一样有效地理解，推理和解释知识。由于该领域的许多逻辑形式主义和推理方法已经表明了高阶学习的能力，例如抽象概念学习，将人工神经网络（ANN）与KRR方法集成到用于学习复杂和实用任务的KRR方法引起了很多关注。例如，神经张量网络（NTN）是神经网络模型，能够将符号表示为矢量空间，在这些模型中可以通过矩阵计算进行推理。当在逻辑张量网络（LTN）中使用时，它们能够将一阶逻辑符号（例如常数，事实和规则）嵌入到实值张量中。KRR和ANN的整合提出了将神经科学中的生物学灵感带入KRR的潜在途径。但是，高阶学习并不是人类大脑的独有性。昆虫，例如果蝇和蜜蜂，可以解决简单的关联学习任务，并学习抽象概念，例如“相同”和“差异”，这被视为高阶认知功能，通常被认为取决于自上而下的新皮层处理。用果蝇的实证研究强烈支持，即在昆虫大脑的嗅觉加工中使用了随机代表性结构。基于这些结果，我们提出了一个随机加权的特征网络（RWFN），该特征网络将随机绘制的未经训练的权重纳入编码器，该编码器使用适应性线性模型作为解码器。单个隐藏层神经网络在RWFN中模仿输入神经元和高阶处理中心之间的随机投影，该神经网络在RWFN中模仿，该神经网络使用kernel近似在输入之间更好地表示输入之间的复杂关系。由于这种特殊表示形式，RWFN可以通过仅训练线性解码器模型有效地学习输入之间的关系程度。我们将RWFN与LTN的性能进行比较，用于语义图像解释（SII）任务，这些任务被用作LTN如何利用一阶逻辑上的推理以超越仅数据驱动方法的性能的代表性示例。我们证明，与LTN相比，RWFN可以在对象分类和检测SII任务中对象之间的关系方面取得更好或类似的性能，同时使用更少的可学习参数（1:62比例）和更快的学习过程（1：2的运行速度比率）。此外，我们表明，由于随机权重不取决于数据，因此有几个解码器可以共享一个随机编码器，从而使RWFN具有独特的空间量表经济体，用于同时分类任务。
谁EML 23列表（2023）
核心清单列出了基本医疗保健系统的最低药物需求清单，并在优先条件下列出了最有效，安全和成本效益的药物。优先条件是根据当前和估计的未来公共卫生相关性选择的，以及安全和经济有效的治疗的潜力。将[C]符号放置在核心清单上的单个药物或药物强度旁边，这表明有特定的指示限制了其对儿童的使用。补充清单介绍了优先疾病的必需药物，需要专门的诊断或监测设施和/或专业医疗服务和/或专家培训。也可以根据持续的更高成本或在各种环境中具有较低吸引力的成本效益而被列为补充。将[C]符号放在互补清单上的单个药物或药物强度旁边，这表明该药物需要专家诊断或监测设施和/或专业医疗服务，以及/或专家培训，以及/或对儿童使用的专家培训。平方盒符号（）旨在指示在国家基本药物清单中选择的列出药物的治疗替代品。替代品可以是在解剖学治疗化学（ATC）分类的第四级定义的药理学类或化学亚组中的多种药物，这些药物具有相似的临床有效性和安全性。列出的药物应该是班级或亚组的例子，其中有效力和安全的最佳证据。在某些情况下，这可能是获得营销许可的第一种药物；在其他情况下，随后获得许可的化合物可能更安全或更有效。在疗效和安全数据方面没有差异的情况下，列出的药物应是根据国际药品价格信息来源以最低价格获得的。并非所有的方盒列表都适用于儿童的药物选择。平方盒不用于指示同一小分子药物的替代通用品牌，也不是用来的生物学生物仿制药。但是，建议在国家一级选择和使用基本药物的质量鉴定的仿制药和生物仿制药。国家列表不应使用类似的符号，并且在最终选择中应具体特定，这取决于本地可用性和价格。A符号表示使用药物的年龄或体重限制；每种药物的详细信息都可以在表1.1中找到。基本药物清单上的条目对药物质量没有任何保证。相关的国家或区域药物监管机构的责任是确保每种产品具有适当的药物质量（包括稳定性），并且在相关时，不同的产品可以互换。应咨询标准治疗指南，以获取有关适当剂型的信息。For recommendations and advice concerning all aspects of the quality assurance of medicines see the WHO website https://www.who.int/teams/health-product-and-policy-standards/standards-and-specifications/norms-and-standards-for- pharmaceuticals/guidelines/quality-assurance Medicines and dosage forms are listed in alphabetical order within each section and the order of listing并不意味着偏爱一种形式而不是另一种形式。可以在表1.2中找到用于基本药物清单中剂型的主要术语。对不同类别的许多此类术语和药品质量要求的定义发表在当前的国际药典版本中。https://www.who.int/teams/health-product-and-policy-2andards/Acdenards-and-Specifations/norms-ands-and-and-standards-for-pharmaceuticals/pharmacopoeia。
比差分更难积分
这是我想进一步探索的一些概念的集合，我将看到他们带我去哪里。，这可能太冗长了，因为我会想到这个问题。如果您准时短暂，请随时跳过结束，因为那是我认为我对OP要求的答案的答案。我的重点是将分化和集成为符号操作。为了差异化，让我们考虑一个包括常数（可能是复杂的），$ x $的功能符号的$ e $ e $，并且在算术操作和组成下被关闭。我们可以添加更多功能符号，例如$ e^x $，$ \ ln（x）$或$ x^{ - 1} $，但我们假设我们知道如何为添加到$ e $的每个添加的衍生物找到它们的衍生物。仅使用常数和$ x $，我们将多项式作为设置$ e $。更大的选项将是基本功能。如果差异化被视为$ e $中符号内的操作，则根据定义，它的算法是算法，因为我们可以根据$ e $中任何功能 - 符号的衍生物，因为其涵盖了生成$ e $的操作的属性。挑战可能来自确定功能是否属于$ e $。我声称，至少集成与差异化（可能更难）一样困难，这对于多项式来说是显而易见的，但取决于所选的集合$ e $。现在，让我们考虑构建一个适合集成的域，类似于我们处理分化的方式。让我们称此功能符号$ i $的收集。它包含常数和$ x $，其中可能还有其他符号，例如$ e^x $或$ x^{ - 1} $，我们知道它们的积分。这是一个简单的事情。我们假设$ i $在某些操作下关闭：其元素的线性组合以及操作$ \ oplus $（乘以衍生物）和$ \ otimes $（特定的组成操作）。这为我们提供了一个合理的最小域来定义内部集成。在这样的$ i $中，集成成为使用这些操作编写的功能的算法。我声称，在这种情况下，如果我们假设$ i $包含常数，并且满足了三个条件之一，那么推导很简单，从而允许仅使用一个基本操作计算衍生物。可以将OP的问题转化为是否给定的$ E $，我们有一种算法来检查其元素是否是$ i $的一部分，还是使用其积分和某些操作已知的函数 - 符号。此功能取决于$ e $的性质及其可用功能符号。对于$ x $中的多项式，这种算法显然存在。我们不仅有一些情况，即某些$ e $的问题是不可确定的。感谢Richardson的定理，如果$ e $包含$ \ ln（2），\ pi，e^x，e^x，\ sin（x）$，并且还包括$ | x | $以及$ e $中没有原始功能的功能，则条件3可用于$ e $ $ e $的基本功能，以及$ | x | $ | x | $。要验证这种情况，我们可以使用$ e^{x^2} $。定理的有效性源于基本函数$ m（n，x）$的存在，每个自然数$ n $都与0或1相同，但是对于每个自然数$ n $，无论它是相同的0还是1。如果我们通过为每个原始添加符号来关闭$ e $，则此范围消失。给定这样的函数，如果我们可以在$ e $中确定集成，那么对于每个自然数$ n $，无论$ f_n（x）：= e^{x^2} m（n，x）$是否可以集成。但是，这将使我们能够弄清楚$ m（n，x）$是0或1何时，因为$ f_n（x）$是可以集成的，当$ m（n，x）= 0 $而不是$ m（n，x）= 1 $时。因此，对于某些类$ e $，我们看到虽然派生是基本的（显示该功能属于$ e $），但集成是不可决定的。这已经表明集成比派生更难（依赖我们集成的函数类别的语句）。观察：上述$ e $集成的不确定性与在$ e $中具有函数符号无关，而没有原始函数 - 符号为$ e $。另一方面，这使得$ e $不是由有限的许多符号生成的，从而使确定何时用$ e $中的符号表示函数更为复杂。因此，对于这个大$ e $的原因，如果我们赋予了我们知道的功能，则可以计算其积分，因为我们假设输入为$ e $。问题仍然存在：$ e $可以比派生更难集成？
量子计算机开发的状态
概率效应。................................................................................................................................................ 88 Figure 8.2: (a) Arrangement of physical qubits for the surface code.数据量子位显示为空心圆，测量值作为实心圆圈。分别在十字架末端的绿色和黄色表示Z和X稳定器的测量值。在边界上，稳定器的测量仅包括三个数据量量，由截断的十字表示。（b）Z稳定器测量的电路图。身份以补偿（C）X稳定器测量中的Hadamards。对于所有稳定器，同时执行每个步骤。沿阵列的所有Z和X稳定器的一轮此类电路对应于一个综合征测量框，如图7.1所示。在美国物理社会的[FMMC12]版权所有（2012年）的许可后重印数字。”........................................................................... 91 Figure 8.3: Performance below threshold for the surface code for distances 3,5,7,9,11,15,25,35,45 and 55.对于距离3,5和7，二次，立方和四分位拟合曲线显示为虚线。它们仅近似于低物理错误率p [FDJ13]的实际曲线。经Macmillan Publishers Ltd的许可转载：科学报告（A. G. Fowler，S。J。Devitt和C. Jones，Sci。Rep。，3（1），2013年。 ），版权（2013年）。 “经[M. H. Amin。的许可重印数字 物理。Rep。，3（1），2013年。），版权（2013年）。“经[M. H. Amin。物理。..................... 93 Figure 8.4: Another two threshold plots indicating the threshold at the crossing of the different lines............... 97 Figure 9.1: Sketch of total time until the ground state is found with desired probability as a function of the problem size.虚线显示了每轮运行时间TF的几个固定值的性能。蓝线显示了最佳结果，如果为每个问题大小分别优化了运行时间TF，则达到了最佳结果。用固定的TF测量（例如，由于退火设备的局限性）时，测得的曲线（红色）的斜率可能表示错误的行为：对于小N，斜率低于最佳（可能在没有的地方伪造速度），对于大N，对于大n，斜率高于最佳（可能掩盖了可能存在的加速速度）。修订版A，92（5）：052323，2015。]版权所有（2015年），美国物理社会。”................................................................................ 108 Figure 11.1: Number of qubits in GHZ state that have been realized experimentally.Mario Krenn博士批准了该数字的用法，并取自[KRE22]。........................................................................................ 123 Figure 15.1: Three-dimensional space-time lattice of syndrome measurement outcomes.一个水平层对应于一轮综合征测量，其中符号表示结果。红线显示了发生测量结果的改变。错误链导致进一步分开的符号变化对[FMMC12]。数据QUBIT的一个误差（X或Z）导致空间维度的一对符号变化，而中间的数据QUBIT位于中间，测量值的单个误差会导致一个在时间维度上的误差，并且在两个更改之间发生错误的误差（M）。“在美国物理社会的[FMMC12]版权所有（2012年）的允许下转载数字。”................................................................. 168 Figure 15.2: Implementation of logical qubits: (a) Double Z-cut qubit, (b) double X-cut qubit.逻辑运算符XL（ZL）由沿蓝色（红色）线的物理Qubit上的X（Z）操作组成[FMMC12]。在美国物理社会的[FMMC12]版权所有（2012年）的允许下转载数字。............ 169 Figure 15.3: Schematic protocol for creating and initializing a double X-cut qubit in a logical Z eigenstate.mz表示z的测量值，| g⟩表示基态以基态数据量的初始化[FMMC12]。“经。在美国物理社会的[FMMC12]版权所有（2012年）的允许下转载数字。.............................................................................................................. 170 Figure 15.4: (a) Circuit diagram for a logical CNOT operation between two double Z-cut qubits, mediated by a double X-cut qubit.在此过程中，测量目标量子位，并以|+⟩初始化了新的双z切割量子标式，以取代目标值。在初始化或测量量子线时，对应于同一量子的两个孔的两条线。（b）描述执行三个CNOT步骤的孔的编织的描述：每个双Z（x） - cut量子值以一对黑色（蓝色）线表示，其中沿x轴显示孔的孔的移动。（c）简化编织的表示形式，仅作为栅极的中间工具显示双X-Cut值。实际上，双Z切量盘根本不需要移动，并且可以在测得的旧目标的位置初始化新的目标量子定位。（d） - （f）在两个双X切位数之间间接cnot的等效表示。[FMMC12]在美国物理社会的[FMMC12]版权所有（2012年）的许可下重印了数字。............................................................................................. 171 Figure 15.5: Implementation of S (top) and T (bottom) gate on the input state |分别具有魔术状态| y⟩和| a⟩。在最新版本中，也可以在没有最终的Hadamard门的情况下执行S门，并在经典控制中携带副产品运算符[GF17]。t门还需要一个条件的门来纠正其非确定性。决定是否执行其他S