XiaoMi-AI文件搜索系统
World File Search System编码
Hines, Adam D.、Stratton, Peter G.、Milford, Michael 和 Fischer, Tobias (2024) VPRTempo：一种用于视觉的快速时间编码脉冲神经网络
摘要 — 脉冲神经网络 (SNN) 凭借其潜在的节能、低延迟和持续学习能力，处于神经形态计算的前沿。虽然这些功能非常适合机器人任务，但迄今为止，SNN 在该领域的应用有限。这项工作引入了一种用于视觉位置识别 (VPR) 的 SNN，它既可以在几分钟内训练，又可以在几毫秒内查询，非常适合部署在计算受限的机器人系统上。我们提出的系统 VPRTempo 使用抽象的 SNN 克服了训练和推理时间缓慢的问题，该 SNN 以生物现实性换取效率。VPRTempo 采用时间代码，根据像素的强度确定单个脉冲的时间，而之前的 SNN 则依赖于确定脉冲数量的速率编码；将脉冲效率提高了 100% 以上。 VPRTempo 使用脉冲时间依赖性可塑性和监督增量学习规则进行训练，强制每个输出脉冲神经元只对一个位置做出反应。我们在 Nordland 和 Oxford RobotCar 基准定位数据集上评估了我们的系统，这些数据集包含多达 27,000 个位置。我们发现 VPRTempo 的准确性与之前的 SNN 和流行的 NetVLAD 位置识别算法相当，同时速度快几个数量级，适合实时部署 - CPU 上的推理速度超过 50 Hz。VPRTempo 可以作为在线 SLAM 的环路闭合组件集成到资源受限的系统（例如太空和水下机器人）上。
量子darwinism对扩展树的编码过渡
Quantum darwinism（QD）提出，经典的客观性是从信息自由度的广播中引起的，以成为多体环境的多个部分。这样的信息广播与在强烈互动下的争夺形成鲜明对比。最近显示，广播和争夺之间插值的量子动力学可能显示出信息传播的尖锐相变，称为QD编码过渡。在这里，我们在通用的非克利福德设置中启动了他们的系统研究。首先，在一般的主题设置中，将信息传播建模为等轴测图，其输入Qudit与参考纠缠在一起，我们提出了对过渡的探测 - 测量环境分数后参考的密度矩阵的分布。此探测器测量分数和注入信息之间的经典相关性。然后，我们将框架应用于张量网络在扩展的树上定义的两个类似模型，对试图播放旋转半旋转的Z组件的嘈杂设备进行建模。我们得出了密度矩阵分布的确切递归关系，我们通过分析和数值分析。因此，我们找到了三个阶段：QD，中间和编码，以及两个连续的过渡。编码中间过渡描述了参考和小环境部分之间非零相关性的建立，并且可以通过对馏分的总旋转的“粗粒度”度量进行探测，该测量是非高斯和对称性的中间空间中的非高斯和对称性破裂。QD-中间的过渡是关于相关性是否完美的。必须通过罚款粒度探测它，对应于复制空间中更微妙的对称性破裂。
利用线性光学和时频编码实现任意单量子比特门的并行合成
我们提出了新方法，用于精确合成具有高成功概率和门保真度的单量子比特幺正，同时考虑了时间箱和频率箱编码。所提出的方案可通过光谱线性光学量子计算 (S-LOQC) 平台进行实验，该平台由电光相位调制器和相位可编程滤波器（脉冲整形器）组成。我们评估了两种编码中任意门生成的两种最简单的 3 组分配置的保真度和概率性能，并使用单音射频 (RF) 驱动 EOM，为时间箱编码中任意单量子比特幺正的合成提供了精确的解析解。我们进一步研究了使用紧凑实验装置在多个量子比特上并行化任意单量子比特门，包括光谱和时间编码。我们系统地评估和讨论了 RF 带宽（决定驱动调制器的音调数量）以及不同目标门的编码选择的影响。此外，我们还量化了在实际系统中驱动 RF 音调时，可以并行合成的高保真 Hadamard 门的数量，且所需资源最少且不断增加。我们的分析将光谱 S-LOQC 定位为一个有前途的平台，可进行大规模并行单量子位操作，并可能应用于量子计量和量子断层扫描。
Trellis BMA：DNA存储的IDS通道上的编码跟踪重建
优化概率模型是统计中良好的领域。然而，它与生成模型的培训的联系在很大程度上仍然不足。在本文中，我们表明可以将时间变化的生成模型的演变投射到指数族的歧管上，自然会在生成模型的参数与概率模型的参数之间建立链接。然后，我们根据自然梯度下降方案将其投影在流形上移动。这种方法还使我们能够有效地近似KL差异的自然梯度，而无需依靠MCMC进行棘手的模型。此外，我们提出了该算法的粒子版本，该版本具有指数家族中任何参数模型的封闭形式更新规则。通过玩具和现实世界实验，我们验证了所提出的算法的有效性。
从DNA存储中从MDS编码数据中获取信息的可靠性
摘要 - 这项工作对在DNA存储系统中成功检索使用MDS代码（例如Reed-Solomon代码）的数据的概率进行了理论分析。我们在独立和相同分布（I.I.D.）替换错误，重点是结合内部和外部MDS代码的常见代码设计策略。我们的分析表明，这种概率如何取决于诸如测序读数的总数，它们之间的分布，内部代码和外部代码的速率以及替换误差概率。这些结果提供了可行的见解，可在可靠性约束下优化DNA存储系统，包括确定可靠数据检索所需的测序读取数量的最小数量，并确定内部和外部MDS代码速率之间的最佳平衡。
脉冲方法中的光学相编码储存库计算
储层计算是一种植根于经常性神经网络的时间序列处理的监督机器学习方法[1，2]。受到大脑机制的启发，许多相互连接的人工神经元过程输入输入并显示内部记忆。反复的神经网络随后适合于语音识别等时间任务[3，4]，但以难以训练的代价。网络的所有权重需要在时间[5]中使用反向传播进行训练，这是一种耗时的，并非总是在融合[6]。不同，在储层计算（RC）中，仅训练输出层的权重以处理信息[7，8]。这些结构是由三个元素组成的：将数据注入系统中的输入层，由随机连接的大量神经元（或节点）组成的储层，以及一个外部（或读取）层以从储层中提取信息。在储层上的某些条件下，用简单的线性回归训练输出层就足够了[1，8]。在本文中，我们使用单个非线性节点（如[9]中）提供了储层协议的设计。尽管最近的作品已通过光学频率梳子的频率组件成功实现了储层和神经形态的组合[10-12]，但我们在这里利用了时间特征，即脉冲基础，光频率梳子作为储层的节点。此外，使用相干性同伴检测，因此可以在场的相分量中编码信息，而不是其强度或弹性。我们表明，尽管有少量的节点和低可线性的节点，但我们的协议具有良好的性能，同时显示非线性记忆和预测可供使。我们的系统建立在可以使用光脉冲来构建尖峰储层的概念上[13，14]，并且信息注入的相位编码可以在光子储层计算机中获得更好的性能[15，16]。基于光学的计算[17]可能能够给予对电子设备的速度或能源效率。
分层动态编码协调大脑中的语音理解
语音理解需要人类大脑将声波转换为意义。为此，大脑会生成一个特征层次结构，将感官输入转换为越来越抽象的语言属性。然而，人们对这些分层特征的生成和持续协调方式知之甚少。在这里，我们提出每个语言特征都在大脑中动态表示，以同时表示连续事件。为了检验这个“分层动态编码”（HDC）假设，我们使用时间分辨的大脑活动解码来跟踪语言特征综合层次结构的构建、维护和整合，涵盖声学、语音、亚词汇、词汇、句法和语义表示。为此，我们为 21 名参与者录制了脑磁图 (MEG)，让他们听了两个小时的短篇故事。我们的分析揭示了三个主要发现。首先，大脑逐步表征并同时维持连续的特征。其次，这些表征的持续时间取决于它们在语言层次中的级别。第三，每个表征都由动态神经代码维护，该代码以与其相应的语言水平相称的速度发展。这种 HDC 可以随时保持信息，同时限制连续特征之间的干扰。总体而言，HDC 揭示了人类大脑在自然语音理解过程中如何不断构建和维持语言层次，从而将语言理论锚定到其生物学实现上。
基于工厂的编码一个逻辑量子位的量子极性码的容错准备
最近提出了一种容错方法来准备 Q 1 码的逻辑码态，即编码一个量子比特的量子极性码。其中的容错性由错误检测装置保证，如果在准备过程中检测到错误，则完全丢弃准备。由于错误检测，准备是概率性的，其成功率（称为准备率）随代码长度的增加而迅速下降，从而阻止了大代码长度的代码状态的准备。在本文中，为了提高准备率，我们考虑工厂准备 Q 1 码态，其中尝试并行准备多个 Q 1 码态副本。使用额外的调度步骤，我们可以避免每次检测到错误时完全丢弃准备，从而反过来提高准备率。我们进一步提供了一种理论方法来估计使用工厂准备准备的 Q 1 码的准备和逻辑错误率，该方法被证明与基于蒙特卡洛模拟的数值结果紧密相关。因此，我们的理论方法可用于为大代码长度提供估计，而蒙特卡罗模拟实际上并不可行。对于电路级去极化噪声模型，我们的数值结果表明准备率显著增加，特别是对于较大的代码长度 N 。例如，对于 N = 256 ，对于实际有趣的物理错误率 p = 10 − 3 ，它从 0.02% 增加到 27%。值得注意的是，N = 256 的 Q 1 码在 p = 10 − 3 和 p = 3 × 10 − 4 时分别实现了大约 10 − 11 和 10 − 15 的逻辑错误率。与具有相似代码长度和最小距离的表面码相比，这相当于提高了大约三个数量级，从而表明所提出的方案用于大规模容错量子计算的前景。