XiaoMi-AI文件搜索系统
World File Search System行走
哈伯德晶体中的光镊可编程二维量子行走......
量子行走为设计量子算法提供了一个既直观又通用的框架。为了充分利用这些行走的计算能力，重要的是能够以编程方式修改行走器遍历的图形，同时保持一致性。我们通过将光镊提供的快速可编程控制与光学晶格的可扩展、均匀环境相结合来实现这一点。利用这些工具，我们研究方格上单个原子的连续时间量子行走，并使用这些行走进行空间搜索的原理验证演示。当扩展到更多粒子时，所展示的功能可以扩展到研究量子信息科学中的各种问题，包括使用具有更高连通性的更大图形执行更有效的空间搜索版本。
利用物联网中的量子行走提供端到端安全
1 埃及梅努菲亚大学理学院数学与计算机科学系，Shebin El-Koom 32511 2 埃及梅努菲亚大学网络安全、量子信息处理和人工智能卓越中心，Shebin El-Koom 32511 3 墨西哥蒙特雷技术大学，工程与科学学院，蒙特雷 64849 4 埃及卡夫雷尔谢赫大学计算机与信息学院计算机科学系，Kafrelsheikh 33516 5 韩国世宗大学计算机工程系，首尔 05006 6 英国曼彻斯特城市大学计算与数学系，曼彻斯特 M15 6BH 7 韩国世宗大学软件系，首尔 05006 8 波兰华沙理工大学计算机科学研究所，00-665
使用 LSTM 对站立、行走和跑步数据集上的 EEG 信号进行分类
伦敦 V.Gandhi@mdx.ac.uk 摘要 - 毫无疑问，脑机接口 (BCI) 方法最重要的分支之一是通过脑信号进行替代通信的方法。BCI 利用软件和硬件将来自大脑活动感知的脑电图 (EEG) 信号转换为用户动作。BCI 引起了广泛学科研究人员的兴趣，例如认知科学、深度学习、模式匹配、药物治疗医学等。患有神经和认知障碍的患者可以通过 BCI 得到帮助，有可能通过手势或仅仅是心理想象实现交流。在本文中，采用了一种新颖的离散小波变换 (DWT) 组合来提取最佳特征，并采用了基于长短期记忆 (LSTM) 的循环神经网络 (RNN) 对站立、行走和在跑步机上跑步时获取的 EEG 信号进行分类。使用的数据集可从开放科学框架存储库免费下载。所提出的 DWT-LSTMRNN 方法在对四种不同信号进行分类时可实现 96.7% 的准确率，因此有可能在 BCI 竞赛数据集上进行进一步研究，为实时应用铺平道路。
不仅仅是能量消耗：长跟腱在人类行走和跑步中的多重益处
运动过程中，长远端肌腱（如跟腱）储存和释放的弹性应变能量可增强肌肉力量并降低运动能量消耗：由于远端肌腱在回弹过程中进行机械工作，跖屈肌纤维可以在较小的长度范围内、较慢的缩短速度和较低的激活水平下工作。很少有证据表明人类进化出长远端肌腱（或保留自我们更远的人科祖先）主要是为了实现较高的肌肉 - 肌腱功率输出，事实上，与许多其他物种相比，我们的力量仍然相对较弱。相反，大多数证据表明，这种肌腱的进化是为了降低总运动能量消耗。然而，长肌腱还有许多其他优势，通常未被认识到，据推测可能具有更大的进化优势，包括由于肌肉更短更轻而减少肢体惯性（减少近端肌肉力量需求），减少足部与地面碰撞时的能量耗散，能够储存和重复使用肌肉所做的工作以减弱足部与地面碰撞引起的振动，减少肌肉产热（从而降低核心温度），以及减轻工作引起的肌肉损伤。 总的来说，这些影响应该可以减少神经运动疲劳和运动用力感，使人类可以选择以更快的速度移动更长时间。 由于这些好处在更快的运动速度下更大，因此它们与以下假设一致：我们的祖先使用的跑步步态可能对跟腱长度产生了巨大的进化压力。因此，长跟腱可能是一种独特的适应性，它提供了许多生理、生物力学和心理方面的好处，从而影响了多种任务中的行为，包括运动和运动之外的行为。虽然能量成本可能是运动研究中感兴趣的变量，但未来的研究应该考虑影响我们运动能力的更广泛的因素，包括我们决定以特定速度移动给定距离，以便更充分地了解跟腱功能的影响以及该功能在身体活动、不活动、废用和疾病对运动表现的影响。
非厄米物理的非幺正量子行走方法
[1] K. Mochizuki, D. Kim, 和 H. Obuse, Phys. Rev. A 93 , 062116 (2016)。[2] L. Xiao, X. Zhan, ZH Bian, KK Wang, X. Zhang, XP Wang, J.Li, K. Mochizuki, D. Kim, N. Kawakami,Y. Wi, H. Obuse, B. Sanders, P. Xue, Nature Phys. 13 , 1117 (2017)。[3] L. Xiao, X. Qin, K. Wang, Z. Bian, X. Zhan, H. Obuse, B.Sanders, W. Yi, P. Xue, Phys. Rev. A 98 , 063847 (2018)。[4] K. Mochizuki, D. Kim, N. Kawakami, 和 H. Obuse, Phys. Rev. A, 102 , 062202 (2020)。[5] M. Kawasaki、K. Mochizuki、N. Kawakami 和 H. Obuse, Prog. Theor. Exp. Phys. 2020 , 12A105 (2020)。[6] N. Hatano 和 H. Obuse, Annals of Physics 435, 168615 (2021)。[7] T. Bessho、K. Mochizuki、H. Obuse 和 M. Sato, Phys. Rev. B 105 , 094306 (2022)。[8] R. Okamoto、N. Kawakami 和 H. Obuse（准备中）。
随机晶格上的量子行走：扩散、局域化和参数量子加速的缺失
离散时间量子游动是经典随机游动的量子泛化，为凝聚态系统的量子信息处理、量子算法和量子模拟提供了框架。量子游动的关键特性是其量子信息应用的核心，与经典随机游动相比，量子游动在传播中可以实现参数量子加速。在这项工作中，我们研究了量子游动在渗透产生的二维随机晶格上的传播。在拓扑和平凡分步游动的大规模模拟中，我们在不同的时间尺度上确定了不同的预扩散和扩散行为。重要的是，我们表明，即使是任意弱的随机移除晶格位点浓度也会导致超扩散量子加速的完全崩溃，从而将运动降低为普通扩散。通过增加随机性，量子游动最终会由于 Anderson 局域化而停止扩散。在局域化阈值附近，我们发现量子游动变为亚扩散。量子加速的脆弱性意味着随机几何和图上的量子游动的量子信息应用将受到巨大限制。
帕金森病患者丘脑底核的步态编码原理
帕金森病患者丘脑底核动力学的破坏会导致行走障碍。在此，我们旨在揭示丘脑底核编码帕金森病患者功能性和功能障碍性行走的原理。我们设计了一个神经机器人平台，使我们能够在控制良好的条件下解构行走的关键组成部分。我们在 18 名帕金森病患者身上利用了这个平台，这使我们能够证明丘脑底核编码腿部肌肉激活的开始、终止和活力。我们发现相同的基本原理决定了行走的编码。我们将这种理解转化为机器学习框架，该框架可以解码肌肉激活、行走状态、运动活力和步态冻结。这些结果揭示了丘脑底核动力学编码行走的关键原理，从而有可能利用这些信号操作神经假体系统，以改善帕金森病患者的行走能力。
使用 Metamax3B 评估中风患者行走过程中心肺参数的重测信度
（V ̇ O 2 ：氧气消耗量；V ̇ CO 2 ：二氧化碳生成量；V ̇ O 2 .kg -1 ：每公斤氧气消耗量；RER：
大脑-身体任务共同适应可以提高自主学习和双足行走的速度
摘要 受到动物大脑和身体共同适应环境的启发，我们提出了一种肌腱驱动和过度驱动（即 n 个关节、n + 1 个执行器）的双足机器人，它 (i) 利用其可反向驱动的机械特性来管理身体与环境的相互作用，而无需明确控制，以及 (ii) 使用简单的 3 层神经网络在仅 2 分钟的“自然”运动喋喋不休（即与腿部和任务动态兼容的探索策略；类似于儿童游戏）后即可学会走路。这种大脑与身体的协作首先学会在“空中”产生脚的周期性运动，并且无需进一步调整，就可以在双足动物放低到与地面轻微接触时产生运动。相比之下，用 2 分钟的“幼稚”运动喋喋不休（即忽略腿部任务动态的探索策略）进行训练，不会在“空中”产生一致的周期性运动，并且在与地面轻微接触时会产生不稳定的运动并且没有运动。当进一步降低双足动物并使期望的腿部轨迹达到地面以下 1 厘米时（导致期望轨迹与实际轨迹之间的误差不可避免），基于自然或幼稚的咿呀学语的周期性运动呈现出几乎同样持续的趋势，并且随着幼稚的咿呀学语而出现运动。因此，我们展示了如何通过植根于植物可反向驱动特性的持续物理适应来驱动在不可预见的情况下不断学习行走，并通过利用植物动力学的探索策略来增强这种适应。我们的研究还表明，受生物启发的肢体和控制策略的共同设计和共同适应可以在没有明确控制轨迹误差的情况下产生运动。