XiaoMi-AI文件搜索系统
World File Search System解码器
Actis：严格的地方工会——寻找解码器
容错量子计算需要经典硬件来执行纠错所需的解码。并查集解码器是最佳候选解码器之一。它具有非常有机的特性，涉及通过最近邻步骤增长和合并数据结构；这自然表明它有可能使用带有最近邻链接的简单处理器格来实现。这样，计算负载可以以近乎理想的并行性进行分配。在这里，我们首次证明了这种严格（而非部分）局部性是实用的，最坏情况运行时间为 O(d3)，平均运行时间在表面代码距离 d 上是亚二次的。我们采用了一种新颖的奇偶校验计算方案，可以简化以前提出的架构，并且我们的方法针对电路级噪声进行了优化。我们将我们的局部实现与通过长距离链接增强的实现进行了比较；虽然后者当然更快，但我们注意到本地异步逻辑可能会消除差异。
基于EEG脑电信号的双深度Q网络解码器...
摘要：脑机接口（BCI）利用神经活动作为控制信号，实现人脑与外部设备之间的直接通信，通过脑电图（EEG）捕捉大脑产生的电信号，将其转化为反映用户行为的神经意图，正确解码神经意图才能实现对外部设备的控制。基于强化学习的BCI增强解码器仅基于环境的反馈信号（奖励）完成任务，构建了从神经意图到适应变化环境的动作的动态映射通用框架。但使用传统的强化学习方法存在维数灾难、泛化能力差等挑战。因此，本文利用深度强化学习构建解码器以正确解码EEG信号，通过实验证明其可行性，并在具有高动态特性的运动成像（MI）EEG数据信号上展示其更强的泛化能力。
基于极地代码的查找表的展开和管道解码器
摘要 - 解码算法允许以增加面积的成本实现极高的吞吐量。查找表（LUTS）可用于替换其他作为电路实现的功能。在这项工作中，我们显示了通过在独立的解码器中精心制作的LUTS代替逻辑块的影响。我们表明，使用LUTS改善关键性能指标（例如，区域，吞吐量，潜伏期）可能比预期更具挑战性。我们提出了三种基于LUT的解码器的变体，并详细描述了它们的内部工作以及电路。基于LUT的解码器与常规展开的解码器进行了比较，该解码器采用固定点表示数字，具有可比的误差校正性能。简短的系统极性代码被用作说明。所有由此产生的展开解码器均显示能够在28 nm FD-SOI技术中以1.4 GHz至1.5 GHz的时钟进行少于10 Gbps的信息吞吐量。与常规展开的解码器相比，我们的基于LUT的解码器的最佳变体可将面积的需求降低23％，同时保留可比的错误校正性能。
一种可扩展且快速的人工神经网络表面码伴生解码器
表面码纠错为实现可扩展容错量子计算提供了一种非常有前途的途径。当作为稳定器码运行时，表面码计算包括一个综合征解码步骤，其中使用测量的稳定器算子来确定物理量子比特中错误的适当校正。解码算法已经取得了长足的发展，最近的研究结合了机器学习 (ML) 技术。尽管初步结果很有希望，但基于 ML 的综合征解码器仍然局限于小规模低延迟演示，无法处理具有边界条件和晶格手术和编织所需的各种形状的表面码。在这里，我们报告了一种可扩展且快速的综合征解码器的开发，该解码器由人工神经网络 (ANN) 驱动，能够解码任意形状和大小的表面码，数据量子比特受到各种噪声模型的影响，包括去极化误差、偏置噪声和空间非均匀噪声。解码过程包括由 ANN 解码器进行综合征处理，然后进行清理步骤以纠正任何残留错误。基于对 5000 万个随机量子错误实例的严格训练，我们的 ANN 解码器被证明可以处理超过 1000（超过 400 万个物理量子比特）的代码距离，这是最大的 ML-
数据集大小和长期基于 ECoG 的 BCI 使用对深度学习解码器性能的影响
通过思维与效应器进行交互，可以使这些患者在日常生活中恢复一定的自主权。例如，基于运动想象的 BCI 已被用于控制脊髓损伤后截瘫或四肢瘫痪患者的上肢（ Hochberg 等人， 2012 年； Collinger 等人， 2013 年； Wodlinger 等人， 2014 年； Edelman 等人， 2019 年）、下肢（ López-Larraz 等人， 2016 年； He 等人， 2018 年）和四肢（ Benabid 等人， 2019 年）的假肢或外骨骼。在本研究中，我们重点研究基于皮层脑电图 (ECoG) 的运动 BCI，这是一种很有前途的工具，与更具侵入性的方法相比，它可以实现神经假体控制的连续 3D 手部轨迹解码，同时降低植入风险 ( Volkova 等人，2019)。BCI 记录神经元活动并将其解码为效应器的控制命令。解码器通常以监督的方式使用机器学习算法进行训练。在绝大多数研究中，由于对记录的访问有限，训练数据集受到严格限制。同时，数据集大小是机器学习分析中的一个重要因素，会极大地影响整个系统的性能。与最近的计算机视觉和自然语言处理研究（Kaplan 等人，2020 年；Rosenfeld 等人，2020 年；Hoiem 等人，2021 年）相比，对于 BCI，很少研究训练数据的最佳数量，即解码器性能在给定应用中达到稳定状态的数量（Perdikis and Millan，2020 年）。尤其是学习曲线，它提供了对模型性能和训练集大小之间关系的洞察，但却很少被提出。学习曲线可用于模型选择、减少模型训练的计算量或估计向训练数据集添加更多数据的理论影响（Viering and Loog，2021 年）。考虑到人类记录的数据集的访问权限有限，最后一点在 BCI 中尤为重要。如果不知道系统性能和数据集大小之间的关系，就很难确定提高解码器准确性的策略：增加训练数据量还是增加模型容量。对于基于 ECoG 的运动 BCI，大多数模型的容量有限。所使用的解码器是卡尔曼滤波器（Pistohl 等人，2012 年；Silversmith 等人，2020 年）并且大多是线性模型的变体（Flamary 和 Rakotomamonjy，2012 年；Liang 和 Bougrain，2012 年；Nakanishi 等人，2013 年、2017 年；Chen 等人，2014 年；Bundy 等人，2016 年；Eliseyev 等人，2017 年）。在大多数这些研究中，解码器优化都是在包含几分钟或几十分钟信号的数据库上进行的。这会产生可用的模型，但并未提供有关可以通过更多数据实现的性能提升的任何信息，也没有比较多个解码器之间的数据量/性能关系。在 BCI 中，模型特征和学习曲线并不是影响解码器性能的唯一因素。人类生成独特脑信号模式的能力对于 BCI 系统至关重要。近年来的研究主要集中在开发越来越高效的解码器上，例如深度学习 (DL)（Bashivan 等人，2015 年；Elango 等人，2017 年；Schirrmeister 等人，2017 年；Du 等人，2018 年；Lawhern 等人，2018 年；Pan 等人，2018 年；Xie 等人，2018 年；Zhang 等人，2019 年；Rashid 等人，2020 年；´ Sliwowski 等人，2022 年），而不是耐心学习或共同适应（Wolpaw 等人，2002 年；Millan，2004 年），尽管一些研究表明
线性丢番图方程 (LDE) 解码器：训练... - CDN
用户意图。基于 SSVEP 与视觉刺激调制频率锁定这一知识，界面通常设置为在场景中具有多个目标，每个目标都标记有一个通过闪烁传递的唯一频率。目标可以是放置在物体上或附近的发光二极管 (LED)，以表示潜在动作、物品或到达坐标 [4–7]，也可以表示在计算机屏幕上，每个目标块代表 BMI 拼写器中的字符或用于控制计算机或其他设备的命令 [8–10]。为了从界面中呈现的所有目标中识别出用户的预期目标，解码算法会分析包含 SSVEP 的收集到的脑信号的频率成分，并根据主要频率特征做出决策。在典型的 SSVEP 设置中，诱发的 SSVEP 包含刺激频率 𝑓 ，以及该频率的谐波 2 𝑓、3 𝑓，... [1, 11]。传统基于 SSVEP 的 BMI 的局限性之一是目标数量受到 SSVEP 有限的响应范围 [1] 和谐波存在的限制，如果在界面中同时使用某个频率及其谐波，可能会导致错误分类。这减慢了 BMI 在提高命令处理能力（命令数量）方面的发展 [12]。为了解决这个问题，引入了多频 SSVEP 刺激方法，旨在增加在有限频率下可呈现的目标数量 [13–17]。然而，多频 SSVEP 的解码器尚未得到广泛探索。现有的多频 SSVEP 解码器包括基于功率谱密度的分析（PSDA）[15, 17]、多频典型相关分析（MFCCA）[18] 和针对每个单独用户或用例的基于训练的算法 [13, 19]。与两种无需训练的方法相比，基于训练的算法具有更高的分类准确率，但需要为每个用户进行额外的训练和界面设置。PSDA 和 MFCCA 支持即插即用，提高了 BMI 的实用性。然而，PSDA 通常解码准确率有限，因为它没有充分考虑多频 SSVEP 中的复频率特征，这些特征不仅包含刺激频率及其谐波（如单频 SSVEP），还包含刺激频率之间的线性相互作用 [16]。MFCCA 通过在解码中引入线性相互作用而显示出在多频 SSVEP 解码中的优势 [18]，但 MFCCA 的一个主要问题是它是基于典型相关分析 (CCA) [20] 开发出来的，具有很高的时间复杂度。 CCA 的渐近时间复杂度为 O ( lD 2 ) + O ( D 3 ) （以 O ( n 3 ) 为界，其中 n 表示解码时的输入大小），其中 l
有效的U-NET体系结构，具有多个编码器和注意机制解码器的脑肿瘤分割
摘要：大脑是人类控制和交流的中心。因此，保护它并为其提供理想条件非常重要。脑癌仍然是世界上死亡的主要原因之一，并且检测恶性脑肿瘤是医疗图像分割的优先事项。与正常组织相比，脑肿瘤分割任务旨在鉴定属于异常区域的像素。深度学习近年来已经解决了解决这个问题的力量，尤其是类似U-Net的架构。在本文中，我们提出了一个有效的U-NET架构，其中包含三个不同的编码器：VGG-19，Resnet50和MobilenetV2。这是基于转移学习，然后是应用于每个编码器的双向特征金字塔网络，以获得更多的空间相关特征。然后，我们融合了从每个网络的输出中提取的特征图，并通过注意机制将它们合并到我们的解码器中。在Brats 2020数据集上评估了该方法，以分割不同类型的肿瘤，结果在骰子相似性方面表现出良好的性能，整个肿瘤，核心肿瘤和增强肿瘤的系数为0.8741、0.8069和0.7033。
使用张量网络解码器对泡利噪声进行量子编码的随机 Clifford 电路
其中 p I + p X + p Y + p Z = 1。我们主要考虑去极化噪声的情况 p X = p Y = p Z = p / 3，p I = (1 − p )。▶ 众所周知 1 使用随机 Clifford 单位向量进行编码，可以实现称为哈希界限的速率
非人类灵长类动物的实时脑机接口利用浅前馈神经网络解码器实现高速假肢手指运动
尽管用于恢复运动功能的脑机接口技术发展迅速，人们对此也产生了浓厚的兴趣，但假手指和假肢的性能仍无法模仿自然功能。将脑信号转换为假肢控制信号的算法是实现快速逼真的手指运动的限制因素之一。为了实现更逼真的手指运动，我们开发了一个浅层前馈神经网络来解码两只成年雄性恒河猴的实时双自由度手指运动。使用两步训练方法，引入重新校准的反馈意图训练 (ReFIT) 神经网络以进一步提高性能。在对两只动物进行 7 天的测试中，神经网络解码器的手指运动速度更快、更自然，与代表当前标准的 ReFIT 卡尔曼滤波器相比，吞吐量提高了 36%。这里介绍的神经网络解码器展示了优于当前最先进水平的连续运动的实时解码，并可以为使用神经网络开发更自然的脑控假肢提供一个起点。
GlioMod：利用深度编码器-解码器网络进行时空感知的多形性胶质母细胞瘤肿瘤生长建模
多形性胶质母细胞瘤是一种侵袭性脑肿瘤，由于其侵袭性生长动力学，其存活率是所有人类癌症中最低的。这些动力学导致复发性肿瘤袋隐藏在医学影像之外，而标准的放射治疗和手术边缘无法覆盖这些肿瘤袋。通过偏微分方程 (PDE) 对肿瘤生长进行数学建模是众所周知的；然而，由于运行时间长、患者间解剖差异大以及忽略患者当前肿瘤的初始条件，它仍未在临床实践中采用。本研究提出了一种多形性胶质母细胞瘤肿瘤演化模型 GlioMod，旨在学习肿瘤浓度和大脑几何形状的时空特征，以制定个性化治疗计划。使用基于 PDE 的建模，从真实患者解剖结构生成 6,000 个合成肿瘤的数据集。我们的模型采用图像到图像回归，使用一种新颖的编码器-解码器架构来预测未来状态下的肿瘤浓度。 GlioMod 的测试是模拟肿瘤生长和重建患者解剖结构，在 900 对未见脑几何结构上与 PDE 求解的未来肿瘤浓度相对应。我们证明，通过神经建模实现的时空背景可以产生针对患者个性化的肿瘤演化预测，并且仍然可以推广到未见解剖结构。其性能在三个方面衡量：(1) 回归误差率、(2) 定量和定性组织一致性，以及 (3) 与最先进的数值求解器相比的运行时间。结果表明，GlioMod 可以高精度地预测肿瘤生长，速度提高了 2 个数量级，因此适合临床使用。GlioMod 是一个开源软件包，其中包括我们研究中从患者生成的合成肿瘤数据。