XiaoMi-AI文件搜索系统
World File Search System高斯
在大规模队列研究中使用高斯预测过程有效估计 SNP 遗传力
随着高通量遗传数据的出现，人们尝试使用线性混合模型 (LMM) 从远亲群体的全基因组 SNP 数据中估计遗传力。然而，在大型群体研究中拟合这样的 LMM 极具挑战性，因为它涉及高维线性代数运算。在本文中，我们提出了一种名为 PredLMM 的新方法，该方法近似于上述 LMM，其灵感来自遗传聚合和高斯预测过程的概念。PredLMM 的计算复杂度明显优于大多数现有的基于 LMM 的方法，因此为估计大规模群体研究中的遗传力提供了一种快速的替代方法。从理论上讲，我们表明，在遗传聚合模型下，我们近似的极限形式是著名的大高斯过程似然的预测过程近似，该近似具有完善的准确性标准。我们通过广泛的模拟研究说明了我们的方法，并用它来估计英国生物银行队列中多种数量性状的遗传性。
超导量子比特非高斯纠缠态的计量学表征
多粒子纠缠态是量子信息处理和量子计量的重要资源。特别是，非高斯纠缠态被预测比高斯态具有更高的精密测量灵敏度。在计量灵敏度的基础上，传统的线性拉姆齐压缩参数 (RSP) 可以有效地表征高斯纠缠原子态，但对于范围更广、灵敏度更高的非高斯态则无效。这些复杂的非高斯纠缠态可以通过非线性压缩参数 (NLSP) 进行分类，它是 RSP 对非线性可观测量的推广，可通过 Fisher 信息识别。然而，NLSP 从未通过实验测量过。使用 19 量子比特可编程超导处理器，我们报告了在其非线性动力学过程中产生的多粒子纠缠态的表征。首先，我们选择 10 个量子比特，通过单次读取几个不同方向的集体自旋算子来测量 RSP 和 NLSP。然后，通过提取所有 19 个量子比特随时间演化状态的 Fisher 信息，我们观察到超过标准量子极限的 9.89 + 0.28 − 0.29 dB 的较大计量增益，这表明多粒子纠缠程度很高，可实现量子增强相位灵敏度。得益于高保真全控制和可寻址单次读取，具有互连量子比特的超导处理器为设计和基准测试可用于量子增强计量的非高斯纠缠态提供了理想平台。
训练人工智能识别可实现的高斯图
可实现高斯图的概念属于拓扑学的数学领域，更具体地说，是封闭平面曲线的研究。对于一条封闭的平面曲线，例如（图1, a）所示，它的高斯码（或高斯字）可以通过用不同的符号（或数字）标记所有交点，然后沿着曲线一路行进并记下途中遇到的标签来获得。例如，（图1, a）所示曲线的高斯码之一是 123123。很容易看出，具有 n 个交点的曲线的高斯码长度为 2 n，它是一个双出现字，也就是说，每个符号在其中恰好出现两次。任何双出现词 w 都可以与其弦图相关联；它由一个圆圈组成，所有 w 符号都顺时针排列在圆圈周围，弦连接用相同符号标记的点，如图1,b 所示。如果可以从平面曲线中获得双出现词及其对应的弦图，则该词和图都称为可实现的。并非每个高斯图都是可实现的；例如，（图2）和（图3）中的图是不可实现的。
直接检测来自...的量子非高斯光
量子通知，传感和计算中的许多应用都需要证明是量子非高斯光。据估计，从单个原子中估计，从单个原子散布到高档腔[17]的单个原子中估计了这种光[17]。这为许多具有原子和固态发射的量子的量子非高斯光开设了研究。然而，在早期阶段，具有不同通道的腔体系统中的原子或发射极是无法产生负极功能的其他噪声。此外，对于此类实验，Ho-Modyne检测通常是具有挑战性的。我们分析了这些问题，并证明可以使用这种空腔来散发量子非高斯光，该光线在汉伯里棕色和三丝体中使用单光子检测，以及适合此测量的量子。当Wigner函数的负函数完全消失时，我们会详细介绍大量空腔泄漏的情况。ge，量子非高斯光仍然可以最终证明大量的空腔参数，即使存在噪声，也可以以整体测量时间为代价。
三模高斯态的量子照明
随着现代经典技术中集成电路 (IC) 越来越小，量子力学的作用越来越突出，因此量子技术 (基于量子力学和量子信息论的技术 [1]) 变得越来越重要。利用量子技术构建的代表是量子计算机 [2]，最近利用超导量子比特已经实现。在量子信息处理中，量子纠缠 [1,3,4] 作为一种物理资源发挥着重要作用，被用于各种量子信息处理，如量子隐形传态 [5,6]、超密集编码 [7]、量子克隆 [8]、量子密码学 [9,10]、量子计量学 [11] 和量子计算机 [2,12,13]。几年前，人们开始探索纠缠辅助目标检测协议（称为量子照明 [ 14 , 15 ]）及其实验实现 [ 16 – 20 ]。量子照明是一种利用量子纠缠的协议
噪声信道中双模高斯态的可提取量子功
我们研究了一种基于高斯态的 Szilard 引擎，该系统由两个玻色子模式组成，位于一个噪声通道中。系统的初始状态为纠缠压缩热态，通过对两个模式之一进行测量来提取量子功。我们使用马尔可夫 Kossakowski-Lindblad 主方程来描述开放系统的时间演化，并使用基于二阶 Rényi 熵的量子功定义来模拟引擎。我们表明，可提取的量子功随着库的温度和模式之间的压缩、热光子的平均数量和模式的频率而增加。功也随着测量强度的增加而增加，在异差检测的情况下达到最大值。同样，随着噪声通道的压缩参数的增加，可提取的功也在减少，并且它随着压缩热库的相位而振荡。
来自凯勒结构的玻色子和费米子高斯态
我们证明玻色子和费米子高斯态（也称为“压缩相干态”）可用其线性复结构 J 来唯一表征，该结构是经典相空间上的线性映射。这扩展了基于协方差矩阵的传统高斯方法，并提供了一个同时处理玻色子和费米子的统一框架。纯高斯态可以用兼容凯勒结构的三重 ( G , Ω , J ) 来识别，由正定度量 G、辛形式 Ω 和线性复结构 J 组成，其中 J 2 = − 1 。混合高斯态也可以用这样的三重结构来识别，但 J 2 ̸ = − 1 。我们应用这些方法来展示如何将涉及高斯态的计算简化为这些对象的代数运算，从而得到许多已知和一些未知的身份。我们将这些方法应用于研究（A）纠缠和复杂性、（B）稳定系统的动力学、（C）驱动系统的动力学。由此，我们编制了一份全面的数学结构和公式列表，以并排比较玻色子和费米子高斯态。
使用高斯过程因子模型识别神经种群活动中的信号和噪声结构
神经数据集通常包含在重复刺激或行为的多个试验中测量神经活动的测量。对此类数据集的分析中的一个重要问题是表征神经活动的系统方面，这些方面携带有关重复刺激或感兴趣的行为的信息，这些刺激或行为可以视为“信号”，并将它们与在活动到试验中的频率分开，而这些活动的刺激时间却不是时间到刺激，而这些分析可以被视为“噪声”。高斯过程因子模型为识别高维神经数据中的共享结构提供了强大的工具。但是，它们尚未适应多试验数据集中信号和噪声的问题。在这里，我们通过提出“信号 - 噪声”泊松泊式高斯过程因子分析（SNP-GPFA）来解决这一缺点，这是一种可浮动的潜在可变模型，可在神经种群尖峰活动中解析信号和噪声潜在结构。为了了解模型的参数，我们引入了一个傅立叶黑框变分推理方法，该方法迅速识别平滑的潜在结构。最终的模型可靠地发现了大规模记录中的潜在信号和试验到试验噪声相关的闪光。我们使用此模型表明，在猴子V1中，噪声闪烁在子空间正交中对信号活动的扰动神经活动，这表明逐审噪声不会干扰信号表示。最后，我们扩展了模型以捕获多区域数据中大脑区域的统计依赖性。我们表明，在鼠标Visual Cortex中，在大脑区域之间具有共享噪声的模型超过具有独立每个区域噪声的模型。
基于广义修正大气光谱的湍流对高斯光束传输影响的分析与仿真
多年来，大气湍流一直是物理学和工程学领域的研究热点。当激光束在大气中传播时，它会受到散射、吸收和湍流等不同光学现象的影响。大气湍流效应是由折射率的变化引起的。不同大小的涡流会影响光波在大气中的传播。折射率的这些变化会导致传播的激光束产生不同的变化，如光束漂移、光束扩散和图像抖动。所有这些影响都会严重降低光束质量 (M 平方) 并降低系统在某些应用中的性能效率，包括自由空间光通信、激光雷达-激光雷达应用和定向能武器系统 [1- 5]。传统上，湍流由 Kolmogorov 模型类型定义。Kolmogorov 谱的幂律值为 11/3，用于描述高斯分布 [6]。许多光谱具有特定的内尺度和外尺度，如 Tatarskii 光谱、von Karman 光谱、Kolmogorov 光谱和广义修正光谱 [7]。本研究采用广义修正大气光谱模型。我们通过数值和分析方法执行高斯激光光束在不同传播距离下的传播行为。此外，我们还研究了一些参数对光束传播的影响。讨论了所有模拟结果，并将其与文献中的结果进行了比较。