XiaoMi-AI文件搜索系统
World File Search SystemAPR
![arxiv：2404.10901v1 [CS.AI] 2024年4月16日](/simg/g:\will\search\icon\source\a\a0b09a83b907fac24dd8321c8bc61a8a734f9545.webp)
arxiv：2404.10901v1 [CS.AI] 2024年4月16日
摘要。糖尿病患者数量的增加是当今社会的一个严重问题，这对人们的健康和该国的金融支出产生了重大负面影响。由于糖尿病可能会发展为潜在的严重并发症，因此对于及时的医疗治疗，需要对糖尿病患者的早期葡萄糖预测。现有的葡萄糖前字典方法通常利用患者的私人数据（例如年龄，性别，种族）和生理参数（例如血压，心率）作为葡萄糖预测的参考特征，这不可避免地导致隐私保护问题。此外，这些模型通常集中于长期（基于每月的）或短期（基于分钟）的预测。长期预测方法通常是不准确的，因为外部不确定性会极大地影响葡萄糖值，而短期的不确定性则无法提供及时的医疗指导。基于上述问题，我们提出了CrossGP，这是一个新型的机器学习框架，用于跨日葡萄糖预测，仅基于患者的外部功能，而无需涉及任何生理参数。同时，我们实施了三个基线模型进行比较。对安德森数据集的广泛实验强烈证明了CrossGP的卓越性能，并证明了其未来现实生活应用的潜力。
![arXiv:2304.14919v1 [eess.SP] 2023 年 4 月 26 日](/simg/g:\will\search\icon\source\e\e6ec1b3829732dbc1ce8187ace6d88e29d133d95.webp)
arXiv:2304.14919v1 [eess.SP] 2023 年 4 月 26 日
基于连续脑电图 (cEEG) 的视觉频谱表示的患者独立癫痫活动检测已广泛用于诊断癫痫。然而，由于不同受试者、通道和时间点的细微变化，精确检测仍然是一项相当大的挑战。因此，捕获与高频纹理信息相关的脑电图模式的细粒度、判别性特征尚未解决。在这项工作中，我们提出了散射变压器 (ScatterFormer)，这是一种基于不变散射变换的分层变压器，它特别关注细微特征。特别是，解缠结的频率感知注意力 (FAA) 使变压器能够捕获具有临床信息的高频成分，基于多通道脑电图信号的视觉编码提供了一种新的临床可解释性。在两个不同的癫痫样检测任务上的评估证明了我们方法的有效性。我们提出的模型在 Rolandic 癫痫患者中实现了 98.14% 和 96.39% 的中位 AUCROC 和准确率。在新生儿癫痫发作检测基准上，其平均 AUCROC 比最先进的方法高出 9%。
![arXiv:2304.09397v1 [quant-ph] 2023 年 4 月 19 日](/simg/g:\will\search\icon\source\1\1114c09f1a28f97f1c4b68e9f0b2c702f12d6db3.webp)
arXiv:2304.09397v1 [quant-ph] 2023 年 4 月 19 日
光子是量子信息的强大载体，可通过卫星在自由空间中传输，也可通过地面光纤在长距离中传输。长距离量子态纠缠可以实现量子计算、量子通信和量子传感。量子光学存储器可以有效地存储和操纵量子态，这使其成为未来长距离量子网络中不可或缺的元素。在过去的二十年里，高保真度、高效率、长存储时间和有希望的复用能力的量子光学存储器已经得到开发，特别是在单光子水平上。在这篇综述中，我们介绍了常用量子存储协议的工作原理，并总结了量子存储演示的最新进展。我们还对未来的量子光学存储设备进行了展望，这些设备可能实现长距离纠缠分布。
![arXiv:2205.02761v1 [physics.soc-ph] 2022 年 4 月 10 日](/simg/g:\will\search\icon\source\0\081bcf3070cad808300ddcad3c156851681986db.webp)
arXiv:2205.02761v1 [physics.soc-ph] 2022 年 4 月 10 日
量子计算有望对社会产生深远影响。在本文中，我们讨论了对人类生存风险的潜在影响。即使大规模容错量子计算的时间表仍不清楚，量子计算机最终很有可能在某些实际应用中实现指数级加速。我们认为量子模拟是这方面最相关的应用，并定性地概述了不同的风险轨迹。预计量子计算对生存风险的影响既有放大作用，也有减轻作用。为了防止量子计算成为生存风险的放大器，我们呼吁科学界加大努力，降低未来潜在的量子风险。这一观点旨在为量子计算技术风险的讨论增加一个新的视角。
![arXiv:2103.07526v3 [quant-ph] 2022 年 4 月 11 日](/simg/g:\will\search\icon\source\1\13d169c8c09cf8581f8591c9605b6a4022cde515.webp)
arXiv:2103.07526v3 [quant-ph] 2022 年 4 月 11 日
量子计算的标准方法基于这样一种想法：通过添加“魔法”量子态，将经典可模拟和容错操作集提升为通用集。在此背景下，我们开发了一个通用框架来讨论可用的非理想魔法资源相对于理想所需资源的价值。我们挑选出一个量，即量子辅助魔法鲁棒性 (QRoM)，它衡量通过基于准概率的方法用非理想资源模拟理想资源的开销。这将最初为嘈杂中尺度量子 (NISQ) 设备开发的错误缓解技术扩展到量子位被逻辑编码的情况。QRoM 展示了如何通过添加嘈杂魔法资源来增强量子电路的经典准概率模拟，并能够构建显式协议，在经典模拟和理想量子计算机之间进行插值。
![arxiv：2110.10011v2 [CS.HC] 2022年5月5日](/simg/g:\will\search\icon\source\a\a09f2104f2344c5834d46523544b5e6b6a5dbd6a.webp)
arxiv：2110.10011v2 [CS.HC] 2022年5月5日
端到端平台组装多个层是为精确认识大脑活动而构建的。是大规模的脑电图（EEG）数据，时间频谱图被典型地投射到插曲特征特征上（被视为tier-1）。基于尖峰的神经网络（SNN）的层旨在根据稀有特征从稀有特征中提取启动信息，该特征保持了脑电图本质的时间范围。所提出的层3从snn转移峰值图案的时间和空间域；并将转置模式 - 纳入将被称为Tier-4的人工神经网络（ANN，Transformer）馈入，其中提出了一种特殊的跨性拓扑结构，以匹配二维输入形式。在此过程中，诸如分类之类的认知是高精度进行的。为了证明概念验证，通过引入多个脑电图数据集，其中最大的42,560小时记录了5,793名受试者，可以证明睡眠阶段评分问题。从实验结果中，我们的平台通过利用唯一的脑电图来实现87％的总体认知准确性，这比最新的脑电图高2％。此外，我们开发的多层方法论通过识别关键发作来提供脑电图的时间特征的可见和图形化，这是神经动力学中授予的，但在常规认知方案中几乎没有出现。
![arXiv:2112.04240v5 [cond-mat.dis-nn] 2022 年 4 月 25 日](/simg/g:\will\search\icon\source\9\92a47c56c64d069b6c3126404258286efd6c6ce5.webp)
arXiv:2112.04240v5 [cond-mat.dis-nn] 2022 年 4 月 25 日
薄膜无序超导体中的超导体-绝缘体转变 (SIT) 是量子相变的典型例子。尽管 30 多年前就已观察到，但其性质仍在激烈争论中。一个有趣的观察结果涉及转变的绝缘侧，它表现出一些不寻常的特性。其中包括它的电流-电压关系（I-V 曲线），包括 (i) 电导随电压增加而突然改变几个数量级，(ii) 滞后行为，以及 (iii) 转变附近多次（有时超过 100 次）较小的电流跳跃。之前已经提出了一些模型，但没有一个模型能够成功完全解释观察到的行为。一种常用的方法是将无序样本建模为二维导电岛阵列，其中电荷载流子从一个岛隧穿到其相邻岛。在这些模型中，假设快速弛豫，并将系统视为始终处于静电和热平衡状态。这些模型成功地解释了一些测量结果，包括相变本身，但它们无法在预测的 I-V 曲线中重现磁滞现象。在这里，我们建议将有限的松弛时间纳入阵列模型。我们表明，在慢松弛极限下，我们的模型可以重现 I-V 曲线中的磁滞和多次跳跃。根据我们的结果，我们认为在二维正常（非超导）阵列中也应该观察到类似的行为。这一说法得到了过去观察的支持。我们分析了模型中不同参数的作用，确定了问题中相关时间尺度的范围，并将我们的结果与选定的测量值进行了比较。
![arXiv:2104.13297v1 [quant-ph] 2021 年 4 月 27 日](/simg/g:\will\search\icon\source\6\66dfa4884ead5d0f8ca56fb0c3c94f8fd2eb8367.webp)
arXiv:2104.13297v1 [quant-ph] 2021 年 4 月 27 日
摘要 量子计算在过去几年中不断发展。尽管如今量子算法的性能已优于经典算法，但量子退相干和容错程序所需的额外辅助量子比特一直是量子算法高效使用的巨大障碍。这些限制促使我们寻找方法来最小化算法成本，即量子逻辑门的数量和电路的深度。为此，我们探索了量子电路合成和量子电路优化技术。我们研究了使用强化学习技术投影模拟解决量子比特数量有限的噪声量子计算机的量子电路合成问题的可行性。代理的任务是创建最多 5 个量子比特的量子电路，以在 IBM Tenerife（IBM QX4）量子处理器中生成 GHZ 状态。我们的模拟表明，代理具有良好的性能，但随着量子比特数量的增加，其学习新电路的能力会下降。
![arXiv:2104.10866v2 [quant-ph] 2021 年 4 月 30 日](/simg/g:\will\search\icon\source\4\4e574444ac8e902f21cadc860885a457017966e8.webp)
arXiv:2104.10866v2 [quant-ph] 2021 年 4 月 30 日
随着量子计算机的大小和复杂度增加，量子位 (qubit) 表征和门优化成为复杂且耗时的任务。当前的校准技术需要复杂而繁琐的测量来调整量子位和门，无法轻易扩展到大规模量子系统。我们开发了一种简洁的自动校准协议来表征量子位并优化门，使用 QubiC，这是一种基于开源 FPGA（现场可编程门阵列）的超导量子信息处理器控制和测量系统。我们提出了基于多维损失的单量子位门优化和双量子位 CNOT 门校准的全 XY 平面测量方法。我们证明 QubiC 自动校准协议能够在劳伦斯伯克利国家实验室的高级量子测试平台上运行的最先进的 transmon 型处理器上提供高保真门。通过随机基准测试测得的单量子位和双量子位 Clifford 门不保真度为 4。分别为 9(1 . 1) × 10 − 4 和 1 . 4(3) × 10 − 2。
![arXiv:2104.06918v3 [quant-ph] 2021 年 4 月 22 日](/simg/g:\will\search\icon\source\f\f58593b4b640f06bc37aeca5c5bb7e9db79f54a8.webp)
arXiv:2104.06918v3 [quant-ph] 2021 年 4 月 22 日
量子机器学习是噪声中型量子 (NISQ) 时代量子计算最有前途的应用之一。在此，我们提出了一种受卷积神经网络 (CNN) 启发的量子卷积神经网络 (QCNN)，与经典神经网络相比，它大大降低了计算复杂度，具有 O (( log 2 M ) 6 ) 个基本门和 O ( m 2 + e ) 个变分参数，其中 M 是输入数据大小，m 是滤波器掩码大小，e 是哈密顿量中的参数数量。我们的模型对于图像识别任务具有一定的噪声鲁棒性，并且参数与输入大小无关，这使其对近期的量子设备很友好。我们用两个明确的例子演示了 QCNN。首先，将 QCNN 应用于图像处理并对三种类型的空间滤波、图像平滑、锐化和边缘检测进行了数值模拟。其次，我们展示了 QCNN 在图像识别中的表现，即手写数字的识别。与前人的研究相比，该机器学习模型能够提供与特定经典卷积核精确对应的可实现量子电路，为将 CNN 直接转化为 QCNN 提供了有效途径，为大数据时代利用量子能力处理信息开辟了前景。