XiaoMi-AI文件搜索系统
World File Search SystemApproximate
弯曲以近似脑皮层电图 (ECoG) 阵列施加的皮质力
摘要 目的。脑皮层电图 (ECoG) 阵列对大脑施加的力在弯曲以匹配颅骨和大脑皮层的曲率时表现出来。这种力量会对患者的短期和长期结果产生负面影响。在这里，我们提供了一种新型液晶聚合物 (LCP) ECoG 阵列原型的机械特性，以证明其更薄的几何形状可以减少可能施加到大脑皮层的力。方法。我们构建了一台低力弯曲试验机来测量 ECoG 阵列弯曲力，计算其有效弯曲模量，并近似计算它们可以对人脑施加的最大力。主要结果。经测试，LCP ECoG 原型的最大力比任何市售 ECoG 阵列的最大力小 20%。然而，作为一种材料，LCP 的刚性比传统上用于 ECoG 阵列的硅胶高出 24 倍。这表明较低的最大力是由于原型的轮廓较薄（2.9 × –3.25 ×）。重要性。虽然降低材料刚度可以降低 ECoG 阵列表现出的力，但我们的 LCP ECoG 阵列原型表明，柔性电路制造技术也可以通过减小 ECoG 阵列厚度来降低这些力。必须对 ECoG 阵列进行弯曲测试才能准确评估这些力，因为聚合物和层压板的材料特性通常与尺度有关。由于所用的聚合物是各向异性的，因此弹性模量不能用于预测 ECoG 弯曲行为。考虑到这些因素，我们使用了四点弯曲测试程序来量化 ECoG 阵列弯曲对大脑施加的力。通过这种实验方法，可以设计 ECoG 阵列以最大限度地减少对大脑施加的力，从而可能改善急性和慢性临床效用。
使用近似脉冲卷积变压器进行癫痫发作检测和预测
摘要：癫痫是神经系统的常见疾病，及时预测癫痫发作并进行干预治疗，可以大大减少患者的意外伤害，保障患者的生命健康。本文提出了一种神经形态脉冲卷积变换器，即Spiking Conformer，用于从头皮长程脑电图（EEG）记录中检测和预测癫痫发作片段。我们报告了使用波士顿儿童医院-麻省理工学院（CHB-MIT）EEG数据集对Spiking Conformer模型的评估结果。通过利用基于脉冲的加法运算，与非脉冲模型相比，Spiking Conformer显着降低了分类计算成本。此外，我们引入了一个近似脉冲神经元层，在不牺牲准确性的情况下进一步将脉冲触发的神经元更新减少近38％。使用原始 EEG 数据作为输入，提出的 Spiking Conformer 在癫痫发作检测任务中实现了 94.9% 的平均灵敏度和 99.3% 的特异性率，在癫痫发作预测任务中实现了 96.8% 的平均灵敏度和 89.5% 的特异性率，并且与非脉冲等效模型相比，所需的操作减少了 10 倍以上。索引术语 —EEG 数据、癫痫发作检测、癫痫发作预测、脉冲神经网络、Transformer。
具有机器学习噪声缓解的非平面图大规模量子近似优化
量子计算机的尺寸和质量正在提高，但噪声仍然很大。误差缓解扩展了噪声设备可以有意义地执行的量子电路的大小。然而，最先进的误差缓解方法很难实现，超导量子比特设备中有限的量子比特连接将大多数应用限制在硬件的原生拓扑中。在这里，我们展示了一种基于机器学习的误差缓解技术，该技术在非平面随机正则图上具有多达 40 个节点的量子近似优化算法 (QAOA)。我们使用具有仔细的决策变量到量子比特映射的交换网络和前馈神经网络来优化多达 40 个量子比特的深度二 QAOA。我们观察到最大图的有意义的参数优化，这需要运行具有 958 个双量子比特门的量子电路。我们的论文强调了在量子近似优化中缓解样本而不仅仅是期望值的必要性。这些结果是朝着在经典模拟无法实现的规模上执行量子近似优化迈出的一步。达到这样的系统规模是正确理解 QAOA 等启发式算法的真正潜力的关键。
时间谐波最佳控制问题的确切而近似的Schur补体方法
在[1，7]中的时间依赖性通过截短的傅立叶膨胀来处理，这使我们能够为每个频率获得单独的线性系统。在那里，提出了有效的求解线性系统的预处理方法，其中预核心是具有区块 - diagonal的，并且是较低的三角形形式。在[2]中使用了完整的两二个块结构的预处理，进一步称为PRESB，在续集中定义。[3]中的研究提供了不同结构的预处理（遮挡型，块 - 三角形和PRESB形式）之间的比较。比较是根据相应预处理矩阵及其数值性能的光谱正确的。数值实验表明，相对于正则化参数的频率范围，问题大小和值，PERB形式的预处理更加健壮。可以在[10]中找到对这些预调节器和一些修改形式的信息。[9]研究中的工作又是块形式形式的另一个预处理，并分析了双重预处理，适合于离散状态的向量形式。在[8]中考虑了（2）的非线性形式，其中为线性化问题提出了完整的两乘两块形式的预处理，可以将其分解和解决，以块 - 二进制预处理的成本，并且相对于问题大小和测试频率的范围是可靠的。
基于条件风险价值的投资组合优化改进量子近似优化算法
本文提出了一种基于条件风险价值的改进量子近似优化算法变体，用于解决投资组合优化问题。投资组合优化是一个 NP 难组合问题，旨在选择一组最优资产及其数量，以平衡风险和预期收益。所提出的方法使用 QAOA 来寻找最大化收益同时最小化风险的最佳资产组合，重点关注损失分布的尾端。引入了一种增强的 QAOA 假设，可在优化质量和电路深度之间取得平衡，从而加快收敛速度并提高获得最优解的概率。实验使用纳斯达克的历史股票数据进行，优化股票数量不同的投资组合。对于 16 只股票，我们的方法仅用 35 次迭代就实现了最佳成本值，而标准 QAOA 需要 700 次迭代。我们的方法优于其他方法，尤其是在问题规模增加时。
均匀磁化矩形杆和圆柱体退磁因子的简单近似表达式
光学显微镜显示蚀刻后表面清晰无特征。总之，我们描述了一种制造可靠、易于去除的高能高剂量离子注入掩模的新工艺。要注入的样品以额外的 AIGaAs 金属剥离层作为表面层，在其上通过常规光刻胶剥离技术对金属掩模进行图案化。注入后，通过使用 HCl 选择性蚀刻 AIGaAs 来去除 AIGaAs 金属剥离层和金属掩模。由于 HCl 的选择性，在去除金属掩模期间底层外延结构不会受损。这项工作得到了国家科学基金会化合物半导体微电子工程研究中心 (CDR-85-22666)、材料研究实验室 (DMR-86-12860) 和海军研究实验室 (NOOO14-88-K-2oo5) 的支持。
QiBAM：应用于 DNA 读取比对的量子加速器上的近似子字符串索引搜索
摘要：随着小型量子处理器从实验物理实验室过渡到工业产品，这些处理器有望在几年内扩大规模并变得更加强大，以高效计算各个领域的重要算法。在本文中，我们提出了一种量子算法来解决基因组序列重建数据处理这一具有挑战性的领域。这项研究描述了一种用于子序列比对的量子算法的架构感知实现。提出了一种名为 QiBAM（量子索引双向联想记忆）的新算法，该算法使用基于汉明距离的近似模式匹配。QiBAM 从两个方面扩展了 Grover 的搜索算法，允许：（1）基因组学中读取错误所需的近似匹配，以及（2）在 DNA 序列的量子编码上分布式搜索多个解决方案。这种方法比传统算法的速度提高了二次。提供了该算法的完整实现，并使用 OpenQL 编译器和 QX Simulator 框架进行了验证。我们的实施代表了对全栈量子加速基因组测序管道设计的首次探索。
基准测试可扩展的近似动态编程算法，用于网格级存储的随机控制
摘要。我们呈现和基准测试了一种近似动态编程算法，该算法能够在时间依赖的环境中为异源存储设备组合设计近乎最佳的控制策略，其中风能，需求，需求和特性价格可能会随时进化。我们发现该算法能够设计确定性模型最佳的0.08％以内的存储策略，而随机模型的存储策略在0.86％以内。我们使用该算法来分析具有不同容量和损失的双存储系统，并表明该策略适当地使用低损失设备（通常要昂贵得多）用于高频变化。我们通过在五个设备系统上演示算法来关闭。算法很容易缩放以处理分布在网格和更复杂的存储网络上的存储设备的异质投资组合。
单层量子近似优化算法干涉测量与热分布采样的联系
量子近似优化算法 (QAOA) 最初是为了在量子计算机上寻找组合优化问题的近似解而提出的。然而，该算法也引起了人们对采样目的的兴趣，因为在合理的复杂性假设下，理论上证明了算法的一层已经设计出了一种超出经典计算机模拟范围的概率分布。在这方面，最近的一项研究还表明，在通用伊辛模型中，这种全局概率分布类似于纯粹但类似热的分布，其温度取决于自旋模型的内部相关性。在这项工作中，通过对该算法的干涉解释，我们扩展了单层 QAOA 生成的本征态振幅和玻尔兹曼分布的理论推导。我们还从实际和基本角度回顾了这种行为的含义。
CXL-ANNS：软硬件协作内存分解和十亿级近似最近邻搜索计算
摘要 我们提出了 CXL-ANNS，这是一种软硬件协作方法，可实现高度可扩展的近似最近邻搜索 (ANNS) 服务。为此，我们首先通过计算快速链路 (CXL) 将 DRAM 从主机中分离出来，并将所有必要的数据集放入其内存池中。虽然这个 CXL 内存池可以使 ANNS 能够在不损失准确性的情况下处理十亿点图，但我们观察到由于 CXL 的远内存类特性，搜索性能会显著下降。为了解决这个问题，CXL-ANNS 考虑节点级关系并将预计访问最频繁的邻居缓存在本地内存中。对于未缓存的节点，CXL-ANNS 通过了解 ANNS 的图遍历行为预取一组最有可能很快访问的节点。CXL-ANNS 还了解 CXL 互连网络的架构，并让其中的不同硬件组件并行协作搜索最近邻居。为了进一步提高性能，它放宽了邻居搜索任务的执行依赖性，并通过充分利用 CXL 网络中的所有硬件来最大化搜索并行度。我们的实证评估结果表明，与我们测试的最先进的 ANNS 平台相比，CXL-ANNS 的 QPS 提高了 111.1 倍，查询延迟降低了 93.3%。在延迟和吞吐量方面，CXL-ANNS 也分别比仅具有 DRAM（具有无限存储容量）的 Oracle ANNS 系统高出 68.0% 和 3.8 倍。