XiaoMi-AI文件搜索系统
World File Search SystemArithmetic
使用卷积进行心算任务分类......
摘要 — 近年来，神经科学家一直对脑机接口 (BCI) 设备的开发很感兴趣。运动障碍患者可能受益于 BCI 作为一种交流方式和运动功能恢复。脑电图 (EEG) 是评估神经活动最常用的方法之一。在许多计算机视觉应用中，深度神经网络 (DNN) 显示出显着的优势。为了最终使用 DNN，我们在此介绍一种浅层神经网络，它主要使用两个卷积神经网络 (CNN) 层，具有相对较少的参数并能快速从 EEG 中学习频谱时间特征。我们将此模型与其他三种具有不同深度的神经网络模型进行了比较，这些模型应用于适合患有运动障碍和视觉功能下降患者的闭眼状态心算任务。实验结果表明，浅层 CNN 模型优于所有其他模型，并实现了 90.68% 的最高分类准确率。它在处理跨主题分类问题时也更加强大：准确率标准差仅为 3%，而传统方法的准确率标准差为 15.6%。
UR-294量子算术逻辑单元
我们表明，可以在量子电路上实现经典算术逻辑单元（ALU）的量子版本。它将执行与经典ALU相同的功能，并可能在结合中添加量子函数。为了创建量子alu，我们使用了IBM的Qiskit Python软件包和Jupyterlab。我们认为，量子ALU具有比其经典对应物更快的潜力和计算量子特定操作的能力。简单的经典函数转化为量子电路显示出具有独特量子操作的完整量子ALU的前途未来。
成年聋哑人大脑中的算术
摘要 我们之前已经表明，尽管表现相似，但聋哑手语者在进行简单算术时调动的大脑区域与一组听力正常的非手语者有所不同。具体而言，听力正常的个体在与数字处理的言语系统相关的大脑区域（即左侧角回和额下回）中表现出更广泛的激活，而聋哑个体则调动与数字处理的数量系统相关的大脑区域（即右侧水平顶内沟）。这表明，与听力正常的非手语者相比，聋哑手语者在进行简单算术时可以成功利用位于部分不同大脑区域的过程。本研究是上述研究的概念复制和扩展，主要目的是了解聋哑人和听力正常的个体在支持算术的神经相关性方面的异同。主要目标是研究右侧水平顶内回、左侧下额回、海马体和左侧角回在简单和困难算术中的作用，以及这些区域如何相互连接。第二个目标是探索哪些其他大脑区域支持聋哑手语者的算术。多达 34 名成年聋哑手语者和相同数量的听力正常非手语者将参加一项简单和困难减法和乘法的 fMRI 研究。将使用全脑分析、兴趣区域分析和连接分析来分析脑成像数据。这是首次研究聋哑人士不同难度算术的神经基础。
算术与两个双peano算术的关系（s）和设定理论：信息理论的新一眼
摘要。本文介绍并利用了一些新概念：“非标准的Peano算术”，“补充的Peano算术”，“ Hilbert Arithmetic”。他们确定了数学和物理学的基础，这些基础证明了新引入的希尔伯特算术和可分离的量子力学希尔伯特·希尔伯特（Hilbert Hilbert of Quantum）机械师的等效性，反过来又是物理学和全世界的基础。可以将新的数学和物理基础都视为通过量子信息补充和概括的信息。当前的一些基本数学问题，例如Fermat的最后一个定理，四色定理以及其新形成的概括为“四个字母定理”，Poincaré的猜想，“ P VS NP”，“ P VS NP”再次考虑，从新成立的概念概念概念框架中，以及插图的新成立概念框架。简单或至关重要的简化解决方案和证明。建议根据信息的一致完整性与当前的所有数学问题（而不是枚举的），这是数学 - 物理的一致性之间的联系。关键词：Peano算术，Peano算术的非标准解释，Peano算术的两个免费标准解释，Hilbert算术，数学和物理学的一致完整性，数学和物理学的统一，信息，信息，量子信息
算术自相关和二进制序列的模式分布
其中n i = | {t≤n≤2t - 1：s n，τ= i} | ，i = 0，1。与经典的自相关相比，算术自相关是伪随机序列的携带相关函数。Goresky和Klapper [3]将算术自相关扩展到互相关，并给出了具有理想算术交叉相关性的二进制序列的大家族。后来，他们将算术自相关推广到[4，5]中的非二元序列。对于更多背景，读者被转介给[6]。序列的算术相关性预计将尽可能小。在[2]中提出了legendre序列算术自相关的非平凡结合。Hofer，M´erai和Winterhof [7]证明了算术自相关性和较高订单的相关度量的关系如下：
量子计算机的高效浮点算法
摘要 — 量子计算的主要前景之一是利用叠加现象实现 SIMD（单指令 - 多数据）操作。由于状态空间的维度随着量子比特的数量呈指数增长，我们很容易达到这样的情况：我们为数据处理指令支付的费用不到每个数据点一个量子门，而这在传统计算中是相当昂贵的。然而，以量子门的形式化此类指令仍然是一项具有挑战性的任务。因此，为更高级的数据处理制定基础功能对于推进量子计算领域至关重要。在本文中，我们介绍了编码所谓半布尔多项式的形式化。事实证明，算术 Z / 2 n Z 环操作可以表述为半布尔多项式评估，从而可以方便地生成无符号整数算术量子电路。对于算术评估，所得算法被称为傅里叶算术。我们扩展了这种类型的算法，增加了一些附加功能，例如无辅助函数的就地乘法和整数系数多项式求值。此外，我们引入了一种定制方法，用于对有符号整数进行编码，然后对任意浮点数进行编码。这种浮点数表示及其处理可应用于执行无符号模整数运算的任何量子算法。我们讨论了半布尔多项式编码器的一些进一步的性能增强，并最终提供了复杂度估计。与进位纹波方法相比，将我们的方法应用于 32 位无符号整数乘法可减少 90% 的电路深度。
丘脑是阅读、算术和智商的常见中心
对基本成就技能（阅读和算术）的神经影像学研究通常会控制智商的影响，以确定每项技能独特的神经相关性。这可能会低估成就和智商测量之间的共同因素对神经影像学结果的可能影响。在这里，我们同时研究了年轻人的成就（阅读和算术）和智商测量，旨在确定它们共同因素的 MRI 相关性。使用两个评估局部内在功能特性的指标分析静息态 fMRI（rs-fMRI）数据；区域同质性（ReHo）和分数振幅低频波动（fALFF），分别测量局部内在功能连接和内在功能活动。ReHo 强调丘脑/丘脑枕（一个与选择性注意有关的皮层下区域）是成就技能和智商的共同位置。更具体地说，ReHo 值越高，成就和智商分数越低。对于 fALFF，左顶叶上小叶（背部注意力网络的一部分）与阅读和智商呈正相关。总之，我们的研究结果强调了与注意力相关的区域，尤其是丘脑/枕部，这是与所有三个指标的个体表现差异相关的关键区域。丘脑/枕部的 ReHo 可以作为检查阅读和算术困难共病的大脑机制的工具，这些共病可能与一般智力能力的薄弱同时发生。
讲座5：有限字段（第2部分） - 第2部分：模块化算术...
•个人注释：我认为Memaids是心理学家所谓的记忆的方便机制。通常，当您遇到工程或数学细节时，为了使您接受该细节可信，您的大脑需要提出所有证明细节合理的支持论点。最初有意识地发生这种情况，但最终它成为了潜意识的过程。无论您是有意识地还是在潜意识中进行，您都可以通过将某些事实指定为对发生的事实，并让您的大脑用这些事实来加快该过程，并让您的大脑将这些事实用作跳跃点，以进行更详细的构成。
第32届IEEE计算机算术研讨会（Arith 2025）
ARITH 2025欢迎会议论文提交，描述了与计算机算术有关的最新科学进展。在其他地方进行的审查论文不接受提交给Arith 2025。通过分配论文，作者隐含地认为他们仅将其提交给Arith2025。提交必须用英语，并通过EasyChair网站进行：https：// EasyChair。org/conferences/？conf = ARITH2025提交的内容最多应为完整论文的最多8页，或者在IEEE CS会议格式（包括参考文献）中的简短和行业论文4页。接受的论文将在会议上发表，并将其包括在会议记录和IEEE Xplore数字图书馆中。详细提交过程可在https://www.arith2025.org/call.html
质量的椭圆曲线密码学：简单且快速有限的场算术
在有限场上基于离散的加密的早期，一个显而易见的想法是使用形状的素数，可以更快地减少模块化。但是，有人担心任何有用的特殊形状也大大削弱了离散的日志问题，安全性依赖于该问题。问题是，这个离散对数问题受到“索引演算”攻击。和有用的质子可能会允许索引演算攻击[22]。在[20]中直言不讳的“特殊形式的素数可以更轻松地计算离散对数”。但随着椭圆曲线加密的发现而发生了变化，就像在有限场上定义的椭圆曲线一样，没有索引演算攻击（因为可以纳入整数，但曲线上的要点不能）。因此，形状模量是完全可以接受的，并且确实被广泛使用。普遍认为，在这种情况下，Mersenne Prime最适合模块化减少 - 但除2 127-1和2 521 - 1