XiaoMi-AI文件搜索系统
World File Search SystemBenchmarking
使用遍历量子动力学对量子模拟器进行基准测试
我们提出并分析了一种样本效率高的协议，用于估计实验准备状态与理想目标状态之间的保真度，该协议适用于没有高级时空控制的多种模拟量子模拟器。我们的协议依赖于我们在本研究中发现的通用哈密顿动力学中出现的普遍涨落。它不需要对状态准备、量子演化或读出能力进行微调控制，同时实现接近最佳的样本复杂度：通过 ∼ 10 3 次测量获得百分比级精度，与系统大小无关。此外，随着系统规模的增加，我们的保真度估计精度呈指数级提高。我们在各种量子模拟器平台中用数字方式演示了我们的协议，包括量子气体显微镜、捕获离子和里德堡原子阵列。我们讨论了我们的方法在量子态和过程的多参数估计等任务中的应用。
基于机器学习的生物油产量的预测生物质的生物量的产量：插补算法的比较研究和模型基准测试
摘要非可再生化石燃料的精疲力尽提高了人们对环境问题的认识。因此，生物质能量已成为一种有希望的可再生替代方案，尤其是在通过废物生物量的热解生产生物油的背景下。不幸的是，物理学模型在建模生物油生产时会遇到困难，促使研究人员倾向于以数据为中心的方法。为了应对这个问题，本文展示了近千的综合数据集，这些数据集来自先前有关生物油生产的文献。除了收集，清洁和组织收集的数据外，我们还使用了机器学习技术来评估所得数据集，最有希望的结果产生的平均绝对误差为2.6，并且调整后的R平方在预测生物油收益率方面为0.9。据我们所知，本文提供了介绍该域中有史以来最全面的数据集。这样的详尽数据集的组装对于可持续过程工程来说至关重要，因为它可以促进精确的建模，从而更好地固定在此过程中固有的不确定性。
HI-C工具的基准测试，用于脚手架DE NOVO基因组组件
fiffoff_combine.py是我们开发的python脚本，用于输出有关目标组件和参考基因组之间基因截然性的指标。与参考基因组相比，我们将基因共线性定义为靶组件中基因定位之间的对应关系。脚本将输出.gff从升降机和引用.gff文件作为输入。它仅分析基因共线性，因此外显子和成绩单被排除在.GFF文件中。此外，该脚本允许设置一个阈值，以评估目标和参考组件之间相邻基因对之间基因间长度的差异：如果差异低于阈值，则比较的基因组注释是相干的（默认值：500 bp）。
基准测试指南
能源使用情况，此后每三年，建筑业主必须让内部或第三方专业工程师、有执照的建筑师或市政府指定的其他经过培训的人员审查能源和建筑数据，以验证数据是否得到正确跟踪和报告。在大多数情况下，数据验证将采用签名的 ENERGY STAR 数据验证清单的形式，该清单由 Portfolio Manager 自动生成，建筑业主必须保留并在市政府要求时出示。验证信息还必须在建筑的 ENERGY STAR Portfolio Manager 资料的验证部分提供。数据验证不需要聘请第三方，可以由内部工作人员完成。3. 每年向市政府报告：使用 Portfolio Manager，受保建筑的业主将报告基本
基准的尖峰神经网络学习方法具有不同的位置
摘要 - 提供更现实的神经元动力学的启用神经网络（SNN）已证明在几个机器学习任务中实现了与人工神经网络（ANN）相当的性能。信息在基于事件的机制中以显着降低能源消耗的基于事件的机制而作为SNN中的峰值进行处理。但是，由于尖峰机制的非差异性质，训练SNNS具有挑战性。传统方法，例如通过时间的反向传播（BPTT），已显示出有效性，但具有额外的综合和记忆成本，并且在生物学上是难以置信的。相比之下，最近的作品提出了具有不同程度的地方性的替代学习方法，在分类任务中表现出成功。在这项工作中，我们表明这些方法在培训过程中具有相似性，同时它们在生物学合理性和性能之间进行了权衡。此外，这项研究研究了SNN的隐式复发性质，并研究了向SNN添加显式复发的影响。我们在实验上证明，添加显式复发权重可以增强SNN的鲁棒性。我们还研究了基于梯度和非梯度的对抗性攻击下本地学习方法的性能。索引术语 - 启用神经网络，本地学习，培训方法，集中的内核对齐，Fisher信息。
pqm4：基准测试nist额外的量化后...
摘要。2022年7月，美国国家标准技术研究所（NIST）宣布了第一组量词后加密标准：Kyber，Dilithium，Falcon和Sphincs+。不久之后，NIST发布了一项呼吁提出额外的量词后签名方案的建议，以补充其初始投资组合。在2023年，收到了50份提交的意见，40名被接受为未来标准化的第一轮候选人。在本文中，我们研究了流行的ARM Cortex-M4微控制器上所述候选人的适用性和表现。我们将合适的实施方式集成到基准测试框架PQM4中，并在STM32L4R5ZI上提供基准测试结果，其中640 kb的RAM。PQM4当前包括15项提交和M4优化实施的参考实施，用于5个提交。对于剩余的候选人，我们描述了阻碍整合的原因 - 主要的原因是较大的密钥或过度记忆消耗。虽然参考实现的性能相当毫无意义，并且通常与实现良好的实现的性能无关，但这项工作提供了一些首先指示哪些方案在微控制器上最有前途。PQM4中公开可用的实现也为将来的优化工作提供了一个很好的起点。最初，我们希望与NIST先前的PQC项目的初步提交相比，代码质量要高得多。但是，我们非常失望：一半的提交利用动态记忆分配，通常是完全没有理由的；许多实施情况都有编译器警告，有时暗示更严重的问题。许多实现不会通过简单的消毒剂测试，例如使用Valgrind；多个实现利用静态内存。
标准化的基准测试框架，用于评估降水降水模拟
摘要：目前，没有标准化的框架或指标来评估区域气候模型沉淀输出。因此，很难比较区域或研究之间的表现，或者与分辨率分辨率的全球气候模型进行比较。为了解决这个问题，我们介绍了建立动态但标准化的基准测试框架的第一个步骤，该框架可用于评估模型技能，以模拟降雨的各种特征。基准测试与典型的模型评估不同，因为它要求先验设定绩效期望。该框架在科学研究的基础上具有无数的应用，该研究通过提供结构化方法来评估模型发展的优先级，并提供援助利益相关者的决策，以识别用于气候风险评估和适应策略的方法模型模型模型。虽然该框架可以应用于任何空间域的区域气候模型模拟，但我们使用高分辨率（0.5 8 3 0.5 8 cordex-Australasia Ensemble中的仿真）证明了其对澳大利亚的有效性。我们提供建议根据框架的应用选择指标和实用基准标准阈值。这包括最低标准指标的顶级层，以建立正在进行的气候模型评估的最低基准标准。我们使用从潜在用户社区收到的反馈来介绍该框架的多个应用程序，并鼓励科学和用户社区通过量身定制基准并在其应用程序中提出其他指标，以基于此框架进行构建。
基准对囊性纤维化变体的字母固定致病性预测
对囊性纤维化变体的字母敏感性致病性预测Eli Fritz McDonald 1,2，Kathryn E. Oliver 3,4，Jonathan P. Schlebach 5，Jens Meiler 1,2,6,7**生物学，范德比尔特大学，纳什维尔，田纳西州37240，美国3美国埃默里大学医学院儿科学系，亚特兰大，佐治亚州30322，美国4囊性纤维化和航空疾病中心，亚特兰大和埃默里大学的儿童医疗保健，亚特兰大大学，亚特兰大，亚特兰大，加利福尼亚州30322，美国5个部门。范德比尔特大学药理学，纳什维尔，田纳西州纳什维尔37240，美国7莱比锡大学药物发现研究所，莱比锡大学，莱比锡，萨克斯04103，德国8号，8 8日，纳什维尔大学生物科学系，纳什维尔，田纳西州37235，美国37235作者：JM（jens@meilerlab.org），lp（lars.plate@vanderbilt.edu）囊性纤维化跨膜电导调节剂基因（CFTR）中的摘要变体导致囊性纤维化 - 一种致死性自身骨膜衰减障碍。在CFTR蛋白中改变单个氨基酸的错义变体是最常见的囊性纤维化变体之一，但是迄今为止，用于准确预测错义变体的分子后果的工具已限制为迄今为止。字母启示（AM）是一项新技术，可预测基于双重学识料蛋白质结构和进化特征的错义变体的致病性。在这里，我们评估了AM预测CFTR错义变种的致病性的能力。AM预测总体CFTR残基的致病性很高，从而在CFTR2.org数据库的CF变体上产生了高的假阳性率和公平分类性能。AM致病性评分与CF患者的致病性指标适度相关，包括汗液氯化物水平，胰腺功能不全率和铜绿假单胞菌感染率。相关性也与CFTR运输和体外折叠能力相关。相比之下，AM分数与CFTR通道功能在体外良好相关 - 尽管在训练过程中缺乏此类数据，但表明双重结构和进化训练方法学习了重要的功能信息。跨指标表明AM的不同性能可能会确定CFTR中的多态性是否是隐性CF变体，但无法区分机理效应或病理生理学的性质。最后，AM预测提供了有限的实用性，以告知CF变体的药理响应，即Theratype。开发新方法以区分CFTR变体的生化和药理学特性，仍然需要完善新兴精度CF治疗剂的靶向。
在镜像环境中对视觉大满贯方法进行基准测试
抽象的视觉同时定位和映射（VSLAM）为室内和室外导航发现了应用程序，这些应用程序通常会使其经常受到视觉复杂性的影响，尤其是镜像的反射。镜像存在的影响（时间可见及其在框架中的平均大小）的影响会影响定位和映射性能，而系统使用的直接技术预计会表现较差。因此，收集了记录在镜像环境中的图像序列的数据集Mirrenv，并用于评估现有代表性方法的性能。RGBD ORB-SLAM3和BUNDLEDEFUSION似乎随着镜像持续时间的增加显示了绝对轨迹误差的中等降解，而其余结果并未显示出显着降低的定位性能。事实证明，生成的网格图非常不准确，重建中的真实和虚拟反射碰撞。讨论了镜子环境中可能的错误和鲁棒性来源，概述了未来的方向，以验证和改善在平面镜的存在下VSLAM性能。Mirrenv数据集可从https://doi.org/10.17035/d.2023.0292477898获得。
基准计算机学习模型用于量子错误校正
量子误差校正（QEC）是量子计算机系统中的基本问题之一，旨在检测和纠正量子计算机中数据量的错误。由于现有量子计算机中存在不可靠的数据量位，实现量子误差校正是建立稳定的量子计算机系统时的关键步骤。最近，已经提出了基于机器学习（ML）的方法来应对这一挑战。但是，他们缺乏对量子误差校正的透彻理解。为了弥合这一研究差距，我们提供了一种新的观点，可以在本文中了解基于机器学习的QEC。我们发现，Ancilla Qubits中的综合征是由连接数据量量的错误导致的，并且远处的Ancilla Qubits可以提供辅助信息，以排除对数据量值的一些不正确的预测。因此，要检测数据量表中的错误，我们必须考虑远程Ancilla Qubits中存在的信息。据我们所知，在QEC的依赖关系中，机器学习的探索较少。为了填充空白，我们策划了一个机器学习基准，以评估捕获量子误差校正的远程依赖性的能力。为了提供全面的评估，我们评估了七种最先进的深度学习算法，这些算法涵盖了各种神经网络架构，例如卷积神经网络，图形神经网络和图形变压器。我们的详尽实验揭示了一种启发性的趋势：通过扩大接受场来利用遥远的附词量子的信息，QEC的准确性显着提高。例如，U-NET可以提高CNN的余量约50％。最后，我们提供了一项全面的分析，可以激发该领域的未来研究。该代码在补充材料中可用。