XiaoMi-AI文件搜索系统
World File Search SystemEters
在存在的情况下进行多体量子态控制......
量子态控制对于量子信息处理和通过量子网络传输量子信息至关重要。在本文中，我们研究如何通过设计描述系统内部几何形状或配置的时间相关物理参数来控制多体量子系统的时间演化。一个有趣的经典类比是，一只坠落的猫可以重新调整自己的方向，以便它四脚着地，最大限度地减少对身体的伤害[1-4]。这种经典现象的可控性与这样一个事实有关：猫不是刚体[5]，但可以改变身体的形状和身体各部分的相对方向，使它能够在不违反角动量守恒定律的情况下旋转。在量子领域，自主控制问题可能变得更加复杂，因为量子变形体并不是一个经过充分研究的、能够轻易表现出量子控制特性的平台。为了说明我们的方法，我们考虑一个由耦合谐振子链组成的量子系统，我们将使用它来展示在给定的控制运行时间内通过改变耦合和频率来实现量子猫态的传输和重新定位。
抗坏血酸支持循环造血干细胞体外生成浆细胞样树突状细胞
摘要浆细胞样树突状细胞 (pDC) 是一种具有多方面功能的稀有免疫细胞，但由于可从血液中提取的细胞数量稀少，它们作为细胞免疫疗法的潜在用途受到挑战。在这里，我们系统地研究了从造血干细胞和祖细胞 (HSPC) 生成 pDC 的培养参数。使用优化条件结合 HSPC 预扩增的实施，我们从 100,000 个脐带血衍生的 HSPC 开始生成平均 4.65 亿个 HSPC 衍生的 pDC (HSPC-pDC)。此外，我们证明这种方案允许从全血 HSPC 生成 HSPC-pDC，并且这些细胞显示出 pDC 表型和功能。使用符合 GMP 的培养基，我们观察到 TLR7/9 反应显著丧失，通过补充抗坏血酸可以挽救这种丧失。抗坏血酸诱导与 pDC 特异性先天免疫途径相关的转录特征，表明抗坏血酸对 pDC 功能具有未知作用。这构成了从全血中生成 pDC 的第一个方案，并为研究 HSPC-pDC 的细胞免疫疗法奠定了基础。
慢性心脏的高分辨率心电图...
该研究的目的是研究患有慢性心力衰竭（CHF）的老年患者高分辨率心电图（HRECG）的主要参数。方法。这项研究包括120名患者（87名女性（72.5％）和33名男性（27.5％）），年龄（平均年龄81.32±4.2岁）为CHF。炎性后心脏硬病（PICS）的患者分为组：38名CHF IIA和CHF IIB阶段的患者； 50例具有CHF IIA和CHF IIB阶段的完全捆绑分支区块（CBBB）的患者； 32例具有CHF I和CHF IIA阶段的房颤（AF）患者。患者接受了ECG，HOLTER监测，HRECG。使用STAT SOFT 13.0软件包进行研究结果的统计处理。结果。记录了QTC（452.52±3.55 ms），QTP（87.83±1.21 ms）和TOTQRSF（103.25±2.97毫秒）的CHF +图片患者组最高值。QTC，TOTQRSF和LAS40（452.65±2.69 ms;分别为100.04±2.36 ms和51.64±2.85μV），对AF患者组的最高值均可为QTC。pa-
loihi> thrductive尖峰图神经网络
图形神经网络已成为深度学习的专业分支，旨在解决对象之间成对的对象至关重要的问题。最新进步利用图形卷积神经网络在图结构中提取特征。尽管结果有希望，但由于稀疏特征，在资源利用效率低下的情况下，这些方法在现实世界应用中面临挑战。最近的研究从哺乳动物的大脑中吸收了吸收性，并采用尖峰神经网络来建模和学习图形结构。但是，这些副本仅限于传统的基于von Neumann的计算系统，这些计算系统仍然面临硬件效率低下。在这项研究中，我们提出了专为Loihi 2.我们使用熔岩贝叶斯优化优化网络参数，这是一种与神经形态计算体系结构兼容的新型超参数优化系统。我们展示了将神经形态贝叶斯优化与使用固定精确尖峰神经元进行引用图分类的方法相结合的性能优势。我们的结果证明了整数精确，Loihi 2兼容尖峰神经网络在执行引文图分类中具有与现有浮点实现相当的精度。
利用离子阱量子模拟器对长程伊辛模型进行量子近似优化
量子计算机和模拟器可能比经典计算机和模拟器具有显著的优势，它们可以洞悉量子多体系统，并可能提高解决优化和可满足性等指数级难题的性能。在这里，我们报告了使用模拟量子模拟器实现的低深度量子近似优化算法 (QAOA)。我们估计具有可调范围的长程相互作用的横向场伊辛模型的基态能量，并通过对 QAOA 输出进行高保真、单次、单独量子比特测量采样来优化相应的组合经典问题。我们通过穷举搜索和变分参数的闭环优化来执行算法，用最多 40 个捕获离子量子比特来近似基态能量。我们使用随系统大小多项式缩放的引导启发式方法对实验进行基准测试。我们观察到，与数值结果一致，随着系统规模的扩大，QAOA 性能不会显著下降，并且运行时间与量子比特的数量基本无关。最后，我们对系统中发生的错误进行了全面分析，这是将 QAOA 应用于更一般的问题实例的关键一步。
强制性：以力量捕获系统进行富含接触的操纵的力量仿真学习
摘要 - 在大多数接触式操纵任务中，人类将随时间变化的力应用于目标对象，以补偿视觉引导的手轨迹中的不准确性。，当前的机器人学习算法主要集中在基于轨迹的政策上，而对学习力相关的技能的关注有限。为了解决这一局限性，我们引入了以力为中心的机器人学习系统Forcemimic，提供了一种自然，吸引力和无机器人的机器人示范收集系统，以及用于强大接触富含接触良好的操作的混合力 - 动作模仿学习算法。使用拟议的forcapture系统，操作员可以在5分钟内剥离西葫芦，而力量反馈近距离运行则需要13分钟以上，并且在任务完成方面挣扎。使用收集的数据，我们提议Hybridil训练一个以力为中心的模仿学习模型，该模型配备了混合力位置控制原始的原始性，以适合机器人执行过程中预测的扳手位置参数。实验表明，我们的方法使该模型能够在蔬菜剥离的接触术任务下学习更强大的策略，与基于纯粹的纯粹的模仿学习相比，成功率相对增加了54.5％。硬件，代码，数据和更多结果将在项目网站https://forcemimic.github.io上开放。
关系神经机器
摘要：深度学习在拥有大量训练数据的情况下，已在多项任务中取得了令人印象深刻的成果。然而，深度学习只关注预测的准确性，而忽略了导致决策的推理过程，而这是生命攸关应用中的主要问题。概率逻辑推理允许利用统计规律和特定领域的专业知识在不确定的情况下进行推理，但其可扩展性和与处理传感数据的层的脆弱集成极大地限制了其应用。出于这些原因，将深度架构和概率逻辑推理相结合是开发在复杂环境中运行的智能代理的基本目标。本文介绍了关系神经机，这是一种新颖的框架，允许联合训练学习者和基于一阶逻辑的推理器的参数。关系神经机器既可以在纯亚符号学习的情况下从监督数据中恢复经典学习，又可以在纯符号推理的情况下恢复马尔可夫逻辑网络，同时允许在混合学习任务中进行联合训练和推理。设计了适当的算法解决方案，使大规模问题中的学习和推理变得易于处理。实验在不同的关系任务中显示出令人鼓舞的结果。
多层感知器和参数模型的混合集成用于智能电网的可靠性预测
摘要 电力系统的可靠运行是电力公司的一个主要目标，这需要准确的可靠性预测以最大限度地减少电力中断的持续时间。由于天气状况通常是智能电网（尤其是其配电网）电力中断的主要原因，本文全面研究了各种天气参数对配电网可靠性性能的综合影响。特别地，提出了一种基于多层感知器 (MLP) 的框架，使用常见天气数据的时间序列来预测一个配电管理区域中每日持续和瞬时电力中断的次数。首先，实施参数回归模型来分析每日电力中断次数与各种常见天气参数（如温度、降水量、气压、风速和闪电）之间的关系。然后将选定的天气参数和相应的参数模型作为输入，以建立 MLP 神经网络模型来预测每日电力中断次数。引入了一种改进的基于极限学习机 (ELM) 的分层学习算法，使用来自佛罗里达州电力公司的实时可靠性数据和来自国家气候数据中心 (NCDC) 的常见天气数据来训练制定的模型。此外，还实施了敏感性分析以确定各种影响
高性能容量扩展模型的正则化 Benders 分解
摘要 — 我们考虑电力容量扩张模型，该模型通过最小化投资和运营成本来优化投资和退役决策。为了为规划和政策决策提供可靠的支持，这些模型需要包括详细的运营和时间耦合约束，考虑与天气相关的参数和需求数据的多种可能实现，并允许对离散投资和退役决策进行建模。这些要求导致大规模混合整数优化问题，而这些问题是现成的求解器无法解决的。因此，实际的解决方法通常依赖于精心设计的抽象技术，以在减少计算负担和模型准确性之间找到最佳折衷。Benders 分解提供了可扩展的方法来利用分布式计算资源并使模型具有高分辨率和计算性能。在本研究中，我们为具有多个规划期、随机运营场景、时间耦合策略约束以及多日储能和水库水力资源的大规模容量扩张模型实施了一种量身定制的 Benders 分解方法。使用多个案例研究，我们还评估了几种水平集正则化方案以加速收敛。我们发现，在可行集内部选择规划决策的正则化方案与以前发布的方法相比表现出更优异的性能，从而能够以前所未有的计算性能解决高分辨率混合整数规划问题。
通过稀疏诱导生成来培养大脑以实现持续学习
深度神经网络在持续学习中会遭受灾难性遗忘，在优化新任务时，它们往往会丢失有关先前学习过的任务的信息。最近的策略是隔离先前任务的重要参数，以便在学习新任务时保留旧知识。然而，使用固定的旧知识可能会成为获取新表示的障碍。为了克服这个限制，我们提出了一个框架，通过吸收新任务的知识来演化先前分配的参数。该方法在两个不同的网络下执行。基础网络学习顺序任务的知识，而稀疏诱导超网络为每个时间步骤生成参数以演化旧知识。生成的参数将基础网络的旧参数转换为反映新知识。我们设计超网络以根据任务特定信息和基础网络的结构信息生成稀疏参数。我们在图像分类和视频动作识别任务的类增量和任务增量学习场景中评估了所提出的方法。实验结果表明，通过发展旧知识，所提出的方法在这些场景中始终优于各种各样的持续学习方法。