XiaoMi-AI文件搜索系统
World File Search SystemGeneralized
广义 W 态和非局部魔法
量子模拟的复杂性并非仅仅源于纠缠。量子态复杂性的关键方面与非稳定器或魔法有关 [1]。Gottesman-Knill 定理 [2] 表明，即使是一些高度纠缠的状态也可以被有效地模拟。因此，魔法是一种资源，代表准备量子态所需的非 Clifford 操作（例如 T 门）的数量。我们使用稳定器 R´enyi 熵 [3] 证明，与具有零动量的状态相比，具有非零晶格动量的退化量子多体基态允许魔法的增量 [4]。我们通过分析量化了这一增量，并展示了有限动量不仅增加了长程纠缠 [5]，还导致魔法的变化。此外，我们还提供了 W 状态及其广义（量子信息界经常讨论）与受挫自旋链基态之间的联系。
用于表面码解码的广义信念传播算法
信念传播 (BP) 是一种众所周知的低复杂度解码算法，对重要的量子纠错码类别具有很强的性能，例如随机扩展码的量子低密度奇偶校验 (LDPC) 码类。然而，众所周知，在面对拓扑码（如表面码）时，BP 的性能会下降，其中朴素 BP 完全无法达到低于阈值的状态，即纠错变得有用的状态。之前的研究表明，这可以通过借助 BP 框架之外的后处理解码器来补救。在这项工作中，我们提出了一种具有外部重新初始化循环的广义信念传播方法，该方法可以成功解码表面码，即与朴素 BP 相反，它可以恢复从针对表面码定制的解码器和统计力学映射所知的亚阈值状态。我们报告了独立位和相位翻转数据噪声下的 17% 阈值（与理想阈值 20.6% 相比），以及去极化数据噪声下的 14% 阈值（与理想阈值 18.9% 相比），这些阈值与非 BP 后处理方法实现的阈值相当。
信息几何广义协变量移位自适应
由 { ( x te i , y te i ) } n te i =1 构成的例子，取自测试分布 p te ( x , y ) = p te ( x ) p te ( y | x )。
利用广义锁相分析揭示神经回路的组织
1 德国图宾根马克斯普朗克生物控制论研究所认知过程生理学系，2 德国图宾根大学认知和系统神经科学 IMPRS，3 法国图宾根大学、法国原子能委员会、法国国家科学研究院、巴黎萨克雷大学、NeuroSpin 中心认知神经影像学部，91191 Gif/Yvette，4 中国科学院脑科学与智能技术卓越中心 (CEBSIT) 国际灵长类脑研究中心 (ICPBR)，上海 201602，5 奥地利科学技术研究所 (IST Austria)，奥地利克洛斯特新堡，6 英国曼彻斯特大学生物医学成像研究所成像科学中心，7 德国图宾根马克斯普朗克智能系统研究所和 MPI-ETH 学习系统中心经验推理系
广义集成剂的定量弹性
设计关键的系统工程师必须能够证明，即使在对其某些动作者失去控制权后，他们的系统也可以继续执行其任务。这样的故障导致致动器产生可能不良的输入，而控制器具有实时读数，但没有控制。按定义，如果在部分损失控制授权后仍能达到目标，则系统是弹性的。但是，与其初始功能相比，在这种故障之后，弹性系统可能要慢得多。为了量化这种绩效的损失，我们将定量弹性的概念介绍为达到初始和故障系统的任何目标所需的最小时间比率。直接从定义的定量弹性计算是一项复杂的任务，因为它需要解决四个嵌套（可能是非线性的优化问题）。这项工作的主要技术贡献是提供一种有效的方法来计算具有多个集成器和非对称输入集的控制系统的质量弹性。依靠控制理论并取决于两个新的几何结果，我们将定量弹性的结合减少到线性优化问题上。我们在两个数值示例上说明了我们的方法：低促进航天器的轨迹控制器和一个带有八个螺旋桨的无人机。
刺激后大脑反应的刺激知情广义典型相关分析
摘要 — 在脑机接口或神经科学应用中，广义典型相关分析 (GCCA) 通常用于提取关注同一刺激的不同受试者神经活动中的相关信号成分。 这可以量化所谓的受试者间相关性，或提高刺激后大脑反应相对于其他（非）神经活动的信噪比。 然而，GCCA 不了解刺激：它不考虑刺激信息，因此不能很好地处理较少量的数据或较小的受试者群体。 我们提出了一种基于 MAXVAR-GCCA 框架的新型刺激知情 GCCA 算法。 我们展示了所提出的刺激知情 GCCA 方法的优越性，该方法基于一组受试者聆听相同语音刺激的脑电图反应之间的受试者间相关性，尤其是对于较少量的数据或较小的受试者群体。
使用机器学习方法预测全身性癫痫发作
摘要 — 近年来，癫痫发作的脑电图 (EEG) 信号识别已发展成为确定癫痫的常规程序。由于由专业神经科医生对癫痫发作进行物理识别是一项劳动密集型、耗时的过程，而且还会产生一些错误。因此，需要高效、计算机化的癫痫发作检测。导致癫痫发作的脑功能紊乱会对患者的病情产生影响。如果在癫痫发作前就能预测到，那么药物可以非常成功地预防癫痫发作。脑电图 (EEG) 信号被用于使用机器学习算法和复杂的计算方法来预测癫痫发作。此外，影响预期时间和真正阳性预测率的两个重大挑战是从 EEG 信号中提取特征和从 EEG 信号中去除噪声。因此，我们提出了一个提供可靠预处理和特征提取技术的模型。为了自动识别癫痫发作，我们使用了多种基于集成学习的分类器从脑电图信号中提取基于频率的特征。我们的算法提供了更高的真实阳性率，并在癫痫发作之前就对其进行了足够的预见性诊断。在 24 名受试者的头皮脑电图 CHB-MIT 数据集上，该建议的框架检测到了发作前状态的开始，即拘留开始前几分钟的状态，导致真实阳性率 (91%) 高于传统方法，最佳估计时间为 33 分钟，平均预测时间为 23 分 36 秒。根据实验结果，本研究的最大准确率、灵敏度和特异性率分别为 91%、98% 和 84%。
在相干种子波导中的广义相干光钙效应
相干的光藻效应导致在相干光束的吸收干扰下产生电流，并允许铭文的空间充电光栅铭文，从而导致二阶敏感性（𝝌（2））。铭刻的光栅会自动导致干扰光束之间的准阶段匹配。理论和实验研究，考虑到第二次谐波产生的堕落病例，显示出显着的转化效率提高。然而，理论和实验之间的联系尚未完全确定，因此对于给定材料平台的一般准则和可实现的转换效率仍不清楚。在这项工作中，在理论上分析了光学波导中相干光钙化效应的现象学模型。该模型预测了非排优体总和生成的存在准阶段匹配光栅，这是第一次在实验中确认。此外，配制了连贯的光藻过程中空间充电光栅铭文的时间动力学。基于开发的理论方程式，提取了氮化硅化学过程的材料参数。获得的结果提供了比较不同平台的性能和潜力的基础。这项工作不仅补充了一致的光钙效应理论，而且还使我们能够确定关键参数和限制因素，以铭文（2）光栅。