XiaoMi-AI文件搜索系统
World File Search SystemGeneralized
广义量子测量中的异常值、Fisher 信息和语境性
对自旋为 1/2 的粒子进行测量，结果可能为 100 [ 1 , 2 ] 。自从引入后选择值概念以来，人们一直在争论这些过程中究竟测量了什么以及这是否具有物理意义 [ 3 – 7 ] 。当通过间接程序测量可观测量时，就会出现这些异常，即通过将自旋与辅助探测系统耦合并仅访问后者来推断其值。第二个系统的状态不需要进行优化以在每次测量时提供完整信息，因为期望值可以从大量事件中准确地恢复出来。每个单独的事件都不会提供有关可观测量的明确信息 [ 8 ] ，因此对自旋状态的扰动会成比例减少。当测量引入的扰动影响可忽略不计时，这些值本身被称为弱值。该框架在平等处理量子态的前选择和后选择方面完全一致，从而使描述更加时间对称，但这种方法的某些结果似乎使量子力学比看起来更加令人费解[13-15]。在某些情况下，一切都可以与经典波中也会发生的干涉效应相协调[16]，并且有人认为异常值的出现纯粹由于后选择而产生的假象，在经典概率中也可以观察到[17]。然而，这一论点引发了长期的争议[18-22]。异常值位于可观测量范围之外，不仅限于弱值区域，还可以在任意扰动下出现。值得注意的是，存在需要满足的一致性条件才能允许异常值[23]。在单个自旋为 1/2 的粒子这种简单情况下——如今这种粒子通常被称为量子比特——这种特殊效应可用来标记宏观现实描述的失败，正如 Leggett-Gard 不等式所捕捉到的[24-27]；然而，这种联系在一般条件下并不成立[28]。
发作后全身脑电图抑制的检测：随机森林方法
背景：癫痫猝死 (SUDEP) 是仅次于中风的神经系统事件，可导致数年的潜在寿命损失。发作后全身性脑电图 (EEG) 抑制 (PGES) 是大脑活动受到抑制的一段时间，通常发生在全身性强直阵挛性癫痫发作之后，这是 SUDEP 的最重要风险因素。因此，PGES 已被视为 SUDEP 风险的潜在生物标志物。自动 PGES 检测工具可以解决劳动密集型且有时不一致的视觉分析的局限性。成功的自动 PGES 检测方法必须克服与检测 EEG 记录中可能包含生理和采集伪影的细微幅度变化有关的计算挑战。目标：本研究旨在提出一种随机森林方法，用于使用在癫痫监测单元中获取的多通道人体 EEG 记录自动检测 PGES。方法：我们使用来自 EEG 信号的时间、频率、小波和通道间相关特征的组合来训练随机森林分类器。我们还根据 PGES 状态变化构建并应用了基于置信度的校正规则。受实用性的启发，我们引入了一种新的基于时间距离的评估方法来评估 PGES 检测算法的性能。结果：基于时间距离的评估表明，对于无伪影信号，我们的方法实现了 5 秒容差的阳性预测率为 0.95。对于具有不同伪影水平的信号，我们的预测率从 0.68 到 0.81 不等。结论：我们引入了一种基于特征的随机森林方法，用于使用多通道 EEG 记录自动检测 PGES。我们的方法在降低信号伪影水平的同时实现了越来越好的基于时间距离的性能。需要进一步研究 PGES 检测算法是否能在任何信号伪影水平下表现良好。
通用任务驱动的医疗图像质量增强，梯度促销
摘要 - 感谢任务驱动的图像质量增强（IQE）模型等最新成就，例如ESTR [1]，图像增强模型和视觉识别模型可以相互增强彼此的定量，同时产生我们人类视觉系统可感知的高质量处理的图像。但是，现有的任务驱动的IQE模型倾向于忽略一个基本的事实 - 不同级别的视力任务具有不同的图像特征要求，有时甚至相互矛盾。为了解决这个问题，本文提出了针对医疗图像的任务驱动IQE的广义梯度促进（GradProm）培训策略。具体来说，我们将任务驱动的IQE系统分为两个子模型i。e。，一种用于图像增强的主流模型，也是视觉识别的辅助模型。在训练期间，GradProm仅使用视觉识别模型和图像增强模型的梯度更新图像增强模型的参数，但是只有当这两个子模型的梯度以相同的方向对齐时，这是通过其余弦相似性来衡量的。如果这两个子模型的梯度不在同一方向上，则GradProm仅使用图像增强模型的梯度来更新其参数。从理论上讲，我们已经证明了图像增强模型的优化方向不会被GradProm的实现下的辅助视觉识别模型偏差。从经验上讲，对四个公开但具有挑战性的医学图像数据集的广泛实验结果证明了Gradprom的表现优于现有最新方法。
对广义RSA密钥方程式的新同时进行的双苯胺攻击
rsa是不对称加密中广泛采用的方法，通常用于数字签名验证和消息加密。RSA的安全性依赖于整数因素的挑战，一个问题在计算上不可行或高度复杂，尤其是在处理足够大的安全参数时。RSA中整数分解问题的有效利用可以使对手可以假设关键持有人的身份并解密此类机密信息。安全硬件中使用的密钥特别重要，因为它们保护的信息的价值通常更高，例如在确保付款交易的背景下。通常，RSA面临各种攻击，利用其关键方程式中的弱点。本文引入了一个新的漏洞，该漏洞可以同时分解多个RSA模量。通过使用对（𝑁𝑁，𝑒）和固定值𝑦满足双苯胺方程𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑥 -2 - 2 𝜙（𝑁𝑁）=𝑧𝑖𝑧𝑧𝑧𝑧𝑧𝑧𝑧𝑖𝑖𝑧，我们使用晶格基碱基还原技术成功地分解了这些模量。值得注意的是，我们的研究扩大了被认为是不安全的RSA解密指数的范围。
dme：揭示偏见以获得更好的全身性单眼估计
本文旨在设计具有更好概括能力的单眼深度估计模式。为此，我们进行了定量分析，并发现了两个重要的见解。首先，在长尾分类问题中发现的模拟相关现象也存在于单眼深度估计中，这表明训练数据中深度分布的不平衡分布可能是导致泛化能力有限的原因。第二，深度值的不平衡和长尾分布范围超出了数据集量表，并且在每个单独的图像中也表现出来，进一步表达了单眼深度估计的挑战。通过上述发现，我们提出了距离感知的多专家（DME）深度估计模型。与先前的方法不同地处理不同深度范围的方法不同，DME采用了分歧和诱使哲学，每个专家都负责对特定深度范围内的区域进行深度估计。因此，每个专家看到的深度分布更加统一，并且可以更容易预测。一个像素级路由模块的进一步设计和学会了，以将所有专家的预测缝合到最终的深度图中。实验表明，DME在NYU-DEPTH V2和KITTI上都达到了最先进的性能，并且还可以在看不见的数据集上提供有利的零拍概括能力。
用广义簇相关展开法对纺丝浴中氮空位中心进行纵向弛豫
对于高纯度样品，NV 中心拥有很长的相干时间，通过动态解耦可以进一步延长到接近 1 秒[3,4]。它可由微波场进行相干控制，并且对外界电场和磁场高度敏感。这些优越的特性使 NV 中心成为量子信息处理 [5-10]、超衍射极限成像 [11] 以及电场和磁场 [12-14]、温度 [15]、应力 [16]、生物结构 [17] 和化学反应 [18] 的量子传感的有希望的候选材料。此外，NV 中心可以与其他类型的量子系统耦合，例如碳纳米管 [19]、通量量子比特 [20] 和压磁超晶格 [21]，可以构建有前途的混合量子器件 [22,23]。此类有吸引力的应用需要充分了解其退相干行为，包括横向和纵向弛豫[24-26]，以及广泛的物理参数，如温度、磁场、杂质类型和浓度。在用于多自旋浴动力学的量子多体理论中[27-30]，例如密度矩阵团簇展开[31-33]、对关联近似[34-36]和链接团簇展开[37]，由作者之一 WY 发展的团簇关联展开（CCE）[38-40]已成功用于描述在大失谐区域中中心自旋耦合到多自旋浴的纯失相过程[41]。利用CCE方法，理论上预测了量子自旋池中NV中心的异常退相干效应[42]，并通过实验验证了该现象[43]。有趣的是，NV中心的退相干曾被认为是实现量子计算的障碍[44,45]，但现在它已被用于探测遥远的核自旋二聚体[46]，并提出利用弱地磁场进行导航[40]。类似地，最近有研究表明，可以探索诸如NV中心之类的量子系统来获取玻色子池的信息[47]。
基于分岔图生成工具的广义逻辑方程新方法
摘要 本文提出了两种新的逻辑函数泛化，分别基于非广义热力学、q-逻辑方程和任意阶逻辑方程。它通过将混沌理论与逻辑方程相结合来展示混沌理论的影响，并揭示了微小的参数变化如何将系统行为从确定性行为转变为非确定性行为。此外，本文还介绍了 BifDraw——一个使用经典逻辑函数及其泛化绘制分岔图的 Python 程序，说明了系统对条件变化的响应的多样性。该研究通过研究其复杂的动力学并提供可能在热力学基本状态和熵方面具有新意义的新泛化，为逻辑方程在混沌理论中的地位提供了关键作用。此外，本文还研究了方程的动力学性质及其中的分岔图，这些图呈现出复杂性和令人惊讶的动态系统特征。BifDraw 工具的开发体现了理论概念的实际应用，有助于进一步探索和理解混沌理论中的逻辑方程。这项研究不仅加深了对逻辑方程和混沌理论的理解，还介绍了可视化和分析其行为的实用工具。
找出所有局部不可区分的广义贝尔态集
一般而言，对于二体量子系统 C d ⊗ C d 和一个整数 k ，使得 4 ≤ k ≤ d ，k 个广义贝尔态（GBS）集的局部鉴别只有很少的必要充分条件，并且很难局部区分 k - GBS 集。本文的目的在于彻底解决某些二体量子系统中 GBS 集的局部鉴别问题。首先给出了三个实用有效的充分条件，Fan 等人的结果 [Phys Rev Lett 92, 177905 (2004); Phys Rev A 99, 022307 (2019)] 可以推导出这些条件的特例。其次在C 4 ⊗ C 4 中给出了GBS集局部判别的充分必要条件,并给出了所有局部不可区分的4-GBS集的列表,从而彻底解决了GBS集的局部判别问题.在C 5 ⊗ C 5 中得到了GBS集单向局部判别的简明充分必要条件,对Wang等人提出的问题中d = 5的情况给出了肯定的回答.
非人类灵长类动物的深脑区域中远程控制的药物释放
GPT系列的成功证明，GPT可以从序列中提取一般信息，从而使所有下游任务受益。这促使我们使用预训练的模型来探索DNA序列中的隐藏信息。但是，DNA序列分析中的数据和任务需求是复杂性和多样性，因为DNA相关数据包括不同类型的信息，例如序列，表达水平等，而目前尚无专门为这些特征设计的模型。在此，我们提出了DNAGPT，这是一种从9种的超过100亿个碱基对进行预训练的广义基础模型，可以对任何DNA序列分析任务进行微调。我们的模型可以同时处理或输出DNA序列和数字。此外，我们独特的令牌设计使用户可以根据自己的任务要求设计提示，从而适用于任何类型的任务。我们已经评估了我们的分类，回归和生成任务的模型。我们证明了DNAGPT受益于预训练，因此可以为任何下游任务带来绩效提高。我们的模型不仅是基因组分析领域的新尝试，而且为在生物学中应用基础模型提供了新的方向。