XiaoMi-AI文件搜索系统
World File Search SystemJul
2019 年 7 月 - 12 月 - FM 自治学院
从 2014 年 3 月起，NPTEL 开始提供在线认证课程。每年 1 月和 7 月，都会有 250-300 门课程免费在线提供，供任何人报名学习。认证需要参加考试，考试由印度 120 多个城市监考和进行。截至目前，已有 1300 门在线认证课程完成，目前有 358 多个课程在 onlinecourses.nptel.ac.in 开放报名。通过在线门户，提供 4、8 或 12 周的在线课程，这些课程通常涉及与所有高等教育年级学生相关的主题，以及科学和人文学科的基本核心课程，并涉及相关工具和技术。
![arxiv：2407.10381v1 [Quant-PH] 15 Jul 2024](/simg/9\93acbd74e0d3ec35288a644a3e54078961b9e8e0.webp)
arxiv：2407.10381v1 [Quant-PH] 15 Jul 2024
1马萨诸塞州剑桥，马萨诸塞州剑桥市的物理系，美国2，美国2号电气和计算机工程系，北卡罗来纳州立大学，北卡罗来纳州罗利，北卡罗来纳州27606，美国3北卡罗莱纳州科学系，北卡罗莱纳州立大学，北卡罗来纳州立大学，罗利大学，北卡罗来纳州27606，美国4 Yale Quantum Intertied，美国Yale Institute，New New Newsits，New New Newsits，CT耶鲁大学，纽黑文，CT 06520，美国6 Brookhaven国家实验室，纽约州纽黑文市，纽约州，纽约州11973，美国7联合量子研究所和Quics，马里兰州NIST/马里兰州大学公园，MD 20742 USY 8 USY 8 US 8，美国威斯康星大学 - 威斯康星大学Madison，Madison，WIS MADISON，WIS MADISON，WIE 53706，USACTION ERECTIRACTER ERECTRICTION和SOCCENION ERENCERINCE of ERECTRICTION of ERECTRICTION和SOCCENION ERENCERINCE美国马萨诸塞州剑桥市102139，美国10计算机科学系多伦多大学，多伦多大学，M5S1J7，加拿大11加拿大加拿大高级研究所，加拿大多伦多，加拿大多伦多，加拿大12号太平洋西北国家实验室
![arXiv:2307.10246v1 [q-bio.NC] 2023 年 7 月 17 日](/simg/e\ee15936864bd315072f46f7093c9d2debe407b59.webp)
arXiv:2307.10246v1 [q-bio.NC] 2023 年 7 月 17 日
人工智能能否揭开人类大脑的秘密？深度学习模型的内部机制与我们的神经回路有何关系？是否有可能通过利用大脑记录的力量来增强人工智能？这些引人入胜的问题处于神经科学和人工智能交叉领域的一个新兴领域的核心。我们的调查深入研究了这个令人兴奋的领域，重点关注人类大脑记录研究和前沿认知神经科学数据集，这些数据集捕捉了自然语言处理、视觉感知和听觉体验过程中的大脑活动。我们探索了两种基本方法：编码模型，试图从感官输入中生成大脑活动模式；解码模型，旨在从神经信号中重建我们的思想和感知。这些技术不仅有望在神经诊断和脑机接口方面取得突破，而且还为了解认知的本质提供了一个窗口。在本次调查中，我们首先讨论语言、视觉和语音刺激的流行表示，并总结了神经科学数据集。然后，我们通过研究流行的基于深度学习的编码和解码架构，回顾深度学习的最新进展如何改变这一领域，并指出它们在不同领域中的优点和局限性。
![arXiv:2210.01081v3 [cs.LG] 2023 年 7 月 10 日](/simg/9\96062bd58a616626c5330b31a0f56969e5dc0842.webp)
arXiv:2210.01081v3 [cs.LG] 2023 年 7 月 10 日
摘要。在机器学习 (ML) 文献中，一个众所周知的问题是数据集转移问题，与 ML 标准假设不同，训练和测试集中的数据可以遵循不同的概率分布，导致 ML 系统的泛化性能较差。这个问题在脑机接口 (BCI) 环境中尤为明显，其中经常使用脑电图 (EEG) 等生物信号。事实上，EEG 信号随时间和不同受试者之间的变化都非常不稳定。为了解决这个问题，提出了几种基于最新迁移学习方法（如域自适应 (DA)）的解决方案。然而，在一些情况下，改进的实际原因仍然不明确。本文重点关注数据规范化或与 DA 方法一起应用的标准化策略的影响。具体来说，使用 SEED、DEAP 和 BCI Competition IV 2a EEG 数据集，我们通过实验评估了使用和不使用几种知名 DA 方法时不同规范化策略的影响，并比较了获得的性能。结果表明，规范化策略的选择对 DA 场景中的分类器性能起着关键作用，有趣的是，在一些情况下，仅使用适当的规范化方案就能胜过 DA 技术。
![arXiv:2307.05253v2 [quant-ph] 2023 年 7 月 12 日](/simg/0\0e27c178ab6f89c986811677e098c52394c52f79.webp)
arXiv:2307.05253v2 [quant-ph] 2023 年 7 月 12 日
量子角度生成器 (QAG) 是一种全新的全量子机器学习模型，旨在在电流噪声中间尺度 (NISQ) 量子设备上生成精确的图像。变分量子电路构成了 QAG 模型的核心，并评估了各种电路架构。结合所谓的 MERA 上采样架构，QAG 模型获得了出色的结果，我们对这些结果进行了详细的分析和评估。据我们所知，这是量子模型首次获得如此精确的结果。为了探索模型对噪声的稳健性，进行了广泛的量子噪声研究。本文证明了在物理量子设备上训练的模型可以学习硬件的噪声特性并生成出色的结果。经验证，即使训练期间量子硬件机器校准变化高达 8% 也可以很好地容忍。为了演示，该模型被用于高能物理学中不可或缺的模拟，以测量粒子能量，并最终在欧洲核子研究中心的大型强子对撞机上发现未知粒子。
![arXiv:2207.06473v1 [cs.SE] 2022 年 7 月 13 日](/simg/e\efffe05335df607d2fa296c88b37941e2988d766.webp)
arXiv:2207.06473v1 [cs.SE] 2022 年 7 月 13 日
摘要。视频游戏开发人员使用游戏引擎作为管理游戏开发复杂方面的工具。虽然引擎在游戏的成功中发挥着重要作用，但据我们所知，它们通常是以封闭源代码的方式孤立地开发的，没有架构讨论、比较和项目之间的协作。在这项正在进行的工作中，我们比较了两个开源引擎的调用图：Godot 3.4.4 和 Urho3D 1.8。虽然静态分析工具可以在没有精确调用图路径的情况下为我们提供总体情况，但使用 Callgrind 等分析器还可以让我们查看调用顺序和频率。这些图表让我们深入了解引擎的设计。我们表明，通过使用 Callgrind，我们可以获得引擎架构的高级视图，并可用于理解它。在未来的工作中，我们打算将动态和静态分析应用于其他开源引擎，以了解架构模式及其对性能和维护等方面的影响。
![arXiv:2207.04717v1 [physics.soc-ph] 2022 年 7 月 11 日](/simg/8\8aab87d5893bacdc2ad47d1bffc84740a9acc9e3.webp)
![arXiv:2207.09272v1 [quant-ph] 2022 年 7 月 19 日](/simg/1\16313b8bb3429bb9f3c4a48c5512d6d454f255a5.webp)
arXiv:2207.09272v1 [quant-ph] 2022 年 7 月 19 日
热机通常通过与不同（正）温度的热浴交换热量来运行。然而，非热浴可能会显著提高性能。我们在这里通过实验分析了单原子量子奥托发动机的功率输出，该发动机是在单个铯原子的准自旋态与原子铷浴相互作用时实现的。通过测量准自旋态的时间分辨布居，我们确定了发动机有效自旋温度和量子涨落循环过程中的动态，并借助香农熵对其进行了量化。我们发现，在负温度范围内功率会增强，并且在最大熵的一半时达到最大值。从定量上讲，与在正温度下运行相比，在负有效温度下运行我们的发动机可将功率提高高达 30%，甚至在无限温度下也是如此。同时，进入负温度区可以将熵降低到接近零的值，从而在高功率输出下提供高度稳定的运行。此外，我们通过改变工作介质的能级数，以数值方式研究了希尔伯特空间的大小对量子引擎性能的影响。我们的工作为高功率和高效单原子量子引擎运行中的波动控制铺平了道路。
![arxiv：2307.08956v1 [Quant-ph] 18 Jul 2023](/simg/e\eee8adea019c8568370a66f30690f05b3cb0fd7f.webp)
arxiv：2307.08956v1 [Quant-ph] 18 Jul 2023
HAAR度量在量子信息中起着至关重要的作用，但是其研究经常对表示理论有深刻的了解，对初学者提出了挑战。本教程旨在为量子信息中的HAAR测量工具提供基本介绍，仅利用线性代数的基本知识，因此旨在使该主题更容易访问。教程首先引入HAAR度量，其特定重点是表征瞬间运算符，这是计算HAAR度量集成体的重要元素。它还涵盖了对称子空间的属性，并引入了有用的工具，例如张量网络图表符号，有助于可视化和简化计算。接下来，本教程探讨了统一设计的概念，提供了同等的定义，并随后探讨了统一设计的近似概念，从而阐明了这些不同概念之间的关系。说明了HAAR测量计算的实际示例，包括众所周知的公式的推导，例如量子通道的旋转。最后，教程展示了HAAR测量计算在量子机学习和经典影子断层扫描中的应用。
![arxiv：2401.05363v4 [eess.sp] 11月11日，2024年7月](/simg/b\ba1742bc77a8dfbb6a8152d56fd2735a158fea04.webp)
arxiv：2401.05363v4 [eess.sp] 11月11日，2024年7月
自动睡眠分期对于睡眠评估和疾病诊断至关重要。大多数现有的方法取决于一个特定的数据集，并且仅限于将培训数据和测试数据来自同一数据集的其他看不见的数据集。在本文中，我们将DO-MAIR REMALITION引入自动睡眠阶段，并提出了可推广的睡眠阶段的任务，该任务旨在证明模型的概括能力是看不见的数据集。通过现有域概括方法刺激，我们采用了特征对齐想法，并提出了一个称为SleepDG的框架来解决它。考虑到局部显着的功能和顺序特征对于睡眠停滞很重要，我们提出了一个多级特征对齐组合，将epoch级级别和序列级特征级别对齐组合来学习域不变的特征表示。具体而言，我们标志着一个阶段级特征对齐，以使每个单个睡眠时期的特征分布在不同的操作中的特征分布以及一个序列级特征对齐，以最大程度地减少不同do-ains之间顺序特征的差异。SleepDG在五个公共数据集上得到了验证，从而实现了最先进的性能。