XiaoMi-AI文件搜索系统
World File Search SystemNN
俄罗斯海事船级社
5if NpoJupst BSF BQMJDBCMF GPS UIF GPSNJOH BOE EFMJWFSZ PG MPX FYQBOTJPO GPBN BOE tpmje PS EJTQFSTFE XBFU xji fm bo ifb bo ifb bo if if bo if if bo ifb bo ifb bo ifb bo if if if if if if if if bo ifm bo ifm bo if if if bo ifm efm bo if if if if if if if if if if if if if iq， 5ZQFԃ /pNJOBM CPSF PG GJSF IPTF OP [[MF NN
金属离子控制电子基态中光诱导电子自旋极化。
摘要：通过改变金属离子的性质可以控制发色团-自由基复合物电子基态 ( 2 S 0 /D 0 ) 中光诱导电子自旋极化 (ESP) 的符号和强度。该复合物由一个有机自由基 (硝基氮氧化物，NN) 通过一个间位亚苯基桥与一个供体受体发色团共价连接而成，( bpy)M(CAT- m -Ph-NN ) ( 1 ) (bpy = 4,4'-二叔丁基-2,2'-联吡啶，M = Pd II ( 1-Pd) 或 Pt II ( 1-Pt )，CAT = 3-叔丁基儿茶酚酸酯，m -Ph = 间位亚苯基)。在这两种复合物中，可见光的光激发都会产生初始交换耦合、3 自旋（bpy•-、CAT+• = 半醌 (SQ) 和 NN•）、电荷分离双线 2 S 1（S = 发色团激发自旋单线态）激发态，该激发态通过 2 T 1（T = 发色团激发自旋三线态）态迅速衰减到基态。该过程预计不会具有自旋选择性，并且对于 1-Pd 仅发现非常弱的发射 ESP。相反，在 1-Pt 中产生强吸收 ESP。推测零场分裂引起的发色 2 T 1 态与 4 T 1 态（1-Pd 和 1-Pt）之间的跃迁，以及自旋轨道引起的 2 T 1 态与 NN 基四重态（1-Pt）之间的跃迁，导致了极化差异。
使用恶意软件数据集探索机器学习和量子机学习的漏洞：比较分析
摘要 - 机器学习的新兴领域（ML）和量子机器学习（QML）在解决各个领域的复杂问题方面具有巨大的潜力。但是，在将这些系统部署在安全敏感的应用中时，它们对对抗性攻击的敏感性会引起人们的关注。在这项研究中，我们对ML和QML模型的脆弱性，特别是常规神经网络（NN）和量子神经网络（QNN）进行了比较分析，以使用恶意软件数据集进行对抗攻击。我们利用一个称为夹具的软件供应链攻击数据集，并为QNN和NN开发了两个不同的模型，并采用Pennylane实现了Quantylane，而Tensorflow和Keras进行了传统实现。我们的方法涉及通过将随机噪声引入数据集的一小部分来制作对抗样本，并使用准确性，精度，召回和F1得分指标评估模型性能的影响。根据我们的观察结果，ML和QML模型均表现出对对抗攻击的脆弱性。与攻击后的NN相比，QNN的准确性降低了，但在精确和召回方面表现出更好的性能，表明在对抗条件下检测真正的阳性时的弹性更高。我们还发现，为一种模型类型制定的对抗样品会损害另一种模型的性能，从而强调了对强大的防御机制的需求。我们的研究是未来研究的基础，着重于增强ML和QML模型（尤其是QNN）的安全性和弹性，鉴于其最近的进步。面对对抗性攻击，将进行更广泛的实验，以更好地了解这两种模型的性能和鲁棒性。
nn-Steiner：一种与直线施托纳最小树问题的混合神经算法方法
最近几年见证了使用神经网络来解决组合优化概率的快速进步。尽管如此，设计可以有效处理给定优化问题的“正确”神经模型可能具有挑战性，而且通常没有理论上的理解或对所得神经模型的理由。在本文中，我们专注于直线施剂最小树（RSMT）问题，这在IC布局设计中至关重要，因此吸引了VLSI文献中的许多启发式方法。我们的贡献是两个方面。在方法论方面，我们提出了NN-Steiner，这是一种用于计算RSMT的新型混合神经偏金属框架，该框架利用Arora的著名PTAS算法框架来解决此问题（以及其他几何优化问题）。我们的nn-Steiner用合适的神经成分代替了Arora PTA中的关键al-grolithmic成分。特别是，NN-Steiner仅需要四个神经网络（NN）组件，这些组件在算法框架内反复称为。至关重要的是，四个NN组件中的每个组件中的每个组件仅具有限制的尺寸，独立于Intop尺寸，因此易于训练。此外，随着NN组合正在学习一个通用的算法步骤，一旦学会了，因此所产生的混合神经 - 算象框架一般 - 在培训中看不到的更大实例。据我们所知，我们的nn-Steiner是有限尺寸的第一个神经体系结构，具有大约解决RSMT（和变体）的能力。在经验方面，我们展示了如何通过与最先进的方法（包括神经和非神经性的）相比，如何实现NN-Steiner，并证明我们所产生的方法的有效性，尤其是在一代化方面。
数据驱动参数化中的数据不平衡，不确定性定量和转移学习：WACCM中重力波动量传输的经验教训
抽象的神经网络（NNS）越来越多地用于天气和气候模型中数据驱动的亚网格尺度参数化。虽然NNS是从数据中学习复杂的非线性关系的强大工具，但将它们用于参数化存在一些挑战。这些挑战中的三个是（a）与学习稀有（通常是大振幅）样本有关的数据失衡； （b）预测的不确定性定量（UQ）提供精确指标； （c）对其他气候的概括，例如那些具有不同辐射的刺激的气候。在这里，我们使用基于整个大气的社区气候模型（WACCM）物理学的重力波（GW）参数化来解决这些挑战的方法的性能。WACCM具有地讲，对流和前驱动的GWS的复杂状态，对对流和前驱动的GWS。对流和地形驱动的GWS由于在大多数网格点缺乏对流或地球而具有显着的数据失衡。我们使用重采样和/或加权损失功能来解决数据不平衡，从而成功地模仿了所有三个来源的参数化。我们证明了三种UQ方法（贝叶斯NN，变异自动编码器和辍学器）提供了与测试过程中准确性相对应的集合差，提供标准，用于识别NN何时给出不准确的预测。最后，我们表明这些NN的准确性降低了温暖的气候（4×CO 2）。但是，通过应用转移学习，仅使用约1％的新数据从温暖的气候中重新训练一层，从而显着提高了它们的性能。这项研究的结果为开发可靠且可推广的数据驱动参数的各种过程（包括（但不限于）GWS）提供了见解。
量子广义 Potts-Hopfield 神经网络的相图
摘要 我们介绍并分析了 q 状态 Potts-Hopfield 神经网络 (NN) 的开放量子泛化，这是一种基于多层经典自旋的联想记忆模型。这个多体系统的动力学以 Lindblad 型马尔可夫主方程的形式表示，该方程允许将概率经典和相干量子过程平等地结合起来。通过采用平均场描述，我们研究了由温度引起的经典涨落和由相干自旋旋转引起的量子涨落如何影响网络检索存储的记忆模式的能力。我们构建了相应的相图，在低温状态下，该相图显示的模式检索类似于经典的 Potts-Hopfield NN。然而，当量子涨落增加时，会出现极限环相，而极限环相没有经典对应相。这表明量子效应可以相对于经典模型从质上改变稳态流形的结构，并可能允许人们编码和检索新类型的模式。
影响心率变异性的因素——叙述性综述
心率变异性 (HRV) 的测量和分析基于连续 NN 间隔之间的变化，自第一份指南发布（欧洲心脏病学会和北美起搏和电生理学会工作组，1996 年）以来，在过去 20 年里已成为一种既定程序。不仅记录技术取得了进步（更小、更便携、更精确的设备）（Koerber T 等人，2000 年），而且现在还可以通过小型胸带和脉搏监视系统测量 NN 间隔（Wallén 等人，2012 年）。技术发展降低了记录和分析的成本，并促进了门诊应用。HRV 在临床医学中也变得越来越重要，特别是作为既定的诊断程序的补充或监测进展。这需要对记录和分析 HRV 有基本的了解，可参考相关指南（欧洲心脏病学会和北美起搏和电生理学会工作组，1996 年；Sassi 等人，2015 年；Sammito 等人，2024 年）。
交替分层变分量子电路可以利用经典阴影进行有效的经典优化
变分量子算法 (VQA) 是经典神经网络 (NN) 的量子模拟。VQA 由参数化量子电路 (PQC) 组成，该电路由多层假设（更简单的 PQC，与 NN 层类似）组成，这些假设仅在参数选择上有所不同。先前的研究已将交替分层假设确定为近期量子计算中潜在的新标准假设。事实上，浅层交替分层 VQA 易于实现，并且已被证明既可训练又富有表现力。在这项工作中，我们引入了一种训练算法，可指数级降低此类 VQA 的训练成本。此外，我们的算法使用量子输入数据的经典阴影，因此可以在具有严格性能保证的经典计算机上运行。我们证明了使用我们的算法在寻找状态准备电路和量子自动编码器的示例问题中将训练成本提高了 2-3 个数量级。
用于数据高效图像分类的量子神经网络
在我们这个不断发展的世界里，海量的数据无时无刻不在涌入——无论是每天、每小时，甚至是每分每秒。我们交流、分享链接、图像和观点，留下一串串的痕迹，不仅代表着我们广阔的自然环境，也反映了我们的想法、喜好和情绪。认识到这些数据的重要性，数据科学领域应运而生，致力于揭示其中隐藏的洞见。机器学习 (ML) 已成为一个令人着迷的研究领域[8]，因其从大量数据集中提取知识的能力而备受瞩目[20]。机器学习在弥合我们对自然的理解与其复杂性之间的差距方面发挥了关键作用。深度学习 (DL)，尤其是神经网络 (NN)，彻底改变了经典的机器学习，成为建模统计数据的非线性结构[23]。 NN，尤其是卷积神经网络 (CNN)，可以模拟输入和输出之间的复杂关系[8]，在图像模式识别等任务上表现出色，而这些任务的灵感来自视觉皮层的结构。虽然 NN，尤其是多层 NN，已经展现出非凡的能力，但它们的可训练性却带来了挑战。反向传播的出现缓解了这个问题，但训练困难仍然存在，需要整流神经元激活函数和分层训练等解决方案。量子机器学习 (QML) 开辟了新途径，利用嘈杂的中型量子计算机来解决涉及量子数据的计算问题。变分量子算法 (VQA) 和量子神经网络 (QNN) 提供了有前景的应用，利用经典优化器来训练量子电路中的参数。QNN 通过分析具有多项式复杂度的系统[2][6]（在经典机器学习中，该系统的复杂度将呈指数级增长），与经典模型相比具有独特的优势，从而提供了计算优势。值得注意的是，与传统神经网络相比，QNN 表现出更快的学习能力，这归因于第 1 章和 A 章中讨论的纠缠。先前的研究强调了 QNN 在从有限数据中学习方面的有效性，从而减少了训练过程中的时间和精力。这篇硕士论文深入研究了使用用最少图像训练的各种量子模型进行有效图像分类的可能性，最后直接与经典 CNN 性能进行了比较。使用两个不同的数据集进行训练，随后缩小规模以探索 QNN 模型比 CNN 预测更多图像的潜力。
研究由合并启发的光之和规则......
提出了一种数据驱动的想法来检验轻核和超核是否遵循由合并启发的和规则，即检验轻核或超核的流是否是其各个成分流的总和。这里，轻核和超核成分之间的质量差异和电荷差异得到了适当处理。该想法被应用于 STAR 合作组织发布的相对论重离子对撞机 (RHIC) 中 √ s NN = 3 GeV 固定目标 Au+Au 碰撞的现有数据。发现轻核的和规则在中快速度（−0.3<y<0）附近近似有效，但在大快速度（y<−0.3）下明显违反和规则。 Jet AA 微观传输模型 (JAM) 具有重子平均场和核子聚结，可生成与实验数据类似的模式。在当前方法中，以独立于模型的方式预测了 √ s NN = 3 GeV Au+Au 碰撞中超核 3 Λ H 和 4 Λ H 定向流的快度依赖性，STAR 正在进行和未来的测量将对此进行探索。