XiaoMi-AI文件搜索系统
World File Search SystemQRNN
通过量子经典自适应门控实现时间扭曲不变量子循环神经网络
摘要 自适应门控在通过经典循环神经网络 (RNN) 进行时间数据处理中起着关键作用，因为它有助于保留预测未来所需的过去信息，从而提供一种保持时间扭曲变换不变性的机制。本文以量子 RNN (QRNN)（一种具有量子记忆的动态模型）为基础，介绍了一类新型的时间数据处理量子模型，该模型保持了 (经典) 输入输出序列的时间扭曲变换的不变性。该模型称为时间扭曲不变 QRNN (TWI-QRNN)，它在 QRNN 中增强了一种量子-经典自适应门控机制，该机制通过经典循环模型选择是否在每个时间步骤中根据输入序列的过去样本应用参数化酉变换。TWI-QRNN 模型类源自第一原理，其成功实现时间扭曲变换的能力已在具有经典或量子动力学的示例上通过实验证明。
使用机器学习从现场数据预测电动汽车能源
摘要 - 这项研究解决了准确预测电动汽车能源消耗（EV）的挑战，这对于减少范围焦虑和进步的充电和能量优化至关重要。尽管当前预测方法（包括经验，基于物理和数据驱动的模型）的局限性，但本文介绍了一种新颖的基于机器学习的预测框架。它整合了物理知识的功能，并将离线全球模型与特定于车辆的在线改编相结合，以提高预测准确性并评估不确定性。我们的框架经过来自现实世界中电动汽车车队的数据的广泛测试。虽然领先的全球模型，即分位数回归神经网络（QRNN）的平均误差为6.30％，但在线适应进一步降低至5.04％，两者都超过了现有模型的性能。此外，对于95％的预测间隔，在线改编的QRNN将覆盖范围提高到91.27％，并将预测间隔的平均宽度减少到0.51。这些结果证明了利用基于物理的特征和基于车辆的在线适应来预测EV能源消耗的有效性和效率。
使用深度学习从整个脉冲活动中稳健而准确地解码手部运动
稳健性和解码准确性仍然是皮层内脑机接口 (BMI) 系统临床转化的主要挑战。在这项工作中，我们展示了一种信号/解码器协同设计方法（在设计开发过程中利用输入信号和解码算法之间的协同作用）可用于实现稳健且准确的 BMI 解码性能。具体而言，通过应用此过程，我们提出将整个脉冲活动 (ESA) 用作输入信号，将基于准循环神经网络 (QRNN) 的深度学习用作解码算法。我们评估了 ESA 驱动的 QRNN 解码器从非人类灵长类动物初级运动皮层区域长期记录的神经信号解码手部运动学的性能。我们提出的方法在长期记录会话中始终比之前报告的任何其他方法都具有更高的解码性能。即使从原始信号中去除脉冲，其高解码性能也能维持。总体结果显示出极高的解码精度和长期稳健性，这是非常可取的，因为它是 BMI 中尚未解决的挑战。
量子机器学习实践入门
摘要 — 本教程提供了引人入胜的量子机器学习 (QML) 领域的实践介绍。从量子信息科学 (QIS) 的基础开始——包括量子比特、单量子比特门和多量子比特门、测量和纠缠等基本元素——课程迅速进展到基础 QML 概念。参与者将探索参数化或变分电路、数据编码或嵌入技术以及量子电路设计原理。深入研究后，与会者将研究各种 QML 模型，包括量子支持向量机 (QSVM)、量子前馈神经网络 (QNN) 和量子卷积神经网络 (QCNN)。本教程突破界限，深入研究前沿 QML 模型，例如量子循环神经网络 (QRNN) 和量子强化学习 (QRL)，以及量子联合机器学习等隐私保护技术，并通过具体的编程示例提供支持。在整个教程中，所有主题和概念都通过在量子计算机模拟器上执行的实际演示变得生动有趣。课程内容专为新手设计，适合那些渴望踏上 QML 之旅的人。与会者还将获得有关进一步阅读材料的指导，以及课程结束后可以探索的软件包和框架。