XiaoMi-AI文件搜索系统
World File Search SystemShallow
任意破坏下的浅电路量子优势
Bravyi、Gosset 和 König（Science 2018）、Bene Watts 等人（STOC 2019）、Coudron、Stark 和 Vidick（QIP 2019）以及 Le Gall（CCC 2019）最近的研究表明，浅（即小深度）量子电路和经典电路的计算能力存在无条件分离：量子电路可以以恒定深度求解经典电路需要对数深度才能求解的计算问题。利用量子纠错，Bravyi、Gosset、König 和 Tomamichel（Nature Physics 2020）进一步证明，即使量子电路受到局部随机噪声的影响，类似的分离仍然存在。在本文中，我们考虑了在计算结束时任何恒定部分的量子比特（例如，巨大的量子比特块）都可能被任意破坏的情况。即使在这个极具挑战性的环境中，我们也朝着建立量子优势迈出了第一步：我们证明存在一个计算问题，可以通过量子电路以恒定深度解决，但即使解决该问题的任何大子问题也需要对数深度和有界扇入经典电路。这为量子浅电路的计算能力提供了另一个令人信服的证据。为了展示我们的结果，我们考虑了扩展图上的图状态采样问题（之前的研究也使用过）。我们利用扩展图对顶点损坏的“鲁棒性”来表明，对于小深度经典电路来说很难解决的子问题仍然可以从损坏的量子电路的输出中提取出来。
海洋平台浅水回声测深仪的设计与开发
摘要 — 水下回声测深仪是水面和水下舰艇声纳套件不可或缺的一部分。这些系统通过提供船体龙骨和海底之间的实时距离来确保舰队的安全作业。本文我们报告了一种用于舰队舰艇的具有出色声学参数的浅水回声测深仪的设计和开发。原型回声测深仪的峰值发射电压响应 (TVR) 为 170 dB，接收电压灵敏度 (RVS) 为 –187 dBV/µPa，电阻抗为 193 Ω。此外，这种声学换能器的设计具有通过控制传感器几何形状来调整工作频率的灵活性。这种灵活性确保了对工作频率的控制和根据要求进行定制。关键词：浅水回声测深仪、PZT、单波束、声学匹配层、水文
随机浅二维量子电路的有效经典模拟
量子计算的一个核心问题是确定量子计算相对于经典计算的优势来源。尽管在经典计算机上模拟量子动力学被认为在最坏情况下需要指数级的开销，但已知在几种特殊情况下存在有效的模拟。人们普遍认为，这些易于模拟的情况以及任何尚未发现的情况都可以通过随机选择量子电路来避免。我们证明了这种直觉是错误的，因为我们证明了某些恒定深度的二维随机电路系列可以在经典计算机上近似模拟，时间与量子比特和门的数量成线性关系，即使相同的系列能够进行通用量子计算，并且在最坏情况下很难精确模拟（在标准硬度假设下）。虽然我们的证明适用于特定的随机电路系列，但我们用数字证明，更一般的足够浅的恒定深度二维随机电路系列的典型实例也可以有效模拟。我们提出了两种经典模拟算法。一种是基于首先模拟空间局部区域，然后通过恢复图将它们“缝合”在一起。另一种方法是将二维模拟问题简化为模拟一种由交替进行的随机局部幺正和弱测量组成的一维动力学问题。类似的过程最近成为研究的焦点，研究发现，随着测量强度的变化，动力学通常会经历从低纠缠（且模拟效率高）状态到高纠缠（且模拟效率低）状态的相变。通过从随机量子电路到经典统计力学模型的映射，我们给出了分析证据，证明随着电路结构参数（如局部希尔伯特空间维数和电路深度）的变化，我们的两种算法都会发生类似的计算相变，此外，对应于足够浅的随机量子电路的有效一维动力学属于模拟效率范围。针对深度为 3 的“砖砌”架构（精确模拟难度较大）实施后一种算法，我们发现笔记本电脑可以在 409 × 409 网格上模拟典型实例，总变化距离误差小于 0.01，每个样本大约需要一分钟，这是之前已知的电路模拟算法无法完成的任务。数值结果支持我们的分析证据，即该算法是渐近有效的。
比较用于脑网络分析的浅层和深层图模型
摘要 — 众所周知，图神经网络 (GNN) 可以有效地对各种领域的网络数据进行建模。然而，在脑网络分析中，GNN 是否能胜过传统的浅层图分类模型（例如图核）仍不清楚。为此，我们分析了建模脑网络的不同方法，包括基于图核的 SVM、基本 GNN 和核化 GNN。这些模型旨在帮助分析疾病和精神障碍，如躁郁症、人类免疫缺陷病毒 (HIV)、创伤后应激障碍 (PTSD) 和抑郁症。具体来说，我们使用三种方法进行实验：核化支持向量机 (SVM)、消息传递图神经网络 (MPGNN) 和核图神经网络 (KerGNN)。我们得出结论：1) 深度模型 (GNN) 通常优于浅层模型 (SVM)；2) 考虑特定图形主题的模型似乎并没有显着提高性能。我们还确定了其他图形核和 GNN 框架，这些框架有望推动大脑网络分析的进一步研究。索引词 — 大脑网络、GNN、图形学习、图形核、神经影像数据、SVM
通过浅神经网络级联的模拟RF电路尺寸
摘要 - 提出了用于模拟电路组件自动尺寸的深神经网络体系结构，重点是2至5 GHz区域的射频（RF）应用。它解决了通常少数网络培训示例的挑战和多种解决方案的存在，其中该型解决方案是集成电路实现的不切实际值。，由于一系列专用的浅神经网络（SNN），我们通过一次将学习限制到一个组件大小来解决这些问题，在该级联限制了下一个网络的预测。此外，SNN是通过遗传算法单独调整预测顺序和准确性的。在每个步骤中的解决方案空间的缩小允许使用小型训练集，以及SNNS处理组件相互依赖的限制。该方法在三种不同类型的RF微电路上成功验证：低噪声放大器（LNA），电压控制的振荡器（VCO）和混合器，使用180 nm和130 nm CMOS实现。所有预测均在成分和性能水平的真实值的5％之内，所有响应均在4至47分钟后在不到5 s的情况下获得。在常规PC站进行培训。获得的结果表明，所提出的方法快速且适用于任意模拟电路拓扑，而无需为每组新的所需电路性能重新训练开发的神经网络。
浅水区水面和水下特征检测的图像分析
精心收集的机载图像显示出能够看到水面特征以及浅水底特征（例如水下植被和人造目标）。传统的摄影测量图像和机载数字图像都因多种因素而导致图像清晰度下降，包括毛细管波和小重力波、水柱或原位成分。在机载或原位地下图像采集过程中部署水下和地面人造校准目标，为校正图像以改善地下和地面特征及其检测奠定了初步基础。所介绍的方法以及 490 nm、532 nm 和 698-700 nm 的图像清楚地显示了浅水区的地下特征。所采用的技术包括使用大画幅相机和摄影测量胶片以及特殊滤光片（例如 Wratten # 70），以便在植物“红边”附近提供更窄的光谱特征，以用于改善对高光谱推扫式图像的解释。来自多个传感器和平台（包括自主水下航行器）的组合图像构成了数据融合的基础，用于自动提取水面和地下特征。来自新型高光谱成像系统的数据展示了亚米级高光谱图像在地下特征检测中的实用性。
清水、浅水、使用数字摄影测量法测量砾石河床
摘要 对新西兰北阿什伯顿河清澈浅水砾石河段的数字摄影测量测量所获得的数字高程模型 (DEM) 质量进行了评估。使用自动校正程序处理与水下地形相关的点误差，该程序基于对空气-水界面折射的校正。还考虑了收集参数变化对 DEM 质量的影响。使用独立数据集评估水下地形 DEM 的准确度和精度。结果表明，如果将数字摄影测量与图像分析技术结合使用，可以成功用于提取砾石河床的高分辨率 DEM，但水下地形表示的质量在很大程度上取决于图像采集时的水深。有人提出，数字摄影测量表面与“实际”河床表面（由地面测量确定）之间的差异将在一定程度上反映定义砾石覆盖表面真实高程的问题。数字摄影测量测量通常会看到砾石鹅卵石的顶部，而手持测量人员则倾向于记录石头之间的高程。还讨论了误差的命名法，并得出结论，所采用的表面质量测量应与 DEM 的应用一致。
浅层和深层处理——外语学习的综合认知架构
摘要本文旨在提出一种在外语学习背景下整合浅层和深层处理技术的架构。自从 Craik 和 Lockhart 于 1972 年首次提出“处理层次”的概念以来，专门文献一直在尝试复制这种基于认知的架构，以找到它在不同领域的应用。为了填补试图“结合”语言学习和心理语言学的文献中的现有空白，本研究提供了一个额外的认知神经科学视角来理解促进有效语言学习的浅层和深层处理编码机制。本研究将从一份关于激活的认知过程在外语习得和学习中的作用的简短理论报告开始，提出一些综合的教学建议，以促进学习者在课堂上有效地处理 L2 数据。
基于生物学的神经表征可实现快速在线浅层强化学习
生物大脑的学习速度比标准深度神经网络强化学习算法快得多。其中一个原因是深度神经网络需要学习适合手头任务的表示，而生物系统已经拥有合适的表示。在这里，我们通过在神经网络上施加基于生物学中观察到的表示（例如网格细胞）来绕过这个问题。本研究探讨了使用受生物启发的网格细胞表示与独热表示对基于时间差异的 Actor-Critic 网络学习解决简单的 2D 网格世界强化学习任务的速度的影响。结果表明，使用网格细胞确实可以促进更快的学习。此外，这里实现的网格细胞具有准确表示无界连续空间的潜力。因此，它们在这个离散任务上的出色表现是探索它们在连续空间中强化学习的效用的第一步。关键词：强化学习；网格细胞；空间语义指针；
用于浅水测深评估的创新海上无人系统和卫星解决方案
摘要：浅水测深是土木工程、港口监测和军事行动等各个领域关注的重点课题。本研究介绍了几种使用集成了光探测和测距 (LiDAR) 和多波束回声测深仪 (MBES) 等先进创新传感器的海上无人系统 (MUS) 评估浅水测深的方法。此外，本研究全面描述了同一地理区域内的卫星测深 (SDB) 技术。详细介绍了每种技术的实施和所得数据，然后对其准确性、精确度、快速性和运行效率进行了分析比较。在 MUS 调查之前，使用传统方法进行的水深参考调查以及所有方法之间的交叉比较来评估方法的准确性和精确度。在对每一种调查方法进行评估时，都会进行全面的评估，解释每种方法的优点和局限性，从而使读者能够全面了解这些方法的有效性和适用性。该实验是使用海上无人系统 23 进行机器人实验和原型设计（REPMUS23）多国演习的一部分，而该演习又是快速环境评估 (REA) 实验的一部分。