XiaoMi-AI文件搜索系统
World File Search SystemTensor
使用 AlphaTensor 进行量子电路优化
实现容错量子计算机的一个关键挑战是电路优化。我们专注于容错量子计算中最昂贵的门（即 T 门），解决 T 计数优化问题，即最小化实现给定电路所需的 T 门数量。为了实现这一目标，我们开发了 AlphaTensor-Quantum，这是一种基于深度强化学习的方法，利用优化 T 计数和张量分解之间的关系。与现有的 T 计数优化方法不同，AlphaTensor-Quantum 可以结合有关量子计算的领域特定知识并利用小工具，从而显著减少优化电路的 T 计数。AlphaTensor-Quantum 在一系列算术基准上的表现优于现有的 T 计数优化方法（即使在不使用小工具的情况下进行比较）。值得注意的是，它发现了一种类似于 Karatsuba 有限域乘法方法的有效算法。 AlphaTensor-Quantum 还为 Shor 算法中使用的相关算术计算和量子化学模拟找到了最佳的人为设计解决方案，从而证明它可以通过完全自动化的方式优化相关量子电路来节省数百小时的研究时间。
张量积和纠缠
当然，我们可以通过迭代张量积来组合两个以上的量子系统。当量子系统是两个量子系统（可由两方控制）的张量积时，通常将其称为二分系统；如果量子系统是两个以上量子系统的张量积，则称为多分系统；如果因子数量已知，则称为三分系统、n 分系统等。请注意，二分系统或多分系统不是量子系统的固有属性，而是一种视角选择。多分量子系统可以从许多不同的方式被认为是二分量子系统。通常将多分量子系统的二分称为将其分解为两个（非平凡）量子系统的张量积的某种方式。由于符号很快就会变得混乱，因此通常用大写字母“A”、“B”、“C”等来标记状态空间，如果涉及两个量子系统，则用数字来标记。例如，我们可以将三部分系统 H A ⌦H B ⌦H C 的二分写为
DNA-TEQ：用于 DNN 推理的自适应指数量化张量
摘要 — 量化通常用于深度神经网络 (DNN)，通过降低激活和权重（又称张量）的算术精度来减少存储和计算复杂度。高效的硬件架构采用线性量化，以便将最新的 DNN 部署到嵌入式系统和移动设备上。然而，线性均匀量化通常无法将数值精度降低到 8 位以下，而不会牺牲模型精度方面的高性能。性能损失是由于张量不遵循均匀分布。在本文中，我们表明大量张量符合指数分布。然后，我们提出 DNA-TEQ 以自适应方案对 DNN 张量进行指数量化，以在数值精度和精度损失之间实现最佳权衡。实验结果表明，DNA-TEQ 提供的量化位宽比以前的方案低得多，平均压缩率比线性 INT8 基线高出 40%，准确度损失可以忽略不计，并且无需重新训练 DNN。此外，DNA-TEQ 在指数域中执行点积运算方面处于领先地位。对于一组广泛使用的 DNN，与基于 3D 堆叠内存的基线 DNN 加速器相比，DNA-TEQ 平均可提供 1.5 倍的加速和 2.5 倍的节能。索引术语 —DNN、量化、指数、Transformer
张量感知能量核算
随着由深度学习 (DL) 支持的人工智能 (AI) 应用的快速增长，这些应用的能源效率对可持续性的影响越来越大。我们推出了 Smaragdine，一种使用 TensorFlow 实现的基于张量的 DL 程序的新型能源核算系统。Smaragdine 的核心是一种新颖的白盒能源核算方法：Smaragdine 能够感知 DL 程序的内部结构，我们称之为张量感知能源核算。借助 Smaragdine，DL 程序的能耗可以分解为与其逻辑层次分解结构一致的单元。我们应用 Smaragdine 来了解 BERT（最广泛使用的语言模型之一）的能源行为。Smaragdine 能够逐层、逐张地识别 BERT 中能耗/功耗最高的组件。此外，我们还对 Smaragdine 如何支持下游工具链构建进行了两个案例研究，一个是关于 BERT 超参数调整的比较能量影响，另一个是关于 BERT 进化到下一代 ALBERT 时的能量行为演变。
使用二氧化碳激光器的浅表性腹膜子宫内膜异位症蒸发：长期单中心体验
摘要：宿主免疫系统的稳态受到白细胞的调节，具有各种细胞表面受体用于细胞因子。趋化性细胞因子（趋化因子）激活其受体，以唤起稳态迁移或朝向炎症组织或病原体的炎症条件下免疫细胞的趋化性。免疫系统的失调导致疾病，例如过敏，自身免疫性疾病或癌症，需要有效，快速作用的药物，以最大程度地减少慢性炎症的长期影响。 在这里，我们进行了基于结构的虚拟筛选（SBV），并由Keras/Tensorflow神经网络（NN）辅助使用，以发现作用于三种趋化因子受体的新型化合物支架：CCR2，CCR3和一个CXC受体CXCR3。 keras/tensorflow nn在此使用不作为典型使用的二进制分类器，而是作为有效的多级分类器，不仅可以丢弃非活性化合物，还可以丢弃低或中等活性化合物。 在100 ns全原子分子动力学中测试了SBV和NN提出的几种化合物，以确认其结合效率。 为了改善化合物的基本结合功能，提出了新的化学修饰。 将修饰的化合物与这三种趋化因子受体的已知拮抗剂进行了比较。 已知的CXCR3化合物是最受预测的化合物之一。因此，除了基于结构的方法外，还显示了在药物发现中使用KERAS/Tensorflow的好处。 此外，我们表明KERAS/Tensorflow NN可以准确预测化合物的受体亚型选择性，SBV通常会失败。导致疾病，例如过敏，自身免疫性疾病或癌症，需要有效，快速作用的药物，以最大程度地减少慢性炎症的长期影响。在这里，我们进行了基于结构的虚拟筛选（SBV），并由Keras/Tensorflow神经网络（NN）辅助使用，以发现作用于三种趋化因子受体的新型化合物支架：CCR2，CCR3和一个CXC受体CXCR3。keras/tensorflow nn在此使用不作为典型使用的二进制分类器，而是作为有效的多级分类器，不仅可以丢弃非活性化合物，还可以丢弃低或中等活性化合物。在100 ns全原子分子动力学中测试了SBV和NN提出的几种化合物，以确认其结合效率。为了改善化合物的基本结合功能，提出了新的化学修饰。将修饰的化合物与这三种趋化因子受体的已知拮抗剂进行了比较。已知的CXCR3化合物是最受预测的化合物之一。因此，除了基于结构的方法外，还显示了在药物发现中使用KERAS/Tensorflow的好处。此外，我们表明KERAS/Tensorflow NN可以准确预测化合物的受体亚型选择性，SBV通常会失败。我们从Chembl和策划数据集检索到大麻素受体的跨测试趋化因子受体数据集。在从Chembl检索的大麻素受体数据集上训练的NN模型是受体亚型选择性预测中最准确的。在趋化因子受体数据集训练的NN模型中，CXCR3模型在区分给定化合物数据集的受体亚型方面表现出最高的精度。
用于模拟量子多态性的张量网络方法...
3.2 使用不同优化方法计算 QAOA 假设状态的张量网络线图。“默认”和“对角线”分别显示使用全矩阵门和对角线门方法的图 3.1 所示电路的张量网络线图。“ZZ 门 + 对角线”是通过在应用公式 3.4 获得的简化量子电路上使用对角线门方法获得的。该图演示了如何通过改进量子算法到张量网络的转换来降低网络的复杂性，从而为寻找收缩阶和收缩本身提供加速。....................................................................................................................................................................................................................................................................36
轴向脱钩的光刺激和两个光子读数（Adept）用于映射神经回路的功能连通性
摘要：宿主免疫系统的体内平衡受白细胞的调节，其中有8种细胞表面受体用于细胞因子。趋化性细胞因子（趋化因子）激活其受体9，以唤起稳态迁移或炎症条件下的免疫细胞的趋化性，即炎症组织或病原体。免疫系统的失调导致11种疾病，例如过敏，自身免疫性疾病或癌症，需要有效，快速作用的药物，以最大程度地减少慢性炎症的12种长期影响。在这里，我们进行了基于结构的虚拟筛选13（SBV），由KERAS/Tensorflow神经网络（NN）辅助，以查找在三个趋化因子受体上作用的新型化合物支架14：CCR2，CCR3和一个CXC受体CXCR3。keras/tensorflow 15 nn在这里不是用作典型使用的二进制分类器，而是作为有效的多级分类器16，不仅可以丢弃非活性化合物，而且还可以丢弃低或中等活性化合物。在100 ns全原子分子动力学中测试了SBV和NN提出的几种化合物，以确认其结合亲和力。为改善化合物的基本结合亲和力，提出了新的19种化学修饰。将修饰的化合物与这三个趋化因子受体的已知20个雄鹿主义者进行了比较。已知的CXCR3是预测的21磅，因此在基于结构的方法中显示了在药物发现中使用Keras/Tensorflow的好处。此外，我们表明KERAS/Tensorflow NN可以预测化合物的受体亚型选择性，SBV通常会失败。我们跨越了24个测试的趋化因子受体数据集，这些数据集从Chembl和策划的大麻素25受体中策划的数据集获取，网址为：http：//db-gpcr-chem.uw.edu.pl。在从Chembl检索的大麻素26受体数据集上训练的NN模型是受体亚型选择性27预测中最准确的。在趋化因子受体数据集训练的NN模型中，CXCR3模型28在区分给定化合物数据集的受体亚型方面表现出最高的精度。29
一种新型的张量网络
尽管张量网络是模拟低维量子物理的有力工具，但张量网络算法在较高空间维度上的计算成本非常高。我们引入了量子规范网络：一种不同类型的张量网络假设，对于较大的空间维度，模拟的计算成本不会明显增加。我们从量子动力学的规范图 [ 1 ] 中汲取灵感，它由每个空间斑块的局部波函数组成，相邻斑块通过幺正连接相关。量子规范网络 (QGN) 具有类似的结构，只是局部波函数和连接的希尔伯特空间维数被截断。我们描述了如何从通用波函数或矩阵积态 (MPS) 获得 QGN。对于 M 个算子，任何波函数的所有 2 k 点相关函数都可以通过键维数为 O ( M k ) 的 QGN 精确编码。相比之下，仅当 k = 1 时，量子比特的 MPS 通常需要指数级更大的键维数 2 M / 6。我们提供了一种简单的 QGN 算法，用于近似模拟任意空间维度中的量子动力学。近似动力学可以实现时间无关的汉密尔顿量的精确能量守恒，并且空间对称性也可以精确保持。我们通过模拟多达三个空间维度中的费米子汉密尔顿量的量子猝灭来对该算法进行基准测试。
肌萎缩性侧硬化症中的扩散张量成像
摘要：扩散张量成像（DTI）允许对病理白质变化的体内成像，既可以通过无偏的素voxel，也可以基于假设引导的区域分析。扩散指标的改变表明肌萎缩性侧索硬化症患者在个体水平上的脑状态。使用机器学习（ML）模型来分析复杂和高维神经影像学数据集，ALS中基于DTI的生物标志物的新机会。本综述旨在总结如何将基于DTI参数的不同ML模型用于监督诊断分类，并在ALS中使用无监督的方法提供个性化的患者分层。为了捕获整个神经病理学特征的频谱，DTI可能与其他模式相结合，例如ML模型中的结构T1W 3-D MRI。为了进一步提高ML在ALS中的功能并启用深度学习模型的应用，需要标准化的DTI协议和多中心协作来验证多模式DTI生物标志物。将ML模型应用于基于多模式DTI的多模式的数据集将对ALS患者的神经病理学特征进行详细评估，并可以在临床检查中使用的新型神经影像学生物标志物的发展。