XiaoMi-AI文件搜索系统
World File Search SystemTensor
利用张量网络方法在现代 GPU 上进行高效的量子电路模拟
随着量子硬件的快速发展，量子电路的高效模拟已变得不可或缺。主要的模拟方法基于状态向量和张量网络。随着目前量子器件中量子比特和量子门的数量不断增加，传统的基于状态向量的量子电路模拟方法由于希尔伯特空间的庞大和广泛的纠缠而显得力不从心。因此，野蛮的张量网络模拟算法成为此类场景下的唯一可行解决方案。张量网络模拟算法面临的两个主要挑战是最优收缩路径寻找和在现代计算设备上的高效执行，而后者决定了实际的效率。在本研究中，我们研究了此类张量网络模拟在现代 GPU 上的优化，并从计算效率和准确性两个方面提出了通用的优化策略。首先，我们提出将关键的爱因斯坦求和运算转化为 GEMM 运算，利用张量网络模拟的具体特性来放大 GPU 的效率。其次，通过分析量子电路的数据特性，我们采用扩展精度保证模拟结果的准确性，并采用混合精度充分发挥GPU的潜力，使模拟速度更快、精度更高。数值实验表明，在Sycamore的18周期情况下，我们的方法可以将随机量子电路样本的验证时间缩短3.96倍，在一台A100上持续性能超过21 TFLOPS。该方法可以轻松扩展到20周期的情况，保持相同的性能，与最先进的基于CPU的结果相比加速12.5倍，与文献中报道的最先进的基于GPU的结果相比加速4.48-6.78倍。此外，本文提出的策略对
深度学习实时卫星对张量处理单元的姿势估计
I.简介基于v iSion的导航是下一代On-On-On-On-On-On-Os-andActivedEbrisredebremoval任务的关键技术。在这些情况下，指导和控制定律应采用相对的Chaser-Chaser-Toget姿势（即位置和态度）喂食，这可能会从单眼图像中方便地估算，因为这些传感器是简单，光线的，并且消耗了很少的功率。传统上，图像处理算法分为1）手工制作的特征[1,2]和2）基于深度学习的[3-14]。然而，前者受到较低鲁棒性的影响，对典型的空间图像特征（例如，信噪比低，严重和迅速变化的照明条件）和背景。神经网络（NNS）可以通过适当的培训克服此类弱点，但通常会导致高计算负担，这与典型的船上处理能力几乎不兼容。
构建用于张量网络量子电路模拟的最佳收缩树
摘要 - 基于张量网络的量子电路模拟中的关键问题之一是构造收缩树，它可以最大程度地减少模拟成本，其中可以在操作数量中表达成本作为模拟运行时间的代理。在各种应用领域中出现了同样的问题，例如组合科学计算，概率图形模型中的边缘化以及解决约束满意度问题。在本文中，我们将该问题的计算严重部分减少到一个线性排序之一，并演示如何利用该领域的现有方法在相同的运行时间内实现比现有最先进的方法更好的数量级。为此，我们引入了一种新型的多项式时间算法，用于从给定的顺序构造最佳收缩树。此外，我们引入了一个快速，高质量的线性订购求解器，并证明了其适用性，作为为收缩树提供订购的启发式。最后，我们将我们的求解器与量子电路模拟中构造收缩树构造收缩树的竞争方法比较了随机生成的量子近似优化算法最大切割电路，并表明我们的方法在大多数测试的量子电路上都取得了卓越的结果。可重复性：我们的源代码和数据可在https://github.com/cameton/hpec2022 ContractionTrees上获得。索引术语 - 收集树，张量网络，量子电路模拟，QAOA
来自非等距映射和德西特张量网络的重叠量子比特
从更基本的量子引力理论中产生局部有效理论，该理论似乎具有更少的自由度，这是理论物理学的一个主要难题。解决该问题的最新方法是考虑与这些理论相关的希尔伯特空间映射的一般特征。在这项工作中，我们从这种非等距映射构建了近似局部可观测量或重叠量子比特。我们表明，有效理论中的局部过程可以用具有更少自由度的量子系统来欺骗，与实际局部性的偏差可以识别为量子引力的特征。举一个具体的例子，我们构建了两个德西特时空的张量网络模型，展示了指数扩展和局部物理如何在崩溃之前被欺骗很长一段时间。我们的结果强调了重叠量子比特、希尔伯特空间维度验证、黑洞中的自由度计数、全息术和量子引力中的近似局部性之间的联系。
通过张量网络技术在Kitaev的量子双模型中进行热化
1简介2 2量子自旋系统4 2.1符号和基本特性。。。。。。。。。。。。。。。。。。。。。。。。。。。。4 2.2当地哈密顿人的光谱差距。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 2.3圆环上的周期性边界条件。。。。。。。。。。。。。。。。。。。。。。。。。8 3 PEPS和家长汉密尔顿人13 3.1张量表示法。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。13 3.2 PEPS。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。15 3.3家长哈密顿人。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 3.4父母哈密顿族人的光谱差距。。。。。。。。。。。。。。。。。。。。。。。。。。。21 3.4.1边界状态和近似分解。。。。。。。。。。。。。。。。。21 3.4.2局部非注入性PEP的近似分解。。。。。。。。。。。。22 3.4.3近似分解条件的仪表不变性。。。。。。。。。。24 4 PEPS的热场Double 26 4.1量子双模型的描述。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。26 4.2 pepo基本张量。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。28 4.2.1星级操作员作为PEPO。。。。。。。。。。。。。。。。。。。。。。。。。。。。。28 4.2.2 Plaquette操作员作为Pepo。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 29 4.2.3 peps张量在边缘。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 3128 4.2.2 Plaquette操作员作为Pepo。。。。。。。。。。。。。。。。。。。。。。。。。。29 4.2.3 peps张量在边缘。。。。。。。。。。。。。。。。。。。。。。。。。。。。。31
颅骨成形术后精细运动功能障碍和恢复的扩散张量成像分析
扩散张量成像（DTI）是磁共振成像（MRI）的高级方式，它扩展了扩散加权成像（DWI）的能力。DWI测量水扩散信号，DTI利用来自多个扩散方向的数据来绘制大脑中水分子的三维扩散，从而使其微观结构组织的评估。源自DTI的密钥指标包括分数各向异性（FA），它反映了白质微结构的完整性；平均扩散率（MD），这表明了总水扩散的大小，并且与细胞密度和细胞外空间有关。和径向扩散率（RD），代表垂直于轴突纤维的扩散，与髓磷脂状况相关[1]。dTI已应用于神经康复领域，研究报告了基于白质分析[2-4]，其效用在预测中风和创伤性脑损伤后的运动和功能恢复方面。此外，DTI已用于调查神经退行性疾病的白质变化[5-7]，并提供了一种定量方法来评估细微的微结构变化，而常规MRI很难检测到这些变化[8,9]。
张量产品的随机子空间的浓度估计，并应用于量子信息理论
给定一个随机子空间H n在Hilbert Space的张量中均匀地选择了v n w w，我们认为相对于张量结构，H n h n元素的所有单数值的集合k n。在WIFED的背景下，该随机集获得了大量定律，并且在[3]中以相同的速度以相同的速度倾向于h n，v n的尺寸。在本文中，我们提供了衡量浓度估计值。K n的概率研究是由量子信息理论中重要问题的动机，并允许为尺寸提供最小的已知维度（184），即一个Ancilla空间，允许最小输出熵（MOE）违规。通过我们的估计，作为应用程序，我们可以为发生MOE发生的空间的维度提供实际界限。
注意差距：张量算法的可实现数据运动和操作强度界限
摘要 - 建筑设计空间探索（或DSE）过程（无论是手动还是自动化），从事先了解感兴趣的指标的限制中很大程度上是有益的。数据流动由于对性能和能源效率的影响增加而迅速成为DSE的关键指标。不幸的是，数据移动的常用算法最小值（或“强制性错过”）极限非常松散，从而限制了其在设计空间搜索中的效用。在本文中，我们提出了一种量子算法来计算数据运动限制（或边界）的方法。与算法最小限制不同，Orojenesis理解了重用和缓冲区（例如缓存或SCRATCHPAD）的能力，以利用重复使用以减少数据移动。orijenesis提供了一个结合，即在不同的芯片缓冲区容量限制下不可能超过数据流或映射，包括映射将一系列张量操作融合以利用生产者 - 消费者的重复使用。orijenesis产生的图显示了缓冲区大小与较低的数据运动限制到内存层次结构中下一个级别的限制。此图被称为滑雪坡度图，允许设计师能够对工作负载的行为获得关键的见解，这是存储容量的函数。此分析可以在进行彻底的设计空间搜索之前为早期的高级设计决策提供信息。我们使用牙本质来分析一组有价值的张量算法，包括大语言模型（LLMS）中的批处理和分组矩阵乘法，卷积和操作序列。我们的分析揭示了一系列的建筑见解，包括可实现的数据移动可以是高度高于算法的最低限度的命令，即SRAM和计算资源提供最佳吞吐量之间的最佳位置，并且可以减少5.6倍数据移动，并与320毫米buffer lll一起融合。
基于高阶张量分解的头皮到颅内脑电图投影检测发作间期癫痫样放电
摘要。目的。发作间期癫痫样放电 (IED) 发生在两次癫痫发作之间。IED 主要通过颅内记录捕获，通常在头皮上不可见。本研究提出了一种基于张量分解的模型，将头皮脑电图 (sEEG) 的时频 (TF) 特征映射到颅内脑电图 (iEEG) 的 TF 特征，以便以高灵敏度检测头皮上的 IED。方法。采用连续小波变换提取 TF 特征。将来自 iEEG 记录的 IED 段的时间、频率和通道模式连接成四向张量。采用 Tucker 和 CANDECOMP/PARAFAC 分解技术将张量分解为时间、频谱、空间和节段因子。最后，将来自头皮记录的 IED 和非 IED 段的 TF 特征投影到时间分量上进行分类。主要结果。模型性能通过两种不同的方法获得：受试者内和受试者间分类方法。我们提出的方法与其他四种方法进行了比较，即基于张量的空间分量分析方法、基于 TF 的方法、线性回归映射模型以及非对称对称自动编码器映射模型，然后是卷积神经网络。我们提出的方法在受试者内和受试者间分类方法中均优于所有这些方法，分别实现了 84.2% 和 72.6% 的准确率。意义。研究结果表明，将 sEEG 映射到 iEEG 可提高基于头皮的 IED 检测模型的性能。此外，基于张量的映射模型优于基于自动编码器和回归的映射模型。
通过MEG数据的张量分解
目的：识别电生理信号的信息特征对于理解脑发育模式很重要，其中诸如磁脑电图（MEG）等技术特别有用。然而，更少的关注是完全利用MEG数据的多层次性质来提取描述这些模式的组件。方法：MEG产量成分的张量因子化封装数据的多维性质，提供了简约的模型，从而识别潜在的大脑模式，以实现有意义的neu-ral过程汇总。为了满足对小儿队列研究有意义的MEG签名的需求，我们提出了一种基于张量的方法来提取多受试者MEG数据的发育特征。我们采用规范多核（CP）分解来估计数据的潜在时空组件，并将这些组件用于组级别的统计推断。结果：使用CP分解以及层次聚类，我们能够提取典型的早期和晚期延迟事件相关场（ERF）组件，这些磁场（ERF）组件是高分和低性能组的歧视性（P <0。05），与主要认知领域（例如注意力，情节记忆，执行功能和语言理解力）显着相关。结论：我们证明，MEG的基于张量的组级别统计推断可以产生对多维MEG数据的描述。此外，这些特征可用于研究健康儿童的脑模式和认知功能的群体差异。意义：我们提供了一种有效的工具，该工具可能直接从电生理测量中评估儿童发育状况和大脑功能有用，并促进认知过程的前瞻性评估。