XiaoMi-AI文件搜索系统
World File Search Systemdec
![arXiv:2105.10162v3 [quant-ph] 2021 年 12 月 25 日](/simg/g:\will\search\icon\source\5\5856edd5a261babab8a2d40487896d68bbcc74bb.webp)
arXiv:2105.10162v3 [quant-ph] 2021 年 12 月 25 日
在量子计算中，变分量子算法 (VQA) 非常适合在从化学到金融的特定应用中寻找事物的最佳组合。使用梯度下降优化算法训练 VQA 已表现出良好的收敛性。在早期阶段，在嘈杂的中型量子 (NISQ) 设备上模拟变分量子电路会受到噪声输出的影响。就像经典的深度学习一样，它也受到消失梯度问题的影响。研究损失景观的拓扑结构，在消失梯度存在的情况下可视化这些电路的曲率信息和可训练性是一个现实的目标。在本文中，我们计算 Hessian 并可视化变分量子分类器在参数空间中不同点的损失景观。解释了变分量子分类器 (VQC) 的曲率信息并展示了损失函数的收敛性。它有助于我们更好地理解变分量子电路的行为，从而有效地解决优化问题。我们在量子计算机上通过 Hessian 研究了变分量子分类器，从一个简单的 4 位奇偶校验问题开始，深入了解 Hessian 的实际行为，然后彻底分析了 Hessian 的特征值在训练糖尿病数据集的变分量子分类器时的行为。最后，我们展示了自适应 Hessian 学习率如何影响训练变分电路时的收敛。
![arXiv:2112.05779v1 [quant-ph] 2021 年 12 月 10 日](/simg/g:\will\search\icon\source\1\160e8845971cbcad7aa5421eb308b135134ea48d.webp)
arXiv:2112.05779v1 [quant-ph] 2021 年 12 月 10 日
函数：L(θ)=E[(rt+γmaxa′Q(st+1,a′;θ−)−Q(st,at;θ))2]，其中损失函数
![arXiv:2112.08567v1 [cs.LG] 2021 年 12 月 16 日](/simg/g:\will\search\icon\source\5\5fffc67fff366f29a5ea5531d2846fd29320a5bb.webp)
arXiv:2112.08567v1 [cs.LG] 2021 年 12 月 16 日
动机：识别药物-靶标相互作用（DTI）是药物重新定位的关键步骤。近年来，大量基因组学和药理学数据的积累形成了海量药物和靶标相关的异构网络（HN），为开发基于HN的计算模型以准确预测DTI提供了新的机会。HN隐含了大量关于DTI的有用信息，但也包含不相关的数据，如何充分利用异构网络仍然是一个挑战。结果：本文提出了一种基于异构图自动元路径学习的DTI预测方法（HampDTI）。HampDTI从HN中自动学习药物和靶标之间的重要元路径，并生成元路径图。对于每个元路径图，从药物分子图和靶标蛋白序列中学习到的特征作为节点属性，然后设计一个有效考虑节点类型信息（药物或靶标）的节点类型特定图卷积网络（NSGCN）来学习药物和靶标的嵌入。最后，将来自多个元路径图的嵌入组合起来以预测新的 DTI。在基准数据集上的实验表明，我们提出的 HampDTI 与最先进的 DTI 预测方法相比取得了优异的性能。更重要的是，HampDTI 确定了 DTI 预测的重要元路径，这可以解释药物如何与 HN 中的靶标相互作用。联系方式：name@bio.com 补充信息：补充数据可在 Bioinformatics 在线获取。
![arXiv:2112.10651v1 [quant-ph] 2021 年 12 月 20 日](/simg/g:\will\search\icon\source\9\976b7fc9a8f06367ba9526968d627a1ef61d741c.webp)
arXiv:2112.10651v1 [quant-ph] 2021 年 12 月 20 日
在量子信息处理的实际实现中，测量读出阶段可能存在噪声，其中误差不仅出现在单个量子比特上，而且出现在多个量子比特上，后者称为串扰误差。在这项工作中，我们提出了一个用于减轻测量误差的框架，用于减轻单个误差和串扰误差。缓解协议包括两个步骤，首先是量子预处理，在测量之前应用局部幺正变换，然后是经典后处理，操纵测量结果以恢复无噪声数据。量子预处理中的局部幺正可以通过量子探测器断层扫描表征噪声测量来构建。我们表明，缓解协议可以将多个量子比特上的测量误差保持在与单量子比特读出一样多的水平，即，多个量子比特上的测量误差率被抑制到百分比水平。缓解协议在 IBMQ Sydney 中实现并应用于纠缠生成电路的认证。事实证明，缓解协议可以成功消除测量误差，从而可以有效地认证纠缠生成电路。
![arxiv：2012.15294v1 [eess.iv] 2020年12月30日](/simg/g:\will\search\icon\source\4\440d22a9e2e4d8344dbfe06477ccfb76b9f91828.webp)
arxiv：2012.15294v1 [eess.iv] 2020年12月30日
摘要。3D磁共振图像（MRI）中脑肿瘤分割的自动化是评估疾病的诊断和治疗的关键。近年来，卷积神经网络（CNN）在任务中显示出改善的结果。但是，在3D-CNN中，高内存消耗仍然是一个问题。此外，大多数方法不包含不确定性信息，这在医学诊断中尤其重要。这项工作研究3D编码器培训架构，该体系结构接受了基于贴片的技术，以减少记忆消耗并降低不平衡数据的效果。然后使用不同的训练模型来创建一个集合，以利用每个模型的属性，从而增加性能。我们还分别使用测试时间辍学（TTD）和数据启动（TTA）引入了Voxel的不确定性信息。另外，提出了一种混合方法，有助于提高分割的准确性。这项工作中提出的模型和不确定性估计测量已在Brats'20挑战中针对肿瘤分割和不确定性估计。
![arXiv:2010.02931v2 [quant-ph] 2020 年 12 月 30 日](/simg/g:\will\search\icon\source\9\96e7f36b9306c87ae92930e939f3e0adfdb55887.webp)
arXiv:2010.02931v2 [quant-ph] 2020 年 12 月 30 日
粒子物理学有着宏伟的目标，即揭示现实的最基本成分，并破译这些成分相互作用的规则。这些规则包括量子力学，而基本成分似乎是量子实体。例如，在标准模型中，我们讨论相对论量子场的激发，这些场以固定的量子数（如质量、自旋和各种电荷）为特征。此外，在粒子物理实验中，我们有能力产生某些量子数的量子叠加态。例如，费米实验室各种光束中由介子衰变产生的（μ 子）中微子处于（至少）三个不同中微子质量本征态的量子叠加态中，并且该叠加态会随着通常的量子幺正时间演化而变化，由算符 exp (− 𝑖𝐻𝑡 ) 表示，其中 𝐻 是中微子哈密顿量。因此，中微子振荡实验是研究宏观尺度上量子信息时间演化的一个例子。
![arXiv:2007.00838v2 [quant-ph] 2020 年 12 月 24 日](/simg/g:\will\search\icon\source\c\cc2ead6042a1fa6a54be197de2bd472cc4c04f55.webp)
arXiv:2007.00838v2 [quant-ph] 2020 年 12 月 24 日
对复杂量子系统的高精度操控和控制是实现通用容错量子计算的关键。对于控制资源受限的物理系统，在扰动下有效而精确地控制目标系统的动态是一项挑战。本文提出了一个多级耗散量子控制框架，并表明深度强化学习提供了一种有效的方法来识别复杂量子系统具有受限控制参数的最优策略。该框架可推广到其他量子控制模型。与传统的最优控制方法相比，该深度强化学习算法可以对具有不同类型扰动的多级量子系统实现高效、精确的控制。
![arXiv:2012.09629v1 [physics.ed-ph] 2020 年 12 月 16 日](/simg/g:\will\search\icon\source\8\8396e70a955842aa0923302b707343f36ba59462.webp)
arXiv:2012.09629v1 [physics.ed-ph] 2020 年 12 月 16 日
量子计算是一项有望在未来几十年带来巨大优势的技术。尽管该技术仍处于原型阶段，但过去几年中，许多原型设备已向公众开放。与此同时，开源软件的开发也日趋成熟，这些软件用于以越来越复杂的方式使用和测试量子硬件。这些工具不仅为量子计算提供了新的教育机会，而且更广泛地为量子信息科学乃至整个量子物理学提供了新的教育机会。在本文中，我们将介绍一个旨在利用这些机会的教育资源案例研究：开源在线教科书“使用 Qiskit 学习量子计算”。本文概述了所涵盖的主题，并解释了每个主题所采用的方法。
![arXiv:2301.07445v4 [quant-ph] 2024 年 12 月 26 日](/simg/g:\will\search\icon\source\b\bdd132f749a6a97661535964b16b7788d56a5a5d.webp)
arXiv:2301.07445v4 [quant-ph] 2024 年 12 月 26 日
由最优参数化量子电路组成的变分量子算法有望在嘈杂的中尺度量子 (NISQ) 时代展现量子优势。除了经典的计算资源外，不同类型的量子资源在计算过程中也有贡献，例如信息置乱和纠缠。描述特定问题的复杂性与解决这些问题所消耗的量子资源之间的关系有助于我们理解量子信息处理背景下的 VQA 结构。在本文中，我们专注于量子近似优化算法 (QAOA)，该算法旨在解决组合优化问题。我们分别研究了 QAOA 电路中的信息置乱和纠缠，发现对于更难的问题，在大多数情况下，QAOA 电路需要更多的量子资源才能获得解。我们注意到，在未来，我们的结果可用于通过计算过程中的信息置乱或纠缠积累来基准化量子多体问题的复杂性。
![arXiv:2412.04111v2 [eess.IV] 2024 年 12 月 20 日](/simg/g:\will\search\icon\source\2\24ba780caf48900fc4dab3f40fc8173a46a12f87.webp)
arXiv:2412.04111v2 [eess.IV] 2024 年 12 月 20 日
摘要。神经胶质瘤是一种死亡率高的脑肿瘤，在中低收入国家，尤其是撒哈拉以南非洲地区，诊断难度极大。本文介绍了一种使用迁移学习进行神经胶质瘤分割的新方法，以应对资源有限、MRI 数据极少且质量低下的地区所面临的挑战。我们利用预先训练的深度学习模型 nnU-Net 和 MedNeXt，并使用 BraTS2023-Adult-Glioma 和 BraTS-Africa 数据集应用分层微调策略。我们的方法利用放射组学分析来创建分层训练折叠，在大型脑肿瘤数据集上进行模型训练，并将学习迁移到撒哈拉以南地区。采用加权模型集成策略和自适应后处理来提高分割准确性。在 BraTS-Africa 2024 任务上，我们针对未见过的验证案例对我们提出的方法进行了评估，结果显示，在增强肿瘤、肿瘤核心和整个肿瘤区域方面，病变平均 Dice 评分分别为 0.870、0.865 和 0.926，并在该挑战中排名第一。我们的方法凸显了综合机器学习技术能够弥合资源有限国家和发达地区之间的医学成像能力差距。通过根据目标人群的特定需求和限制定制我们的方法，我们旨在增强孤立环境中的诊断能力。我们的研究结果强调了本地数据集成和分层细化等方法对于解决医疗保健差距、确保实际适用性和增强影响力的重要性。