XiaoMi-AI文件搜索系统
World File Search Systemencoding
基于工厂的编码一个逻辑量子位的量子极性码的容错准备
最近提出了一种容错方法来准备 Q 1 码的逻辑码态，即编码一个量子比特的量子极性码。其中的容错性由错误检测装置保证，如果在准备过程中检测到错误，则完全丢弃准备。由于错误检测，准备是概率性的，其成功率（称为准备率）随代码长度的增加而迅速下降，从而阻止了大代码长度的代码状态的准备。在本文中，为了提高准备率，我们考虑工厂准备 Q 1 码态，其中尝试并行准备多个 Q 1 码态副本。使用额外的调度步骤，我们可以避免每次检测到错误时完全丢弃准备，从而反过来提高准备率。我们进一步提供了一种理论方法来估计使用工厂准备准备的 Q 1 码的准备和逻辑错误率，该方法被证明与基于蒙特卡洛模拟的数值结果紧密相关。因此，我们的理论方法可用于为大代码长度提供估计，而蒙特卡罗模拟实际上并不可行。对于电路级去极化噪声模型，我们的数值结果表明准备率显著增加，特别是对于较大的代码长度 N 。例如，对于 N = 256 ，对于实际有趣的物理错误率 p = 10 − 3 ，它从 0.02% 增加到 27%。值得注意的是，N = 256 的 Q 1 码在 p = 10 − 3 和 p = 3 × 10 − 4 时分别实现了大约 10 − 11 和 10 − 15 的逻辑错误率。与具有相似代码长度和最小距离的表面码相比，这相当于提高了大约三个数量级，从而表明所提出的方案用于大规模容错量子计算的前景。
基于分层脉冲的模型，通过增强特征提取和编码实现高效图像分类
摘要 — 由于其事件驱动的特性，脉冲神经网络 (SNN) 被认为是计算效率高的模型。脉冲神经元编码有用的时间事实并具有高抗噪性。然而，时空复杂性的高质量编码及其对 SNN 的训练优化受到当前问题的限制，本文提出了一种新颖的分层事件驱动视觉设备，以探索信息如何通过生物可控机制在视网膜中传输和表示。该认知模型是一个增强脉冲的框架，包括 CNN 的功能学习能力和 SNN 的认知能力。此外，该视觉设备以生物现实主义的方式建模，具有无监督学习规则和高级脉冲发放率编码方法。我们在一些图像数据集（MNIST、CIFAR10 及其嘈杂版本）上对它们进行训练和测试，以表明我们的模型可以处理比现有认知模型更有价值的数据。本文还提出了一种新颖的量化方法，使所提出的基于脉冲的模型更适合神经形态硬件实现。结果表明，这种联合 CNN-SNN 模型可以获得更高的聚焦精度并获得更有效的泛化能力。
左前额叶皮层确定编码时的相关性，并控制情节记忆形成
在前额叶皮层中的角色半球横向效果一般而言，尤其是情感上的信息，尤其是具有情感上的信息。在随机，双盲和虚假对照的设计中，健康的年轻参与者（n = 254）进行了2次编码，以分类感知，语义或情感上的价值（正面或负面）单词的特征（正面或负面），随后是免费召回和识别任务。为了解决每个半球贡献的竞争假设，我们使用经颅直流电流刺激在编码过程中调节了左或右背外侧前额叶皮层（DLPFC）活性（1 MA，20分钟）。刺激了左DLPFC，但不是右DLPFC，编码和自由召回性能的改进，特别是对于在语义上进行处理的单词，尤其是对左DLPFC的刺激。此外，增强左DLPFC活性增加了积极含量的内存形成，同时减少了负含量的含量。相比之下，促进右DLPFC活性增加了负含量的记忆形成。左DLPFC评估编码时新内存内容的语义特性，从而影响成功的新情节记忆。半球后期（更活跃的左DLPFC和较不活跃的右DLPFC）在编码阶段会移动内存痕迹的形成，而有利于正面价值的内容。
人类后顶皮层中实际和想象的触摸的神经编码
摘要在人类后顶叶皮层（PPC）中，单个单元编码具有部分混合表示形式的高维信息，使少量神经元可以编码与运动计划，执行，认知和感知相关的许多变量。在这里，我们测试了以前证明的PPC神经元种群是否同样参与了体验域。，我们在实际的触摸表现和触觉成像任务中记录了人类临床试验参与者的PPC中的神经元。神经元用双侧接受场在短潜伏期中编码了实际触摸，并通过身体部位组织，并覆盖了所有经过测试的区域。触觉图像任务引起了身体部分的反应，该反应与实际触摸共享神经基板。我们的结果是人类PPC中触摸编码及其在触觉成像任务中的认知参与的第一个神经元水平的证据，这可能反映了语义处理，注意力，感官预期或想象中的触摸。
不同认知任务中前额皮质投射神经元类别的差异编码
Jan H. Lui, 1,6,* Nghia D. Nguyen, 1,5,6 Sophie M. Grutzner, 1 Spyros Darmanis, 2 Diogo Peixoto, 3 Mark J. Wagner, 1 William E. Allen, 1,4 Justus M. Kebschull, 1 Ethan B. Richman, 1,4 Jing Ren, 1 William T. Newsome, 3 Stephen R. Quake, 2,* 和 Liqun Luo 1,7,* 1 斯坦福大学霍华德休斯医学研究所生物系，斯坦福，加利福尼亚州 94305，美国 2 斯坦福大学陈扎克伯格生物中心生物工程和应用物理系，斯坦福，加利福尼亚州 94305，美国 3 斯坦福大学神经生物学系，斯坦福，加利福尼亚州 94305，美国 4 斯坦福大学神经科学博士项目，斯坦福，加利福尼亚州 94305，美国 5神经科学，哈佛大学，美国马萨诸塞州波士顿 02115 6 这些作者贡献相同 7 主要联系人 *通信地址：janlui@stanford.edu (JHL)、steve@quake-lab.org (SRQ)、lluo@stanford.edu (LL)
鸭肠炎病毒 UL21 是一种晚期基因，编码一种与 pUL16 相互作用的蛋白质
背景：pUL21 是 Alphaherpesvirinae 的保守蛋白，具有多种重要功能。该亚家族其他成员的 pUL21 的 C 端具有 RNA 结合能力；该结构域有助于伪狂犬病毒 (PRV) 体外和体内逆行轴突运输，并参与新复制的病毒 DNA 包装和细胞内病毒运输。然而，关于鸭肠炎病毒 (DEV) pUL21 的知识有限。结果：我们证实 DEV UL21 是一个编码结构蛋白的 γ 2 基因。此外，我们观察到 pUL21 定位于细胞核和细胞质中。DEV pUL21 与 pUL16 相互作用并在转染的人胚胎肾 (HEK) 293 T 细胞和 DEV 感染的鸭胚胎成纤维细胞 (DEF) 中形成复合物。这些结果通过 CO-IP 测定得到进一步证实。
使用组合通道编码和细胞自动机的超维计算实现高效的情绪识别
摘要 本文提出了一种基于高效受脑启发的超维计算 (HDC) 范式的硬件优化情绪识别方法。情绪识别为人机交互提供了宝贵的信息；然而，情绪识别涉及的大量输入通道 (> 200) 和模态 (> 3) 从内存角度来看非常昂贵。为了解决这个问题，提出了减少和优化内存的方法，包括一种利用编码过程的组合性质的新方法和一个基本的细胞自动机。与所提出的技术一起实施了具有早期传感器融合的 HDC，在多模态 AMIGOS 和 DEAP 数据集上实现了两类多模态分类准确率，效价 > 76%，唤醒 > 73%，几乎总是比最先进的技术更好。所需的矢量存储无缝减少了 98%，矢量请求的频率减少了至少 1/5。结果证明了高效超维计算在低功耗、多通道情绪识别任务中的潜力。关键词：脑启发、超维计算、情绪识别、可穿戴、内存优化、硬件高效、多模态传感器融合
移动AIGC的跨模式生成语义通信：联合语义编码和及时工程
于2023年12月20日收到； 2024年6月18日修订； 2024年8月20日接受。出版日期2024年8月26日；当前版本的日期2024年11月5日。这项工作得到了中国国家自然科学基金会（NSFC）的一部分，根据赠款62102099和授予U22A2054的赠款，部分由Guangzhou基础研究计划，根据Grant 2023A04J1699的赠款，一部分是由Guangdong Basic和Grant Indied Basic Research Foundation下的Grant 2023A151515151514 01137。这项研究也得到了新加坡国家研究基金会的一部分，部分由InfoComm媒体发展局在其未来的通信研发研究和发展方面的一部分，部分由国防科学组织（DSO）国家实验室根据AI新加坡计划，根据Grant FCP-NTU-RG-2022-010和Grant FCP-ASTRORE的GRANT FCP-ASTRASTAR TAIRISTION，在Grant FCP-NTU-RG-2022-010和下第1层在赠款RG87/22下，部分由NTU金融计算技术中心（NTU-CCTF）。这项研究也部分得到了Sutd SRG-ISTD-2021-165的支持，部分由Sutd-Zju的想法在Grant Sutd-Zju（VP）202102下的一部分，部分由新加坡教育部，新加坡教育部在SMU-SUTD下的22-SISSIS-SIS-SIS-SIS-SMU-048和STAIRITY pactiatiatiatiatiatiatiatiation in. Smu-sutd pransiatiatiatiatiatiations praintiatiatiatiatiatiations pransiatiatiatiatiationnif。NSF在Grant CNS-2148382下部分支持Shiwen Mao的工作。建议接受J. Ren。（通讯作者：Jiawen Kang。）
使用物理系统的能量状态编码双量子比特逻辑状态和量子运算
摘要：本文介绍了一种新颖的编码方案，该方案允许单个量子系统对多量子比特寄存器进行编码。这可以更有效地利用资源，并在设计量子系统时节省成本。该方案基于使用通过在半导体材料中引入杂质形成的离散能谱的电荷自由度来编码逻辑量子态的概念。我们提出了一种执行单量子比特操作和受控双量子比特操作的机制，提供了一种使用由 Rabi 振荡产生的适当脉冲来实现这些操作的机制。使用 IBM 的 Armonk 单量子比特量子计算机模拟上述架构，将两个逻辑量子态编码为 Armonk 量子比特的能量态，并使用自定义脉冲执行一量子比特和两量子比特量子操作。
编码模型，用于鸽子底膜中间和深层中连续运动敏感的神经元
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2021年4月26日发布。 https://doi.org/10.1101/2021.04.24.24.4441242 doi：Biorxiv Preprint