XiaoMi-AI文件搜索系统
World File Search Systemphs
自旋图中量子纠缠的产生及其鲁棒性
摘要 纠缠是量子信息处理的关键资源，因此需要在各种硬件平台上生成高保真度纠缠态的协议。虽然自旋链已被广泛研究以产生纠缠，但图结构也具有这种潜力；然而，只有几类图被用于这项特定任务。在本文中，我们将一种涉及两种不同耦合强度的特殊耦合方案应用于两个互连的 3×3 方图的图，使得它实际上包含三个缺陷。我们展示了这种结构如何生成贝尔态，其保真度取决于所选的耦合比。我们应用分区图论来降低图的维数，并表明，使用简化图或简化链，我们仍然可以模拟具有相同动态的相同协议。最后，我们研究了制造误差如何影响纠缠生成协议以及不同的等效结构如何受到影响，发现对于某些特定的耦合比，它们非常稳健。
人工智能在分析胸部 X 光片中 COVID-19 肺炎迹象方面的潜力 Ginneken, B. van 2021，文章/致编辑的信（放射学，299，1，（2021），第 E214-E215 页）
大约一年前，一种新型冠状病毒开始从中国武汉传播。由此引发的疫情在许多方面都是史无前例的，其中之一就是它引发的科学出版物数量。PubMed 已经列出了 70,000 多篇关于 2019 年冠状病毒病 (COVID-19) 的论文。《放射学》上的第一篇出版物描述了 COVID-19 肺炎的 CT 表现，发表于 2020 年 2 月 6 日。迄今为止，《放射学》已发表了 40 篇关于该主题的原创研究文章。这些研究产生了重大影响：2020 年《放射学》杂志中引用次数最多的 12 篇论文（使用谷歌学术统计的数据）均为有关 COVID-19 的论文，甚至排名第 12 位的文章的引用次数也是 2019 年《放射学》杂志中引用次数最多的文章的两倍。（有趣的是，2019 年引用次数最多的 12 篇《放射学》出版物均涉及人工智能 [AI] 的应用。）
使用知识图谱和以人为本的人工智能构建可重构供应链：一个研究框架
供应链的配置和运作与企业的成功息息相关，多年来一直是学术界和工业界关注的话题。许多供应链都高度优化，注重效率和利润，因为企业将全球化、低关税和稳定的贸易规则视为理所当然。然而，近年来，全球形势变得越来越不稳定，最近发生的几起事件暴露了全球供应链的脆弱性。特别是 COVID-19 大流行导致全球不同地区的工厂暂时关闭，影响了供应链。再加上中美贸易战、英国脱欧或苏伊士运河暂时堵塞等其他事件，这些中断成为严重威胁，导致不同产品短缺。更严格的准入规定导致交货时间更长、更不可预测，并破坏了库存不足的长距离供应链。目前，由于极端天气事件更频繁，以及由气候变化引起的新传染病爆发，情况似乎不会很快好转。
算法在合适图的生成树上释放
摘要。在本文中，为某些图开发了代数和组合特性以及跨越树数的计算。为此，讨论了一种与图形相关的拉普拉斯矩阵光谱的原始方法。它代表了一个替代过程，用于计算任何图的生成树的数量和哪些，并且基本上是在其内部周期之间的共同边数的基础上连接到生成树的数量。显示算法及其源代码，用于确定Jahangir图类别的所有边缘树的收集。给出了涉及此类图的应用程序，以便在传输声明信息中获得令人满意的安全性，并突出显示它们的最终对称属性。
双循环DC平台作为可调的Josephson Diode
超导电子设备的发展需要仔细表征化妆电子电路的组件。超导弱环节是大多数超导电子组件的构建块，其特征是高度非线性的电流到相位关系（CPRS），通常不完全知道。最近的研究发现，约瑟夫森二极管效应（JDE）可能与嵌入超导干涉仪中的弱环节的弱环节的高谐波含量有关。这使JDE成为探索单谐波CPR以外的弱环节的谐波内容的天然工具。在这项研究中，我们介绍了双环超导量子干扰装置（DL-squid）的理论模型和实验特征，该设备嵌入了全金属超导型金属 - 金属 - 超导 - 超导体连接。由于三个弱连接的超电流的干扰，该设备在并联的三个弱环上的干扰而表现出JDE，并且可以通过两个磁通量调节该功能，这些磁通量充当实验旋钮。我们根据干涉仪臂的相对重量以及有关通量可调性和温度的实验表征进行了对设备的理论研究。
α-突触核蛋白 C 末端结构域的构象转换可控制其纤维多形性
。CC-BY-NC-ND 4.0 国际许可证下可用（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2024 年 12 月 22 日发布。；https://doi.org/10.1101/2022.02.10.479831 doi：bioRxiv 预印本
在分子图中优化OOD检测
尽管分子表示学习最近取得了进展，但其有效性还是在近世界的假设上假定的，即训练和测试图来自相同的分布。开放世界测试数据集通常与分布（OOD）样本混合在一起，在该样本中，部署的模型将难以做出准确的预测。在药物筛查或设计中分子特性的误导性估计会导致湿lab资源的大量浪费并延迟发现新疗法的发现。传统检测方法需要对OOD检测和分布（ID）分类性能进行贸易，因为它们共享相同的表示模型。在这项工作中，我们建议通过采用基于辅助扩散模型的框架来解析OOD分子，该框架比较了输入分子和重建图之间的相似性。由于产生构建ID训练样品的产生偏见，OOD分子的相似性得分将要低得多以促进检测。尽管在概念上很简单，但将此香草框架扩展到实际检测应用程序仍然受到两个重大挑战的限制。首先，基于欧几里得距离的流行相似性指标无法考虑复杂的图形结构。第二，涉及迭代脱氧步骤的属性模型众所周知，尤其是在大量药物库上运行时。为了应对这些挑战，我们的研究先驱者是一种旋转型G raph r生态建构的方法，该方法被称为pgr-mood。具体来说，PGR-MOOD取决于三个创新：i）一个有效的指标，可根据离散的边缘和连续节点特征全面量化输入和重建分子的匹配程度； ii）构建
材料ab-通往新材料的神经图的旅程
本白皮书介绍了在复杂化学空间的背景下革命性材料发现的创新方法和计算框架的全面探索。利用高级技术，例如图形神经网络（GNN），主动学习框架和密度功能理论（DFT）计算，我们建立了一个数据驱动的，闭环系统，以进行材料预测，验证和优化。Our approach integrates high-throughput simulations, multiscale modeling, and multi-physics coupling to address critical challenges in the design of high-performance materials across diverse domains, including energy storage, quantum information systems, and biomedical applications.Through rigorous model evaluations and experimental validations, we demonstrate the predictive accuracy and generalization capability of our frameworks, achieving substantial breakthroughs in exploring previously未知的化学空间。关键成就包括对离子扩散系数的显着改善，超导体的临界温度预测以及催化效率，所有这些都对实验基准进行了验证。通过进一步扩展我们的算法来支持多尺度模拟并将它们与分布式的开放数据平台集成在一起，这项工作为协作，可扩展和智能材料研究的基础奠定了基础。我们的发现不仅可以通过在计算预测和实验验证之间重新定义材料科学的范围，还可以在批判性的质疑之间启动差距，还可以在关键的领域中解除批判性影响力应用程序。这份白皮书强调了我们方法的技术基础，经过验证的方法和重要的科学贡献，建立了21世纪加速材料发现的新基准。
Medikal：将知识图作为LLM的助手集成，以增强EMRS的临床诊断
电子病历（EMRS）虽然与现代医疗保健不可或缺的一部分，但由于其复杂性和信息还原而呈现临床推理和诊断的Challenges。为了解决这个问题，我们提出了Medikal（将K Nowledge图作为L LMS的ssistants），该框架将大型语言模型（LLMS）与知识图（kgs）结合在一起，以增强诊断性capabilies。Medikal根据其类型将医疗记录中的实体分配给实体的重要性，从而使候选疾病的精确定位在公里内。它创新采用了类似残留的网络样方法，从而使LLMS诊断可以合并为kg搜索结果。通过基于路径的重新算法算法和填充风格的提示模板，它进一步完善了诊断过程。我们通过对新型开源的中国EMR数据集进行了广泛的实验来验证Medikal的有效性，这表明了其在现实环境中提高临床诊断的潜力。代码和数据集可在https：//github.com/csu-nlp-group/medikal上公开获得。
pGmax：离散概率图形模型的因子图和jax
概率图形模型（PGM）紧凑地编码一组随机变量的完整关节概率分布。PGM，并已成功地用于计算机视觉中（Wang等，2013），误差校正代码（McEliect等，1998），生物学（Durbin等，1998）等（Durbin等）等。在本文中，我们专注于离散的PGM。对具有可牵引因子1的离散PGM进行近似后验推断的标准方法涉及诸如循环信念传播（LBP）之类的消息通讯算法（Pearl，1988; Murphy等，1999）。lbp在变量和因子图的因子之间传播“消息”。，尽管过去进行了几次尝试（请参阅第2节），但没有建立良好的开源Python软件包可以实现效率和可扩展的LBP用于一般因子图。关键挑战在于设计和操纵Python数据结构，该数据结构包含LBP消息，用于支持具有任意拓扑的大型因子图和