XiaoMi-AI文件搜索系统
World File Search Systemshallow
胎盘转移动力和母体共证的疫苗诱导的婴儿抗体的耐用性
这项工作通过开发具有二维（时频）卷积长期记忆（ConvlstM2D）的混合和尖峰形式的心脏异常检测，并具有封闭形式的连续（CFC）神经网络（SCCFC），这是一个是生物生物味的Sallow Sallow sallow sallow sallow sallow sallof netward。该模型在心脏异常检测中达到了F1分数，AUROC为0.82和0.91。这些结果可与非加速ConvlstM2D-CFC（CORVCFC）模型1相媲美。值得注意的是，SCCFC模型在模拟Loihi的神经形态芯片架构上的估计功率消耗显示出明显更高的能量效率，与ConverCFC模型在传统过程中的450 µ µ J/INF的消耗相比。另外，作为概念验证，我们在常规且相对受资源约束的Radxa零上部署了SCCFC模型，该模型配备了Amlogic S905Y2处理器进行验证培训，这导致了绩效证明。在常规GPU上对2个时期进行初步训练后，F1分别和AUROC分别从0.46和0.65和0.56和0.73提高，并在5个时期的室内训练训练中提高了5个。此外，当呈现新数据集时，SCCFC模型展示了可以构成伪观点测试的强样本外泛化功能，实现了F1分数，AUROC为0.71和0.86。峰值SCCFC在鲁棒性方面还表现出在推理过程中有效处理缺失的ECG通道方面的非加速Convcfc模型。该模型的功效扩展到单个铅心电图（ECG）分析，在这种情况下证明了合理的精度，而我们的工作重点一直放在模型的计算和记忆复杂性上。关键字：尖峰神经网络，心电图分析，能量效率，设备微调，生成，鲁棒性。
大脑有多深？浅脑假说
深度学习和预测编码架构通常假设神经网络中的推理是分层的。然而，深度学习和预测编码架构在很大程度上忽视了神经生物学证据，即所有分层皮质区域，无论高级还是低级，都直接投射到皮质下区域并接收来自皮质下区域的信号。鉴于这些神经解剖学事实，当今以皮质为中心的分层架构在深度学习和预测编码网络中的主导地位是值得高度怀疑的；这种架构很可能缺少大脑使用的必要计算原理。在本文中，我们提出了浅层大脑假说：分层皮质处理与皮质下区域大量贡献的大规模并行过程相结合。这种浅层架构利用了皮质微电路和丘脑皮质环路的计算能力，而这些并不包含在典型的分层深度学习和预测编码网络中。我们认为，浅层大脑结构比深层层次结构有几个关键的优势，并且更完整地描述了哺乳动物的大脑如何实现快速灵活的计算能力。
利用前馈的浅层电路进行状态准备
为了实现容错量子计算，我们需要在初始化量子设备后重复以下四个步骤。首先，我们执行 1 或 2 个量子比特量子门（如果可能的话，并行执行）。其次，我们对量子比特的子集进行综合征测量。第三，我们执行快速经典计算以确定发生了哪些错误（如果有）。第四，根据错误，我们应用校正步骤。然后，该过程对下一个门序列重复。这四个步骤对于实现容错量子计算至关重要。为了使这四个步骤成功，我们需要门的错误率低于某个阈值。不幸的是，当前量子硬件的错误率仍然太高，无法满足这一要求。另一方面，当前的量子硬件平台在设计时就考虑到了这四个步骤。在本研究中，我们利用这个四步方案，不是执行容错计算，而是增强执行 1 量子比特门和最近邻 2 量子比特门的短、恒定深度量子电路。为了探索这如何有用，我们研究了一个称为局部交替量子经典计算 (LAQCC) 的计算模型。在这个模型中，量子比特被放置在一个网格中，它们只能与它们的直接邻居交互；量子电路具有恒定深度和中间测量值；经典控制器可以对这些中间测量结果执行对数深度计算，并根据结果控制未来的量子操作。该模型自然地适合 NISQ 时代的量子算法和成熟的容错量子计算。我们展示了 LAQCC 电路如何创建恒定深度量子电路无法实现的长距离交互，并使用它来构建一系列有用的多量子比特操作。利用这些门，我们创建了三种新的状态准备协议，用于任意数量的状态、W 状态和 Dicke 状态的均匀叠加，这是 W 状态的泛化。此外，我们表明这种类型的模型包含不太可能被经典模拟的电路，并通过展示 QNC 1 的包含来限制该模型的功率
基于生物学的神经表征可实现快速在线浅层强化学习
生物大脑的学习速度比标准深度神经网络强化学习算法快得多。其中一个原因是深度神经网络需要学习适合手头任务的表示，而生物系统已经拥有合适的表示。在这里，我们通过在神经网络上施加基于生物学中观察到的表示（例如网格细胞）来绕过这个问题。本研究探讨了使用受生物启发的网格细胞表示与独热表示对基于时间差异的 Actor-Critic 网络学习解决简单的 2D 网格世界强化学习任务的速度的影响。结果表明，使用网格细胞确实可以促进更快的学习。此外，这里实现的网格细胞具有准确表示无界连续空间的潜力。因此，它们在这个离散任务上的出色表现是探索它们在连续空间中强化学习的效用的第一步。关键词：强化学习；网格细胞；空间语义指针；
通过浅的全基因组测序评估的循环肿瘤DNA的动态变化与NSCLC中检查点抑制剂的临床功效相关
针对PD-1/PD-L1轴的免疫检查点抑制剂（ICIS）是晚期非小细胞肺癌（NSCLC）患者的主要治疗选择，而无需吸毒致癌性改变。尽管如此，只有一部分患者受益于这种治疗。在这里，我们评估了浅层全基因组测序（SWG）对等离子体样品的值，以监测ICI的好处。我们将SWG应用于从45例用ICIS治疗的转移性NSCLC患者的血浆样品中提取的无细胞DNA（CFDNA）。在ICI治疗开始之前，在整个治疗过程中获得了150多个样品。从SWGS数据中，我们计算了肿瘤分数（TFX）和体拷贝数变化（SCNA）负担，并将其与ICI的有益和临床特征相关联。TFX与骨骼和肝脏的转移性病变相关，与ICI有益相关的高TFX（≥10％）相关。此外，无论基线时TFX水平如何，其在治疗样品中的评估能够更好地预先临床效率。最后，对于可以计算出SCNA负担的患者的一部分，负担增加与ICI治疗后的好处减少相关。因此，我们的数据表明，SWG对CFDNA的分析可以以具有成本效益的方式对ICI的两种潜在生物标志物（TFX和SCNA负担）进行构成，从而促进了多个串行样本分析。将需要较大的队列来确定其临床潜力。
通过浅的全基因组测序评估的循环肿瘤DNA的动态变化与NSCLC中检查点抑制剂的临床功效相关
针对PD-1/PD-L1轴的免疫检查点抑制剂（ICIS）是晚期非小细胞肺癌（NSCLC）患者的主要治疗选择，而无需吸毒致癌性改变。尽管如此，只有一部分患者受益于这种治疗。在这里，我们评估了浅层全基因组测序（SWG）对等离子体样品的值，以监测ICI的好处。我们将SWG应用于从45例用ICIS治疗的转移性NSCLC患者的血浆样品中提取的无细胞DNA（CFDNA）。在ICI治疗开始之前，在整个治疗过程中获得了150多个样品。从SWGS数据中，我们计算了肿瘤分数（TFX）和体拷贝数变化（SCNA）负担，并将其与ICI的有益和临床特征相关联。TFX与骨骼和肝脏的转移性病变相关，与ICI有益相关的高TFX（≥10％）相关。此外，无论基线时TFX水平如何，其在治疗样品中的评估能够更好地预先临床效率。最后，对于可以计算出SCNA负担的患者的一部分，负担增加与ICI治疗后的好处减少相关。因此，我们的数据表明，SWG对CFDNA的分析可以以具有成本效益的方式对ICI的两种潜在生物标志物（TFX和SCNA负担）进行构成，从而促进了多个串行样本分析。将需要较大的队列来确定其临床潜力。
盐水浅湖沉积物中微生物有机物使用的一日夜变化
fi g u r e 5在PCA的两个第一组件中，用水物理化学特性和溶解有机物（DOM）质量以及在不同深度和白天/夜间测量的沉积物酶活性和有氧呼吸。箭头指示每个变量最强烈影响数据分散的方向。Bix，生物指数； cond，电导率； DOC，溶解的有机碳； FI，荧光指数； GLU，β葡萄糖苷酶活性； hix，嗡嗡声指数； Leu，亮氨酸氨基肽酶活性； O2，溶解氧； PHO：磷酸酶活性；氧化还原，氧化还原电势； REZ，有氧呼吸（芦佐蛋白消耗）； suva，特定的紫外吸光度；温度，温度。
非人类灵长类动物的实时脑机接口利用浅前馈神经网络解码器实现高速假肢手指运动
尽管用于恢复运动功能的脑机接口技术发展迅速，人们对此也产生了浓厚的兴趣，但假手指和假肢的性能仍无法模仿自然功能。将脑信号转换为假肢控制信号的算法是实现快速逼真的手指运动的限制因素之一。为了实现更逼真的手指运动，我们开发了一个浅层前馈神经网络来解码两只成年雄性恒河猴的实时双自由度手指运动。使用两步训练方法，引入重新校准的反馈意图训练 (ReFIT) 神经网络以进一步提高性能。在对两只动物进行 7 天的测试中，神经网络解码器的手指运动速度更快、更自然，与代表当前标准的 ReFIT 卡尔曼滤波器相比，吞吐量提高了 36%。这里介绍的神经网络解码器展示了优于当前最先进水平的连续运动的实时解码，并可以为使用神经网络开发更自然的脑控假肢提供一个起点。
通过浅层机器学习和深度学习进行建筑热负荷预测 王哲、洪天振、Mary Ann Piette 建筑技术
免责声明：本文件是作为美国政府资助工作的记录而编写的。尽管我们认为本文件包含正确的信息，但美国政府及其任何机构、加利福尼亚大学董事会及其任何员工均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任，也不表示其使用不会侵犯私有权利。本文中以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务，并不一定构成或暗示美国政府或其任何机构或加利福尼亚大学董事会对其的认可、推荐或支持。本文中表达的作者的观点和意见不一定代表或反映美国政府或其任何机构或加利福尼亚大学董事会的观点和意见。
随机浅二维的高效经典模拟......
随机量子电路通常被认为难以进行经典模拟。在某些情况下，这已被正式推测——在深度二维电路的背景下，这是谷歌最近宣布“量子计算霸权”的基础——并且没有证据反对更普遍的可能性，即对于具有均匀随机门的电路，典型实例的近似模拟几乎与精确模拟一样困难。我们通过展示一个浅随机电路系列来证明情况并非如此，该电路系列在标准难度假设下无法有效地进行经典模拟，但可以近似模拟除超多项式一小部分电路实例之外的所有电路实例，时间与量子比特和门的数量成线性关系；这个例子限制了最近随机电路模拟的最坏情况到平均情况简化的稳健性。虽然我们的证明是基于一个人为的随机电路系列，但我们进一步推测，足够浅的恒定深度随机电路通常可以有效地模拟。为此，我们提出并分析了两种模拟算法。通过为深度为 3 的“砖砌”架构实现我们的一种算法（该架构很难进行精确模拟），我们发现一台笔记本电脑可以在 409×409 网格上模拟典型实例，变分距离误差小于 0.01，大约需要一分钟每个样本，而这项任务对于以前已知的电路模拟算法来说是难以完成的。数值证据表明该算法仍然渐近有效。我们严格的复杂性分离和猜想的关键在于观察到 2D 浅随机电路模拟可以简化为由交替进行的随机局部幺正和弱测量组成的 1D 动态形式的模拟。类似的过程最近成为一项深入研究的焦点，该研究通过数值发现，随着测量强度的变化，动力学通常会经历从高效模拟状态到低效模拟状态的相变。通过从随机量子电路到经典统计力学模型的映射，我们给出了分析证据，表明我们的算法会发生类似的计算相变，因为电路架构的参数（如局部希尔伯特空间维度和电路深度）