XiaoMi-AI文件搜索系统
World File Search Systemsymmetry
电路复杂性作为量子纠缠的新型探针
在时间无关的量子系统中，纠缠熵具有固有的缩放对称性，该系统的能量没有。对称性还确保熵差异可以与零模式相关联。我们将这种对称性概括为时间依赖的系统，从具有时间依赖频率的耦合的谐波振荡器到具有时间依赖性质量的量子标量场。我们表明，这样的系统具有动力学缩放对称性，它留下了量子相关的各种度量的演变；纠缠熵，GS保真度，Loschmidt Echo和电路复杂性。使用此对称性，我们表明在系统发展不稳定性时，几个量子相关性在后期相关。然后，我们根据争夺时间和Lyapunov指数来量化此类不稳定性。发现Loschmidt Echo的指数衰减的延迟开始是由系统中最大的倒置模式确定的。另一方面，零模式在更长的时间内保留了有关系统的信息，最终导致了Loschmidt Echo的幂律衰减。我们将分析扩展到（1Þ1）维度中的时间依赖性的大规模标量字段，并讨论了零模式和倒置模式的含义。我们明确显示具有稳定模式或零模式的标量场之间的熵缩放率振荡。然后，我们对宇宙学和黑洞空位中标量场的上述效果进行定性讨论。
整体对称性、欧几里得引力和黑洞信息问题
摘要：本文论证了量子引力中不存在全局对称性与黑洞信息问题的幺正解之间存在密切联系。特别是，我们展示了如何利用最近对蒸发黑洞 Page 曲线计算的基本要素，将最近反对 AdS/CFT 对应之外的全局对称性的论点推广到更现实的量子引力理论。我们还给出了几个低维量子引力理论的例子，这些理论在通常意义上没有黑洞信息问题的幺正解，因此可以而且确实具有全局对称性。受此讨论的启发，我们推测在某种意义上，欧几里得量子引力等同于全息术。
在虚拟现实剧院环境中查看情感图像序列：移动EEG
背景：许多研究已经使用自我报告的数据研究了虚拟现实（VR）经历的情绪，以了解情感的价和唤醒维度。有关价和唤醒的客观生理数据的探索较少。脑电图（EEG）可用于检查情感反应的相关性，例如在虚拟现实环境中的价值和唤醒。在各种研究领域使用，图像能够引起观众的一系列情感反应。在这项研究中，我们在虚拟现实剧院环境中的屏幕上显示带有注释价和唤醒价值的图像序列。了解大脑活动反应与已知价和唤醒评级的情感刺激如何相关，可能有助于更好地理解虚拟现实中的情感处理。
用于二元模式分类的量子神经网络的负对称性
尽管量子神经网络 (QNN) 近期在解决简单的机器学习任务方面表现出良好的效果，但 QNN 在二元模式分类中的行为仍未得到充分探索。在这项工作中，我们发现 QNN 在二元模式分类中有一个致命弱点。为了说明这一点，我们通过展示和分析嵌入在具有完全纠缠的 QNN 系列中的一种新对称形式（我们称之为负对称），从理论上洞察了 QNN 的属性。由于负对称性，QNN 无法区分量子二进制信号及其负对应信号。我们使用 Google 的量子计算框架，通过实证评估了 QNN 在二元模式分类任务中的负对称性。理论和实验结果均表明，负对称性是 QNN 的基本属性，而经典模型并不具备这种属性。我们的研究结果还表明，负对称性在实际量子应用中是一把双刃剑。
TSception：从脑电图中捕捉时间动态和空间不对称以实现情绪识别
摘要 — 高时间分辨率和不对称空间激活是脑电图 (EEG) 的基本属性，是大脑情绪过程的基础。为了学习 EEG 的时间动态和空间不对称性以实现准确和广义的情绪识别，我们提出了 TSception，这是一种可以从 EEG 中对情绪进行分类的多尺度卷积神经网络。TSception 由动态时间、不对称空间和高级融合层组成，它们同时学习时间和通道维度中的判别表示。动态时间层由多尺度 1D 卷积核组成，其长度与 EEG 的采样率有关，它学习 EEG 的动态时间和频率表示。不对称空间层利用情绪的不对称 EEG 模式，学习判别性全局和半球表示。学习到的空间表示将由高级融合层融合。使用更通用的交叉验证设置，在两个公开可用的数据集 DEAP 和 MAHNOB-HCI 上评估所提出的方法。将所提出的网络的性能与 SVM、KNN、FBFgMDM、FBTSC、无监督学习、DeepConvNet、ShallowConvNet 和 EEGNet 等先前报告的方法进行了比较。在大多数实验中，TSception 的分类准确率和 F1 分数高于其他方法。代码可在以下位置获得：https://github.com/yi-ding-cs/TSception
tsception：捕获脑电图识别脑电图的时间动力和空间不对称
摘要 - 高时间分辨率和不对称空间激活是大脑中脑电图（EEG）的基本属性。为了学习脑电图对准确和普遍的情绪识别的时间动态和空间不对称性，我们提出了Tsception，这是一种多尺度的卷积神经网络，可以从EEG分类情绪。tsception由动态时间，不对称空间和高级融合层组成，它们同时学习时间和通道尺寸。动态时间层由多尺度的1D卷积内核组成，其长度与EEG的采样率有关，EEG学习了EEG的动态时间和频率表示。不对称的空间层利用了情绪的不对称脑电图模式，学习歧视性的全球和半球表示。学习的空间表示将被高级融合层融合。使用更广泛的交叉验证设置，在两个公开可用的数据集DEAP和MAHNOB-HCI上评估了所提出的方法。将所提出的网络的性能与先前报道的方法（例如SVM，KNN，FBFGMDM，FBTSC，无监督学习，DeepConvnet，ShallowConvnet和Eegnet）进行了比较。tsception达到了更高的分类精度和F1评分。这些代码可在以下网址提供：https：//github.com/yi-ding-cs/tseption
量子理论中的纠缠、复杂性和因果不对称
以 Emma Flake 的困境为例。Flake 博士经营着一个研究量子态断层扫描应用的实验室，但她最近有点不在状态。她的研究生 Alice 和 Bob 在她不在的时候进行了以下实验：一个源准备一组纯态 | α ⟩ 的二分量子系统。Alice 知道状态 | α ⟩，但 Bob 不知道。然后，每个系统穿过由哈密顿量 H 控制的时空区域，最终进入某个纯态 | β ⟩。Bob 的任务是通过对系统的不同可观测量进行大量测量来重建纯态 | β ⟩。Flake 博士对自己的旷工感到内疚，她提出自己写论文，并告诉 Alice 和 Bob 休息一会儿。当她查看 Alice 和 Bob 的笔记时，她发现没有记录哪个状态是 Alice 准备的，哪个状态是 Bob 重建的；她所知道的只是两个纯状态 | α ⟩ 和 | β ⟩ 。有没有办法
