XiaoMi-AI文件搜索系统
World File Search System互信息
基于 ERP 的张量分解方法在感知家庭压力的新型听觉异常任务中评估分裂型人格
分裂型人格是精神分裂症的一种潜在表型，是一种在精神病连续体正常范围内表现出精神病样症状的人格特质。家庭沟通可能会影响分裂型人格患者的社会功能。分裂型人格水平较高时，会感受到更大的家庭压力，例如易怒、批评和较少赞扬。本研究旨在通过脑电图 (EEG) 确定分裂型人格水平高低人群在批评、赞扬和中性评论时的差异。在一项新的情绪听觉异常任务中，记录了 29 名普通社区参与者的脑电图，他们的分裂型人格水平从低度分裂型 (LS) 到高度分裂型 (HS) 不等。我们考虑了事件相关电位 (ERP) 参数的影响，即 P300 子成分 (P3a 和 P3b) 的幅度和潜伏期在情绪描述符对（标准、积极、消极和中性）之间的影响。然后，我们提出了一个基于张量分解的模型，使用 CANDECOMP/PARAFAC (CP) 分解技术从 EEG 中检测这些成分。最后，我们采用互信息估计方法来选择有影响的特征进行分类。通过留一交叉验证，获得了最高的分类准确率、灵敏度和特异性，分别为 93.1%、94.73% 和 90%。这是首次尝试通过寻找与感知家庭压力和分裂型人格有特定关联的大脑反应来研究分裂型人格的识别。通过测量这些反应，我们实现了提高精神病早期发作检测准确性的目标。
标量量子场的相对熵不确定关系
其中 S(f)=−Rdxf(x)lnf(x) 是微分熵。如今，许多熵不确定性关系已得到证明和研究，例如用 Shannon 熵表示的具有离散谱可观测量的 Maassen-Uffink 熵不确定性关系[11-14]，用互信息表示的信息排斥原理[15-17]，Rényi 熵[13,18]，Wehrl 熵[19,20]，在存在(量子)记忆的情况下用条件熵表示的不确定性[14,21-24]，以量化能量和时间之间的不确定性[25]，或在更一般的互补算子代数设置中[26-28]。此外，离散变量和连续变量两种不同情况已在 [29, 30] 中统一。在本文中，我们将熵不确定性的概念扩展到标量量子场论，我们的动机有三方面。首先，信息论的观点已导致对量子场论的许多见解，最突出的是在纠缠[31-33]、热化[34-36]和黑洞物理[37-39]的背景下。由于不确定性原理是每个自然界量子理论的核心，因此严格的量子场的熵公式对于更深入地理解量子场论至关重要。其次，不确定性关系对于见证纠缠起着重要作用，特别是对于连续变量量子系统。除了 Simon [40] 和 Duan 等人提出的著名的二阶不可分离性标准之外。 [41] ，存在基于熵不确定关系的更强的熵标准 [42–44] 。此外，熵不确定关系可用于制定转向不等式 [45,46] ，或者通过包括（量子）记忆 [24] ，可以推导出纠缠度量的界限 [47] 。有关熵标准的实验应用，请参见 [45,47] 。
具有 Rashba 自旋轨道耦合的二维电子气的量子关联
纠缠是量子力学的一个关键概念，在量子信息和计算领域得到了广泛的研究[1,2]。纠缠也成为多体物理学中的一个重要现象[3]，涵盖量子自旋系统[4-6]、近藤效应[7,8]、分数量子霍尔效应[9-11]、非相互作用电子气的自旋[12,13]等各个方面。关联函数对于描述多体系统的物理现象至关重要，因此，研究纠缠和关联函数之间的联系是合乎逻辑的。量子不和谐[14,15]是另一种类型的量子关联，它衡量了量子互信息和经典关联之间的差异。这种关联已被证明可用于某些量子技术任务[16,17]，同时也具有理论意义，因为它使用一种不同于传统纠缠态与可分离态分类的方法来表征量子关联。它也有助于研究某些多体系统中的关联程度[18-20]。另一个备受关注的课题是拉什巴效应[21-27]，它是一种自旋轨道耦合 (SOC)，发生在缺乏结构反演对称性的纳米结构中。在不断发展的自旋电子学研究领域[28]，拉什巴 SOC是一种基本工具，它允许利用电场精确控制电子自旋。由于该系统具有与电子气体相同的多体性质，因此研究这种关联具有重要意义。多体物理学中的一个重要概念是费米子的交换空穴，它是由泡利不相容原理产生的。这种基本类型的关联即使在没有粒子间相互作用的情况下也存在。交换空穴可以从两粒子密度矩阵
相互信息，黑洞中的岛屿和页面曲线
摘要在本文中探讨了子系统在页面曲线中的共同信息所起的作用。与由黑洞和辐射组成的总系统以及岛上的包含，我们观察到，B +和B-之间的互信息消失了，这又意味着纠缠楔的断开相对应于B + b + b--，产生了乱七八糟的时间。这会导致与正确页面曲线一致的鹰辐射的细粒度熵的时间独立表达。我们还发现了以对数和反向幂定律形式的熵和页面时间的纠正。从重力理论的角度来看，信息损失悖论一直是最基本的问题之一[1，2]。对于蒸发的黑洞，已经表明，相对于观察者的时间，辐射单调的熵增加。但是，单一进化的过程要求在蒸发过程结束时这种熵消失。为此而言。在物质崩溃之前，全曲片上的量子场状态是纯净的，在黑洞蒸发后应保持相同。此外，页面曲线[3，4]描绘了辐射熵的时间依赖性。页面曲线有效地通过引入称为页面时间t p的时间尺度来解决信息丢失悖论的问题。根据页面曲线的信息损失悖论可以理解如下。霍金辐射的细粒度熵是由黑洞外部区域R上的量子场的von Neumann熵确定的。现在假设完整的cauchy片上的状态为纯状态，辐射s（r）= s（r c）的细粒熵，其中s（r c）可以理解为纤维粒的熵
SMU-Net：用于缺失模态的脑肿瘤分割的风格匹配 U-Net
胶质瘤是最常见的原发性脑肿瘤类型之一，占所有病例的 30% 以上，它们由胶质干细胞或祖细胞发展而来。理论上，大多数脑肿瘤可以通过使用磁共振成像 (MRI) 来识别。每种 MRI 模态都会提供有关人脑软组织的不同信息，整合所有这些信息将为胶质瘤的准确分割提供全面的数据，这对于患者的预后、诊断和确定最佳后续治疗至关重要。不幸的是，由于各种原因，MRI 容易出现伪影，这可能导致一个或多个 MRI 模态缺失。多年来，已经提出了各种策略来合成缺失的模态或补偿其对自动分割模型的影响。然而，这些方法通常无法模拟潜在的缺失信息。在本文中，我们提出了一种风格匹配 U-Net (SMU-Net) 用于 MRI 图像上的脑肿瘤分割。我们的联合训练方法利用内容和风格匹配机制将全模态网络中的信息特征提取到缺失模态网络中。为此，我们将全模态和缺失模态数据编码到潜在空间中，然后将表征空间分解为风格和内容表征。我们的风格匹配模块通过学习匹配函数将信息和纹理特征从全模态路径转移到缺失模态路径，自适应地重新校准表征空间。此外，通过对互信息进行建模，我们的内容模块超越了信息量较少的特征，并根据判别性语义特征重新校准了表征空间。BraTS 2018 数据集上的评估过程显示了所提出方法在缺失模态场景中的重要性。关键词：缺失模态、脑瘤、内容风格匹配、分割。
长期精神压力下的大脑功能连接变化 Ali Darzi 1 , Hamed Azami 2 , Reza Khosrowabadi 1 * 1 认知和 B 研究所
摘要 长期心理压力会严重影响大脑结构和功能。然而，只有少数研究使用脑电图 (EEG) 来检验这一事实。本研究展示了一种脑机接口 (BCI)，用于对不同心理状态下长期心理压力的 EEG 相关因素进行分类。这项研究针对 26 名健康的右利手大学生进行，考试期被视为长期精神压力源。根据感知压力量表 (PSS-14) 评估的压力水平，选择两组受试者。在受试者睁眼静息状态下以及暴露于自我评估人体模型问卷 (SAM) 评分的正向和负向情绪刺激时收集他们的 EEG 数据。从 EEG 数据中提取了几种类型的特征，包括功率谱密度 (PSD)、侧化指数 (LI)、相关系数 (CC)、典型相关分析 (CCA)、幅度平方相干估计 (MSCE)、互信息 (MI)、相位斜率指数 (PSI)、格兰杰因果关系 (GC) 和有向传递函数 (DTF)。随后，使用几种类型的分类器对提取的特征进行区分，包括 k-最近邻 (KNN)、支持向量机 (SVM) 和朴素贝叶斯 (NB) 分类器。通过一种遗漏方法验证了所提出的 BCI，并在不同的时间窗口中使用低频和高频分辨率、分别 7 个和 36 个频带进行了调查。结果表明，所提出的系统可以准确识别受试者在不同心理状态下的压力水平。此外，与其他特征提取方法相比，MI 作为功能和 DTF 作为有效的连接方法可产生最高的分类准确率。关键词：长期心理压力、脑电图、情绪状态、分类。
准确的风电预测对于具有高风电感知度的真正有效的电力系统至关重要。风电预测，正如
对于具有高风能感知能力的真正有效的电力系统来说，准确的风能预测非常重要。风能预测以及风力发电资源通过将风能转换为叶片的旋转能，再通过发电机将旋转能转换为电能来接收电能。风能随风速的立方增加。已经发展出许多常见的深度学习方法来实现风能预测。基于深度学习的方法被称为简单而强大的方法，近年来已用于风能预测并取得了一定的成功。然而，由于缺乏适当的特征选择过程，并且为了最大限度地减少用于风能预测的损失的影响，在处理多输入风能数据时需要大量计算，因此对可扩展性造成负面影响，从而影响风能预测时间。为了解决这些问题，在本文中，提出了一种称为同质点互信息和深度量子增强 (HPMI-QDR) 风能预测的方法。 HPMI-DQR 方法分为两个部分。在第一部分中，使用同质点互 (HPM) 特征选择模型设计了使用输入风力涡轮机数据进行稳健风力预测所需的信息和相关特征。在第二部分中，选择相关特征后，使用深度量子强化学习模型进行实际风力预测。为了验证所提出的方法，使用风力涡轮机 SCADA 数据集进行构建和测试。与使用传统技术相比，所提出方法的仿真结果显示，风力预测准确度提高了 13%，最短风力预测时间缩短了 25%，风能发电量提高了 20%，真实阳性率提高了 25%。此外，风力预测时间也有了显着改善，误差最小。
量子工程硕士 – M2 课程内容和主题
量子力学 (2ECTS) Kris Van Houcke 1. 回顾量子力学的基础，量子力学的假设，薛定谔/海森堡/相互作用图像，两能级系统和布洛赫球 2. 量子力学与经典力学的关系，费曼路径积分表示 3. 多体系统，二次量化，多粒子系统的路径积分表示，量子蒙特卡罗和费米子符号问题 4. 弱相互作用玻色子的波格留波夫理论 5. 纯态与混合态，密度算子，约化密度算子，纠缠，（可能是：EPR悖论和贝尔定理） 6. 开放量子系统，算子和表示，量子测量，林德布拉德表示，波恩-马尔可夫主方程 量子信息论简介 (2ECTS) Alain Sarlette、Harold Ollivier 1. 状态：密度矩阵、内积、范数、保真度、 TVD、状态分解（Schmidt、Pauli）2. 算子（1）：酉表示、CPTP 映射、其他表示（大酉/Kraus/Choi）3. 算子（2）：Pauli 算子、作用于算子代数的通道、从交换关系中恢复子系统、Clifford 层次结构、受限操作类（LOCC、LO1WCC）4. 测量：射影测量、更新规则、POVM、非交换/联合可测性5. 纠缠：纠缠测量、纠缠单调、纠缠提炼、使用纠缠（隐形传态、交换、门隐形传态、与 Choi 的关系、超密集编码）6. 状态辨别：假设检验、熵、Holevo、条件熵/互信息/强子可加性、数据处理不等式、相对熵、平斯克
smu-net：样式匹配脑瘤分割的u-net缺失模态
神经胶质瘤是原发性脑肿瘤最普遍的类型之一，占所有病例的30％以上，它们是从神经胶质茎或祖细胞中发育的。从理论上讲，大多数脑肿瘤可以完全通过使用磁共振成像（MRI）来识别。每种MRI模态都提供有关人脑软组织的不同信息，并整合所有MRI的信息将提供全面的数据，以准确分割神经胶质瘤，这对于患者的预后，诊断和确定最佳后续治疗至关重要。不幸的是，由于多种原因，MRI容易出现工件，这可能导致缺少一种或多种MRI方式。多年来，已经提出了各种策略，以综合缺失的方式或补偿其对自动分割模型的影响。但是，这些方法通常无法对基础丢失的信息进行建模。在本文中，我们为MRI图像上的脑肿瘤分割提供了一种匹配的U-NET（SMU-NET）。我们的共同训练方法利用内容和样式匹配机制将信息从全模式网络提炼为缺失的模态网络。为此，我们将全模式和缺失模式数据编码为潜在空间，然后将表示空间分解为样式和内容表示形式。我们的样式匹配模块通过学习匹配函数以将信息和纹理特征从全模式路径传输到缺失模式路径，从而自适应地重新校准表示空间。此外，通过对互信息进行建模，我们的内容模式超过了信息较少的特征，并根据歧视性语义特征重新校准表示空间。BRATS 2018数据集的评估过程显示了所提出的方法在缺失模态方案上的重要性。关键字：缺失方式，脑肿瘤，内容式匹配，分割。
DeepDIVE：通过多项式通道优化复合 DNA 存储的输入约束分布
DNA 存储是一项快速发展的技术，它使用四进制编码将数字数据编码为核苷酸序列，其中碱基 A 、C 、G 和 T 代表信息 [2]，[3]。这些序列或链通过称为合成的过程产生，并通过测序检索。该方法的一个关键方面是在合成过程中生成每条链的多个副本。在本文中，我们通过引入复合 DNA 字母探索了一种利用这种冗余的新方法 [1]，[4]–[8]。复合 DNA 字母由混合不同的核苷酸形成，实验表明它可以提高数据编码性能 [4]，[5]，[8]。潜在的好处是显而易见的：虽然标准的四字母 DNA 编码每个通道使用 log(4) = 2 位，但复合编码提供了无限的容量，使较短的链能够编码更多的数据。这一点至关重要，因为较短的链可以降低合成成本 [5] 并降低出错的风险，而出错的风险会随着链长度的增加而增加 [9]。编写复合字母并随机读取 n 份副本可以建模为一个嘈杂的通信信道，特别是多项式信道 [1]。该信道的输入是一个长度为 k = 4 的概率向量，表示核苷酸的混合。通道输出遵循多项分布，进行 n 次试验，概率由输入向量决定。通道的最大信息存储率或容量是通过在所有可行的输入分布选择 [10]（即 (k − 1) 维概率单纯形上的分布）中最大化输入和输出之间的互信息来获得的。先前的研究 [1] 表明，即使对于较小的 n 值（例如 n = 9），最大化容量的输入分布也需要数十个质点。此外，如缩放定律 [11] 所示，支持大小随容量呈指数增长。这对 DNA 存储系统提出了挑战，因为每个质点对应一种不同的核苷酸混合物，而可能的混合物数量是有限的。为了解决这个问题，我们的论文重点计算了容量实现