XiaoMi-AI文件搜索系统
World File Search System伯克利大学
劳伦斯·伯克利国家实验室
我们提出Mistiqs，这是一种用于时间相关的量子模拟的乘法软件。mistiqS提供了端到端功能，用于模拟由多个量子计算平台跨时间依赖的海森伯格·汉密尔顿（Heisenberg Hamiltonians）模拟系统的量子多体动力学。它提供了高级编程功能，用于生成量子电路的中间表示，可以将其转化为各种行业标准表示。此外，它提供了电路汇编和优化方法的选择，并促进了当前基于云的量子计算后端的量子电路的执行。mistiqs是一个可访问且高度灵活的研究和教育平台，使更广泛的科学家和学生可以对当前量子计算机进行量子多体动力学模拟。©2021作者。由Elsevier B.V.这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。
劳伦斯伯克利国家实验室
直接从神经信号解码行为、感知或认知状态对于脑机接口研究至关重要，也是系统神经科学的重要工具。在过去十年中，深度学习已成为从语音识别到图像分割等许多机器学习任务的最新方法。深度网络在其他领域的成功引发了神经科学领域新一轮的应用浪潮。在本文中，我们回顾了深度学习的神经解码方法。我们描述了用于从从脉冲到 fMRI 的神经记录模式中提取有用特征的架构。此外，我们探索了如何利用深度学习来预测包括运动、语音和视觉在内的常见输出，重点是如何将预训练的深度网络作为复杂解码目标（如声学语音或图像）的先验。深度学习已被证明是一种有用的工具，可用于提高广泛任务中神经解码的准确性和灵活性，我们指出了未来科学发展的领域。
劳伦斯伯克利国家实验室
自 19 世纪末的“电流之战”以来，交流电 (AC) 一直主导着配电。然而，近年来，直流电 (DC) 再次兴起，挑战了交流电。随着直流电源（光伏、电池存储）的使用增加、直流终端用途（电子产品、电动汽车、固态照明）以及电力电子技术的进步，建筑物中的直流配电已被提议作为一种在转型中的建筑行业中实现更高效率、成本节约和弹性的方法。许多研究通过功率损耗模拟（Gerber 等人，2018 年；Denkenberger 等人，2012 年；Fregosi 等人，2015 年）或实际测量（Boeke 和 Wendt，2015 年；Noritake 等人，2014 年）估计了在具有现场直流发电、存储和负载的建筑物中直流配电的潜在节能效果。
劳伦斯伯克利国家实验室
量子算法能够利用多项式数量的量子比特探索指数级的多种状态，因而在各类工业和科学应用中前景广阔。量子游走是研究最为深入的量子算法之一 [1]。与经典随机游走一样，其量子变体也被广泛用于增强各种量子计算和模拟 [2,3]。虽然量子游走与经典随机游走有着本质区别，但量子算法接近经典算法还是有一定的限度 [4]。经典随机游走的一个有用特性是它可以用马尔可夫链蒙特卡洛 (MCMC) 进行有效模拟，因为后续运动仅取决于当前位置，而不取决于之前的历史。这种 MC 性质是一些模拟多体物理系统的算法的核心，其中生成过程近似于局部的。对于同样具有重要量子特性的物理系统，MCMC 的速度是以固有量子模拟的准确性为代价的。高能物理中的部分子簇射就是这样一个物理系统 [ 5 ]，其中夸克或胶子辐射出几乎共线的夸克和胶子簇射。真正的量子效应可以近似为 MCMC 的修正 [ 6 ]，但无法在经典 MCMC 方法中直接有效实现。考虑以下量子树：每一步，自旋为 1/2 的粒子可以向左移动一个单位或向右移动一个单位。经过 N 步，该系统形成一个二叉树，其中 2 N
劳伦斯伯克利国家实验室
量子计算机的一个备受期待的应用是作为量子多体系统的通用模拟器，正如理查德·费曼在 20 世纪 80 年代所推测的那样。过去十年，量子计算在模拟量子系统静态特性（即小分子的基态能量）方面取得了越来越多的成功。然而，在当前到不久的将来的嘈杂中型量子计算机上模拟量子多体动力学仍然是一个挑战。在这里，我们展示了在 IBM 的 Q16 Melbourne 量子处理器和 Rigetti 的 Aspen 量子处理器上成功模拟非平凡量子动力学；即通过原子厚度的二维材料中的 THz 辐射超快速控制新兴磁性。其中包括执行此类模拟的完整代码和分步教程，以降低未来对这两台量子计算机进行研究的门槛。因此，这项工作为近期量子计算机上各种量子动力学的有前景的研究奠定了基础，包括 Floquet 态的动态局部化和噪声环境中量子比特的拓扑保护。
劳伦斯·伯克利国家实验室
缩写：％，百分比； 4E-BP1，真核翻译起始因子4E结合蛋白； Akt，蛋白激酶B； B-CHP，胶原蛋白杂交肽； CD31，分化簇31； CER，神经酰胺；蛤，哥伦布仪器综合实验室动物监测系统； CM，文化媒体； Col-IV，胶原蛋白IV； CSA，横截面区域； dag，二甘油二酸酯； DAPI，4'，6-Diamidino-2-苯基吲哚； ERK1/2，细胞外信号调节的激酶1/2; E-WAT，附子脂肪垫； FBXO32，F-box蛋白32; foxo3a，叉子盒O3; GTT，葡萄糖耐量测试； H，小时； H＆E，苏木精和曙红； HOMA-IR，胰岛素抵抗的稳态模型评估； HSL，激素敏感脂肪酶；如果，免疫荧光； IL-6，白介素6; i-wat，腹股沟脂肪垫；最小，分钟； MTOR，雷帕霉素的机械靶标； Musa1，F-box蛋白30; MyHC，肌球蛋白重链； NMR，核磁共振； OCT，最佳切割温度化合物； p/t，磷酸化； PAX7，配对盒蛋白PAX-7； PGC-1α，过氧化物酶体增殖物激活的受体 - 伽马共振剂1α; QPCR，实时聚合酶链反应； RER，呼吸道交换比； RNA，核糖酸； RPS6K，核糖体结合蛋白S6激酶B1;标签，甘油三酸酯； TRAF6，肿瘤坏死因子受体相关因子6； USP，美国药品； VCO 2，二氧化碳生产； VO 2，消耗氧。
劳伦斯·伯克利国家实验室
审查的摘要目的本综述的目的是总结当前的方法，并使用高分辨率外围定量计算机断层扫描（HR-PQCT）为小儿种群成像骨的成像建议。最新发现成像增长的骨骼具有挑战性，HR-PQCT方案并非在整个中心标准化。为所有研究采用单成像方案是不现实的。因此，我们提出了三个建立的儿童和青少年HR-PQCT成像的协议，并具有每个人的优势和缺点。限制协议变化将增强结果的均匀性，并提高我们比较不同研究组之间研究结果的能力。我们概述了特殊情况以及获取和加工扫描的技巧和技巧，以最大程度地减少运动伪像并考虑骨骼的增长。总结本综述中的建议旨在帮助研究人员在小儿种群中进行HR-PQCT成像，并扩展我们对骨骼结构，建筑和强度的集体知识。
劳伦斯·伯克利国家实验室
*通信：美国加利福尼亚州加利福尼亚州加利福尼亚州加利福尼亚州加利福尼亚州加利福尼亚州9500年，加利福尼亚州加利福尼亚州92093，吉尔曼DR。mlhill8@asu.edu（M.L.山）。信用撰稿人贡献声明摩根 - 洛佩兹·安东尼奥（Morgan-LópezAntonio A。）：概念化，数据策划，正式分析，资金获取，方法，资源，资源，监督，写作 - 审查和编辑。Hill Melanie：概念化，正式分析，调查，方法论，写作 - 原始草稿，写作 - 评论和编辑。支持Sudie E。：概念化，方法论，资源，写作 - 评论和编辑。Norman Sonya B。：概念化，方法论，资源，监督，写作 - 评论和编辑。hien denise a。：概念化，资金获取，方法论，资源，监督，写作 - 评论和编辑。Saavedra Lissette M。：概念化，数据策划，方法论，写作 - 评论和编辑。Saraiya Tanya C。：方法论，写作 - 原始草稿，写作 - 评论和编辑。Kline Alexander C。：概念化，方法论，写作 - 原始草稿，写作 - 评论和编辑。 Ruglass Lesia M。：概念化，方法论，监督，写作 - 评论和编辑。 Gette Jordan：方法，写作 - 原始草稿，写作 - 评论和编辑。Kline Alexander C。：概念化，方法论，写作 - 原始草稿，写作 - 评论和编辑。Ruglass Lesia M。：概念化，方法论，监督，写作 - 评论和编辑。Gette Jordan：方法，写作 - 原始草稿，写作 - 评论和编辑。
劳伦斯·伯克利国家实验室
本文件是作为美国政府赞助的工作的帐户准备的。虽然该文件被认为包含正确的信息，但美国政府，其任何机构，加利福尼亚大学或其任何雇员的董事均未对任何信息，设备，产品或流程的准确性，完整性或有效性，都不会有任何法律责任，或者承担任何法律责任，这些责任是任何信息，设备，产品或流程所披露或代表其私人私有权利的使用权。以此处提到任何特定的商业产品，流程或服务的商标，商标，制造商或其他方式，并不一定构成或暗示其认可，推荐或受到美国政府或其任何机构或加州大学摄政的认可，建议或偏爱。本文所表达的作者的观点和意见不一定陈述或反映美国政府或其任何机构或加利福尼亚大学的董事会的观点和观点。
劳伦斯·伯克利国家实验室
量子计算中的挑战之一是将单一操作员合成为具有多组栅极复杂性的量子电路。通用单位的确切合成通常需要大量的门。我们通过放松统一的约束并通过块编码将其互换为Ancilla Qubits互换来提出一种新型的近似量子电路合成技术。这种方法结合了较小的块编码，易于合成，将其合成为较大的操作员的量子电路。由于使用块编码，我们的技术不仅限于统一操作员，还可以应用于任意操作员的合成。我们表明，在某些假设下，可以用Polyrogarithmic Gate的复杂性合成可以通过规范多地表表达近似的运算符。