XiaoMi-AI文件搜索系统
World File Search System估计算法
simpn：用于建模和模拟定时的彩色培养皿
学生的计划代码验证的摘要自动化是一项重要任务，因为它提供了一个向学生提供及时有效的反馈的机会，从而大大降低了检查解决方案的资源成本。与AI系统的快速开发有关，出现了新的机会和自动化方法。我们考虑了一种从根本上进行估计算法的时间复杂性的新方法。基于AI的方法。使用基于AI的方法确定算法的复杂性的过程花费的时间少得多。该研究使用AI系统根据代码片段估算算法的复杂性。根据获得的结果，对这些系统的适用性做出了决定，可以自动化学生的计划代码评估。我们还提供考虑实施此类方法的方法，以根据AI系统在IT相关主题中检查学生作业的自动化。要评估代码片段的时间复杂性，我们使用了chatgpt，bard，timecomplexity.ai，chatsonic。所有参加实验的AI系统都准确地确定了用Python编写的每个代码片段的算法复杂性。结果表明，Chatgpt和Google Bard在评估Java编写的代码片段的时间复杂性方面表现出令人满意的准确性。我们开发了一种API，该API允许在检查学生作业期间部分自动化教师的工作。进一步的研究将与将开发的API集成到现有的教育平台和框架中有关。未来研究的另一个领域是自动代码质量确定和窃的问题。
基于脑部 MRI 图像的年龄预测：一项调查
摘要 人类年龄预测是一个有趣且可在不同领域应用的问题。它可以基于各种标准，例如面部图像、DNA 甲基化、胸板 X 光片、膝盖 X 光片、牙科图像等。大多数年龄预测研究主要基于图像。由于图像处理和机器学习 (ML) 技术的发展，人们开始研究将它们用于年龄预测问题。这些实现将用于不同领域，尤其是在医疗应用中。近年来，脑年龄估计 (BAE) 引起了越来越多的关注，它对阿尔茨海默病、帕金森病、亨廷顿病等一些神经退行性疾病的早期诊断非常有帮助。BAE 是在磁共振成像 (MRI) 图像上执行的，以计算大脑年龄。基于脑 MRI 的研究表明，加速衰老与加速脑萎缩之间存在关联。这指的是神经退行性疾病对大脑结构的影响，同时使整个大脑变老。本文回顾并总结了基于脑部 MRI 图像进行年龄预测的主要方法，包括预处理方法、不同研究工作中使用的有用工具和估计算法。我们根据两个因素对 BAE 方法进行分类，首先是处理 MRI 图像的方式，包括基于像素、基于表面或基于体素的方法；其次是 ML 算法的生成，包括传统或深度学习 (DL) 方法。DL 方法等现代技术有助于基于 MRI 的年龄预测获得更准确的结果。近年来，在相关工具的帮助下，人们利用了更精确和统计的 ML 方法，以简化计算并获得准确的结果。本文阐述了每项研究的优缺点和每项工作中的挑战，并提出了一些未来研究的指导方针和考虑事项。
用于计算分子基态能量的混合量子-经典神经网络
量子计算在推动量子化学研究方面显示出巨大的潜力[1]。许多量子算法已被提出来解决量子化学问题[2-4]，如相位估计算法；Aspuru-Guzik等人[5-8]计算简单分子本征态能量的算法；变分量子本征求解器（VQE）[9-11]解决电子结构问题；开放量子动力学的量子算法[12]；以及在量子计算机上进行的双电子分子基准计算[13]。使用量子计算技术执行机器学习任务[14]最近也受到了广泛关注，包括量子数据分类[15，16]、量子生成学习[17，18]和近似非线性函数的量子神经网络[19]。到目前为止，将各种量子机器学习技术应用于量子化学是一个自然的延伸 [ 20 ， 21 ]。然而，之前的研究仅仅关注只有少数非线性操作的量子电路，这些非线性操作是通过数据编码 [ 19 ， 22 ] 或重复测量直到成功 [ 23 ] 引入的。此外，最近 Sim 等人 [ 24 ] 表明，增加参数化量子电路 (PQC) 的层数将达到饱和，并且当层数足够大时可能无法提高性能。此外，非线性是经典神经网络中最重要的部分 [ 25 ]，它使神经网络能够产生复杂的结果 [ 23 ， 26 ， 27 ]。因此，量子机器学习不应只关注 PQC，量子神经网络需要非线性操作。为了解决这个问题，我们在这里引入一种新的混合量子经典神经网络，将量子计算和经典计算与参数化量子电路之间的测量相结合。本文首先详细描述了混合量子-经典神经网络的整体结构。然后，我们利用新的混合量子-经典神经网络进行了数值模拟，计算了不同分子的基态能量。
采用精准医疗和精准医疗 - ...
ABO ABO 血型系统 AI 人工智能 AML 急性髓系白血病 BCR-ABL 断点聚类区域 Abelson-1 BOADICEA 乳腺和卵巢疾病发病率分析和携带者估计算法 CML 慢性粒细胞白血病 COSMIC 癌症体细胞突变目录 COVID-19 SARS-CoV-2 CRA 查尔斯河协会 CVD 心血管疾病 DAISY 年轻人糖尿病自身免疫研究 DALY 伤残调整生命年 DKA 糖尿病酮症酸中毒 DM 糖尿病 DNA 脱氧核糖核酸 DSS 决策支持系统 EFPIA 欧洲制药工业协会联合会 EGFR 表皮生长因子受体 EOP EFPIA 肿瘤学平台 EU 欧盟 ExAC 外显子组聚合联盟 FH 家族性高胆固醇血症 GBD 全球疾病负担 GENIE 基因组学证据肿瘤信息交换 HER2 人表皮生长因子受体 2 IBIS 国际乳腺癌干预研究 ICU 重症监护病房 INCa 法国国家癌症研究所 (INCa) LDCT 低剂量计算机断层扫描 LDL 低密度脂蛋白 MODY 青年糖尿病成熟期 MRD 可测量残留疾病 mRNA 信使核糖核酸 MSI 微卫星不稳定性 MUC1 粘蛋白 1 NCD 非传染性疾病 NGS 新一代测序 NHS 国家医疗服务体系 NICE 国家健康与临床优化研究所 NSCLC 非小细胞肺癌 NTRK 神经营养性酪氨酸受体激酶 OS 总生存期 PCR 聚合酶链反应 PDT 精准诊断测试 PFS 无进展生存期 PH 精准健康 PM 精准医疗 QALY 质量调整生命年 QoL 生活质量 TCGA 癌症基因组图谱 TMB 肿瘤突变负担 TTM 上市时间 1 型糖尿病 1 型糖尿病 英国 英国 美国 美国
![arXiv:2002.07901v1 [quant-ph] 2020 年 2 月 18 日](/simg/g:\will\search\icon\source\c\c194b283812d90cda7068798de2ac8669e964e6a.webp)
arXiv:2002.07901v1 [quant-ph] 2020 年 2 月 18 日
量子计算是一种新的计算范式，有望有效模拟量子力学系统。然而，与工业相关的分子尺寸相比，嘈杂的中型量子 (NISQ) 设备提供的硬件范围仍然很小。本文引入了增量法 (MI)，以帮助加快 NISQ 设备在量子化学模拟中的应用。MI 方法将分子系统的电子关联能量表示为轨道、原子、分子或碎片的截断多体展开。在这里，系统的电子关联以占据轨道的形式展开，并采用 MI 方法系统地减少占据轨道空间。同时，虚拟轨道空间基于冻结自然轨道 (FNO) 减少，FNO 是使用二阶多体微扰理论的单粒子密度矩阵获得的。这样，构建了一种称为 MI-FNO 方法的方法，用于系统地减少量子化学模拟中的占用空间和虚拟空间。然后可以通过任何算法（包括相位估计算法和变分量子特征值求解器等量子算法）求解由 MI-FNO 减少引起的子问题，以预测分子系统的相关能量。在 cc-pVDZ 基组内，针对小分子（即 BeH 2 、CH 4 、NH 3 、H 2 O 和 HF）的情况，研究了 MI-FNO 方法的准确性和可行性。然后，使用对工业相关的中型催化剂分子（“受限几何”烯烃聚合催化剂）的量子比特计数估计，研究了所提出的框架对于实际工业应用中使用的较大分子的有效性。我们表明，即使采用适度截断虚拟空间，MI-FNO 方法也能将量子比特需求减少近一半。这样一来，我们的方法可以促进基于较小但更现实的化学问题的硬件实验，从而有助于表征 NISQ 设备。此外，降低量子比特需求有助于扩大可在量子化学应用中模拟的分子系统的大小，从而大大增强大规模工业应用的计算化学研究。
无模型滑模控制算法（包括对真实四旋翼飞行器的应用）
摘要 - 滑模控制是一种鲁棒的非线性控制算法，已用于实现无人飞机系统的跟踪控制器，该控制器对建模不确定性和外部干扰具有鲁棒性，从而为自主操作提供出色的性能。无人飞机系统滑模控制应用的一个重大进步是采用无模型滑模控制算法，因为滑模控制实施中最复杂和最耗时的方面是结合系统模型推导控制律，这是每个单独的滑模控制应用都需要执行的过程。使用各种航空系统模型和真实世界干扰（例如离散化和状态估计的影响）在模拟中比较了各种无模型滑模控制算法的性能。结果表明，两种性能最佳的算法表现出非常相似的行为。这两种算法在四旋翼飞行器上实现（在模拟和使用真实硬件的情况下），并使用相同的状态估计算法和控制设置将其性能与传统的基于 PID 的控制器进行了比较。模拟结果表明，无模型滑模控制算法表现出与 PID 控制器相似的性能，而无需繁琐的调整过程。两种无模型滑模控制算法之间的比较表明，通过跟踪误差的二次均值测量，性能非常相似。飞行测试表明，虽然无模型滑模控制算法可以控制真实硬件，但在成为传统控制算法的可行替代方案之前，还需要进一步的特性描述和重大改进。无模型滑模控制和基于 PID 的飞行控制器都观察到了较大的跟踪误差，并且其性能对于大多数应用而言是不可接受的。两种控制器的性能不佳表明跟踪误差可以归因于状态估计中的误差。通过改进状态估计进行进一步测试将可以得出更多结论。关键词：无模型控制、滑模控制、鲁棒控制、飞行控制、无人机系统。1.简介
多基因风险评分在家族病例中预测乳腺癌风险的临床适用性
抽象背景常见的低风险变体目前不用于指导家族性乳腺癌（BC）的临床管理。我们探讨了相对于非BRCA1/2荷兰BC家族中标准基因测试的313个基因多基因风险评分（PRS 313）的添加作用。方法，我们包括3492个荷兰非BRCA1/2 BC家族和3474荷兰人口控制的3918例案件。使用逻辑回归模型估算了标准化PRS 313与BC的关联，该模型已针对基于血统的家族史进行了调整。对控件的家族史进行了此分析。ses以说明个人的相关性。使用boadicea（疾病发生率和载体估计算法的乳房和卵巢分析）v.5模型，以有或没有单个PRS 313的方式回顾了终生风险。对于2586例病例和2584个对照，已知atm，CHEK2和PALB2中致病变异的载体状态（PVS）。结果由家族史调整后的PRS 313与BC显着相关（每SD或= 1.97，95％CI 1.84至2.11）。根据美国，英国和荷兰的BC筛查指南（国家综合癌症网络，美国国家健康和护理卓越研究所以及荷兰综合癌症组织），包括BOADICEA家庭风险预测中的PRS 313将改变筛查建议的最高27％，36％和34％的案件。对于人口控制，没有有关家族史的信息，分别高达39％，44％和58％。在已知中等BC易感基因的PV载体中，PRS 313对CHEK2和ATM的影响最大。结论我们的结果支持PRS 313在风险预测中应用于中等BC风险基因的遗传性无信息的BC家族和PV家族。
通过物理量的演化估计量子计算机上的能级
计算汉密尔顿量的能谱是量子力学中的一个重要问题。量子计算机的最新发展使人们认识到它们是解决这一问题的有力工具。量子相位估计 (QPE) 算法是确定汉密尔顿量特征值的算法之一 [1, 2, 3, 4, 5, 6]。该算法最初由 Kitaev、Lloyd 和 Abrams [1, 2, 3] 提出。该算法基于寻找特征值 λ = e iφ 或幺正算子的相位 φ。当幺正算子是量子系统演化的算子时，相位 φ 与汉密尔顿量的特征值相关。关于这个问题的简短综述可以在 [7] 中找到。在 [8] 中，提出了一种基于稳健相位估计算法估计跃迁能量的方法。此外，还已知可以检查能级的混合经典量子算法。其中包括量子近似优化算法（它识别出基态能量并用于解决优化问题 [9, 10, 11, 12]），变分量子特征值求解器（它识别出获得跃迁能量 [13, 14, 15, 16]）。在 [17] 中，作者提出了一种有效的方法，用于根据演化算子期望值的时间依赖性来估计汉密尔顿函数的特征值。最初这个想法是在 [18] 中提出的。在 [19] 中，变分量子特征值求解器采用了量子比特有效的电路架构，并介绍了在量子计算机上研究量子多体系统基态特性的量子比特有效方案。在 [20] 中，描述了量子算法（量子 Lanczos，最小纠缠典型热态的量子类似物，最小纠缠典型热态的量子类似物），这些算法使得在量子计算机上检测基态、激发态和热态成为可能。在本文中，我们表明，研究物理量平均值的时间依赖性可以提取量子系统的跃迁能量。在物理量的算符与
IEEE Access 特别版块社论：电池储能和管理系统
电池储能和管理系统是实现更可持续的交通和电网系统的一项支持技术。一方面，人们正在积极合成电池的新兴材料和化学成分，以不断提高其能量密度、功率密度、循环寿命、充电速率等。另一方面，人们正在大力开发先进的电池管理系统 (BMS)，以保证电池在实际运行中的安全性、可靠性、效率和成本效益，以及与机电一体化的集成。由于其多物理特性，设计高性能电池及其管理系统需要多学科方法，电化学、材料、机电一体化、计算机和控制学科的协同作用不断增强。本专题“电池储能和管理系统”的总体目的是收集和说明最新研究和开发成果，以推进电池、电池管理系统及其与智能电网和电动汽车集成的研究领域。本专题得到了学术界和工业界的热烈响应。我们收到了来自世界各地不同研究团队的 61 篇文章投稿，其中提出了许多有趣的设计 / 控制观点。根据 IEEE A CCESS 政策，专家审稿人对这些文章进行了深思熟虑的严格审查，最终，19 篇高水平的文章入选本专题。据信，这些文章令人印象深刻地展示了电池系统最先进的特性、建模、状态估计和控制方法。我们将这 19 篇文章分为以下五类：1）电池荷电状态 (SOC) 估计；2）电池健康建模和管理；3）电池热建模和充电器建模/控制；4）储能与电动汽车的集成；5）储能与智能电网的集成。准确的电池 SOC 估计对于安全、高效和经济高效的电池运行至关重要，可有效避免过度充电和过度放电。作为 BMS 的核心功能，已提出了各种估计算法，以不断提高复杂运行条件下 SOC 估计的准确性和稳健性。在 Peng 等人的《基于带噪声统计估计器的自适应无迹卡尔曼滤波器的电池储能系统充电状态估计》中，基于噪声
在没有 Toffoli 门的情况下估计量子模拟中的精确能量
在数字量子模拟中，量子计算机充当难以用传统方法预测的系统的通用模拟器。然而，该领域的目标不仅仅是简单地用一个系统模仿另一个系统：在将模型的哈密顿量映射到量子比特上之后，采用量子算法提取其光谱和特征态。这种算法中可能最复杂的是量子相位估计，它允许人们通过对模拟时间演化的傅里叶分析（在模型哈密顿量下）投射到光谱特征态。然而，尽管概念简单，量子相位估计在技术层面上具有挑战性。它的要求不仅超出了当前硬件的能力，而且它很可能在未来带来技术挑战。部分问题在于时间演化无法精确模拟，而通常必须近似。正如 [ 1 ] 中最初所建议的那样，这可以通过 Trotterization 实现，这意味着模拟器被设计为在精确时间演化的频闪片段中演化。演化的时间周期越短，近似值越精确，但量子相位估计对于较长的时间演化具有更好的分辨率 [2,3]。该算法还需要一个额外的估计器量子比特寄存器来耦合到 Trotterization 时间演化中的每个片段，这可能要求量子计算机内部进行非局部操作。不过，有更先进的方法可以取代相位估计算法中的 Trotterization。在量子比特化 [4] 中，模拟器被一定数量的量子比特扩展。时间演化随后被一个幺正所取代，该幺正位于扩展的某个子空间中，充当模拟器量子比特的哈密顿量。由于幺正描述了该子空间外的旋转，因此旋转角度（哈密顿量特征值的函数）可以通过相位估计程序读出。量子比特化的吸引力在于它不涉及哈密顿量的任何近似；然而，它通常需要更高级的量子操作，比如 Toffoli 门 [ 5 ]。当人们试图将额外量子比特的数量保持在