XiaoMi-AI文件搜索系统
World File Search System参数空间
量子网络的自适应、连续纠缠生成
摘要 —量子网络能够实现量子信息的长距离传输，有望在通信、计算、安全和计量等许多领域提供令人兴奋的好处和新的可能性。这些网络依靠远距离节点的量子比特之间的纠缠来传输信息；然而，这些量子链接的创建并不依赖于要传输的信息。研究人员已经探索了连续生成纠缠的方案，其中网络节点可以在接收用户请求之前生成纠缠链接。在本文中，我们提出了一种自适应方案，该方案使用来自先前请求的信息来更好地指导在接收未来请求之前随机生成的量子链接的选择。我们分析了这种方案可能提供好处的参数空间，并观察到在单瓶颈和自治系统网络上，与其他连续方案相比，性能提高了 75%。我们还针对其他参数选择测试了该方案，并观察到高达 95% 的持续好处。我们的自适应方案在随机请求队列上的强大功能在单瓶颈拓扑上得到了展示。我们还探讨了量子内存分配场景，其中延迟性能的差异意味着量子网络资源优化分配的必要性。索引术语 — 量子网络、纠缠生成、量子隐形传态、自适应协议
后生动物多细胞的起源：潜在的微生物黑天鹅事件
脊椎动物免疫系统能够在识别病原体的抗原序列时取决于T细胞特异性的强，聚焦的适应性反应。识别耐受性和抗原收敛引起的跨免疫反应，扩展了对相当相似的病原体的迅速反应。这表明在连续的流行病暴发（例如，具有不同变体的SARS-COV-2波）中，达到牛群免疫力可能会得到促进。定性研究降低了这种可能性，因为跨免疫保护很少进行消毒。我们使用最少的定量模型来研究跨免疫如何影响短时间和长时间尺度的流行动力学。在短期内，我们研究了灭菌和衰减免疫力的模型，发现了这两种机制之间的对应关系 - 因此，这表明衰减保护在实现牛群免疫中起着关键作用。我们的模型在流行参数空间中呈现图，这些图是根据获得的跨免疫水平来辨别威胁变体的。我们用SARS-COV-2数据说明了此应用，包括由于各国的疫苗接种率而引起的保护。在长期规模上，我们对滚动病原体之间的跨免疫进行了模拟，以表征成功菌株的统计特性。我们发现，持续的跨免疫保护改变了发生大规模爆发的流行参数空间的地区。我们的结果表明，基于跨免疫（包括SARS-COV-2 Pandemics）的群群保护的前景进行了乐观的修订。
利用量子算法重建粒子轨迹
摘要：准确确定粒子径迹重建参数将成为高亮度大型强子对撞机 (HL-LHC) 实验面临的主要挑战。HL-LHC 同时发生的碰撞数量预计会增加，探测器占用率也会随之提高，这将使径迹重建算法对时间和计算资源的要求极高。命中次数的增加将增加径迹重建算法的复杂性。此外，由于探测器的分辨率有限以及命中的物理“接近度”，将命中分配给粒子径迹的模糊性也会增加。因此，带电粒子径迹的重建将成为正确解释 HL-LHC 数据的主要挑战。目前使用的大多数方法都基于卡尔曼滤波器，这些滤波器被证明是稳健的，并提供良好的物理性能。但是，它们的扩展性预计会比二次方差。设计一种能够在命中级别减少组合背景的算法，将为卡尔曼滤波器提供更“干净”的初始种子，从而大大减少总处理时间。量子计算机的显着特征之一是能够同时评估大量状态，使其成为在大型参数空间中进行搜索的理想工具。事实上，不同的研发计划正在探索量子跟踪算法如何利用这些功能。在本文中，我们介绍了我们在实现基于量子的轨迹查找算法方面的工作，该算法旨在减少初始播种阶段的组合背景。我们使用为 kaggle TrackML 挑战设计的公开数据集。
![arXiv:2003.08126v1 [quant-ph] 2020 年 3 月 18 日](/simg/c\c6d01874017c7d6f6947dc0a7a998c392e725488.webp)
arXiv:2003.08126v1 [quant-ph] 2020 年 3 月 18 日
摘要：准确确定粒子径迹重建参数将成为高亮度大型强子对撞机 (HL-LHC) 实验面临的主要挑战。HL-LHC 同时发生的碰撞数量预计会增加，探测器占用率也会随之提高，这将使径迹重建算法对时间和计算资源的要求变得极为苛刻。撞击数量的增加将增加径迹重建算法的复杂性。此外，由于探测器的分辨率有限以及撞击的物理“接近度”，将撞击分配给粒子径迹的模糊性也会增加。因此，带电粒子径迹的重建将成为正确解释 HL-LHC 数据的主要挑战。目前使用的大多数方法都基于卡尔曼滤波器，这些滤波器被证明是稳健的，并能提供良好的物理性能。然而，它们的扩展性预计会比二次方差。设计一种能够在命中级别减少组合背景的算法，将为卡尔曼滤波器提供更“干净”的初始种子，从而大大减少总处理时间。量子计算机的显着特征之一是能够同时评估大量状态，使其成为在大型参数空间中进行搜索的理想工具。事实上，不同的研发计划正在探索量子跟踪算法如何利用这些功能。在本文中，我们介绍了我们在实现基于量子的轨迹查找算法方面的工作，该算法旨在减少初始播种阶段的组合背景。我们使用为 kaggle TrackML 挑战设计的公开数据集。
PoS(ECRS)014 - SISSA
太阳高能粒子 (SEP) 是空间天气中最危险的事件之一。在过去的几十年中，已经开发出多种技术来预测 SEP 的发生，主要基于 > 10 MeV 质子通量与某些前兆（例如太阳耀斑、日冕物质抛射等）之间的统计关联。在本文中，我们重点关注太阳质子事件实时警报 (ESPERTA) 的经验模型，该模型通过考虑三个输入参数来预测≥ M2 太阳耀斑发生后的 SEP 事件：耀斑源区经度、软 X 射线通量和 ∼ 1 MHz 的射电通量。在这里，我们在监督学习框架中重塑了 ESPERTA 模型，并对预测模型进行了交叉验证，同时应用了罕见事件校正（即数据过采样和损失函数加权），因为 SEP 发生的高度不平衡性。使用合成少数过采样技术可获得最佳性能，检测概率为 0.83，误报率 (FAR) 为 0.39。尽管如此，与不平衡情况相比，验证分数的改善很小。SEP 预测的相关 FAR 是样本基准率的自然结果。综上所述，我们给出的证据表明，预测 SEP 事件的统计方法应考虑以下因素：1) 需要根据 SEP 事件的预期发生情况校准模型，2) 决策阈值对模型性能有很强的影响，3) 模型中使用的特征，如果单独考虑，无法完全区分参数空间中的事件类别，因此使用处理不平衡问题的技术并不能保证更好的性能。
静态摩擦对机器人增强学习中SIM2REAL的影响
摘要 - 在机器人增强学习中，SIM2REAL差距仍然是一个关键的挑战。但是，静态摩擦对SIM2REAL的影响尚未得到充实。常规域随机化方法通常从其参数空间中排除静态摩擦。在我们的机器人加强学习任务中，这种常规域随机方法导致了明显不足的现实世界模型。为了应对这一SIM2REAL挑战，我们采用了执行器网作为常规域随机化的替代方案。虽然这种方法能够成功地转移到平面运动，但在楼梯等复杂地形上失败了。为了研究影响机器人关节中SIM2REAL的物理参数，我们开发了一个控制理论关节模型并进行了系统的参数鉴定。我们的分析表明，机器人关节中出乎意料的高摩擦力比率。为了减轻其影响，我们实施了SIM2Real的静态摩擦域随机化。认识到摩擦建模引入的训练难度增加，我们提出了一种简单新颖的解决方案，以降低学习复杂性。为了验证这种方法，我们进行了比较三种方法的综合SIM2SIM和SIM2REAL实验：常规域随机化（无静态摩擦），执行器NET和我们的静态摩擦感知域随机化。所有实验均利用快速运动适应（RMA）算法。结果表明，我们的方法实现了出色的自适应能力和整体性能。
利用温度依赖性（电）化学动力学进行高通量液流电池表征
具有氧化还原活性的有机物库非常庞大，这些有机物可能是液流电池中电化学储能的潜在候选物，因此需要对分子寿命进行高通量表征。经证实的极其稳定的化学反应需要准确而快速的电池循环测试，而这种需求常常因以时间为单位的容量衰减机制而受挫。我们开发了一种用于高温循环氧化还原液流电池的高通量装置，为探索表征参数空间提供了一个新的维度。我们利用它来评估水性氧化还原活性有机分子的容量衰减率，作为温度的函数。我们在多种液流电池电解质的时间容量衰减率中展示了类似阿伦尼乌斯的行为，从而可以推断出更低的工作温度。总的来说，这些结果强调了加速分解方案对于加快长寿命液流电池候选分子筛选过程的重要性。© 2024 作者。由 IOP Publishing Limited 代表电化学学会出版。这是一篇开放获取的文章，根据知识共享署名 4.0 许可条款发布（CC BY，http://creativecommons.org/licenses/by/4.0/），允许在任何媒体中不受限制地重复使用作品，只要对原始作品进行适当的引用。[DOI：10.1149/1945-7111/ad3855]
培训数据分布通过机器学习
目的：监督机器学习（ML）为定量MRI中的参数映射提供了一种令人信服的替代方法。这项工作的目的是证明和量化不同训练数据分布对超级访问的ML用于拟合时的准确性和精度的影响。方法：我们使用传统的模型拟合和监督ML拟合了两个和三校区的生物物理模型以及模拟的扩散数据的扩散测量。对于监督的ML，我们培训了几个人工神经网络以及随机的森林回归器，以不同的地面真相参数分布。我们比较了使用合成测试数据从不同估计中获得的参数估计值的准确性和精度。结果：当训练集中参数组合的分布与在健康人类数据集中观察到的参数组合匹配时，我们观察到高精度，但对非典型参数组合的估计值不准确。相反，当从整个合理参数空间中统一采样训练数据时，对于非典型参数组合，估计值往往更准确，但对于典型的参数组合可能具有较低的精度。结论：这项工作强调，使用监督ML对模型参数的估计在很大程度上取决于训练集分布。我们表明，使用ML获得的高精度可能会掩盖强偏置，并且参数图的视觉评估不足以评估估计值的质量。
PoS(ECRS)014 - SISSA
太阳高能粒子 (SEP) 是空间天气中最危险的事件之一。在过去的几十年中，人们开发了各种各样的技术来预测 SEP 的发生，这些技术主要基于 > 10 MeV 质子通量与某些前兆（例如太阳耀斑、日冕物质抛射等）之间的统计关联。在本文中，我们将重点介绍太阳质子事件实时警报 (ESPERTA) 的经验模型，该模型通过考虑三个输入参数来预测≥ M2 太阳耀斑发生后的 SEP 事件：耀斑源区经度、软 X 射线通量和 ∼ 1 MHz 的射电通量。在这里，我们在监督学习框架中重塑了 ESPERTA 模型，并对预测模型进行了交叉验证，同时还应用了罕见事件校正（即数据过采样和损失函数加权），因为 SEP 的发生具有高度不平衡性。使用合成少数过采样技术可获得最佳性能，检测概率为 0.83，误报率 (FAR) 为 0.39。尽管如此，与不平衡情况相比，验证分数的改善很小。SEP 预测的相关 FAR 是样本基率的自然结果。总之，我们给出的证据表明，预测 SEP 事件的统计方法应考虑以下因素：1) 需要根据 SEP 事件的预期发生情况校准模型，2) 决策阈值强烈影响模型性能，3) 模型中使用的特征，如果单独考虑，则无法完全分离参数空间中的事件类别，因此使用处理不平衡问题的技术并不能保证更好的性能。
微调与及时调节的监督陈述
为了破译人脑的语言表示基础的算法，先前的工作通过对NLU任务进行了微调的预先调整的预先训练的人工神经网络（ANN）模型对大脑对语言输入的反应。然而，完整的微调通常会更新整个参数空间并扭曲预训练的功能，从而与大脑的强大多任务学习无关。及时调整可以保护预训练的权重，并学习特定于任务的嵌入以适合任务。迅速调整是否会产生代表，可以更好地说明大脑语言表示的比较？如果是这样，什么样的NLU任务会导致预先训练的模型更好地解码人脑中所代表的信息？我们通过比较神经解码中的迅速调整和微调的表示来调查这些问题，这预测了刺激引起的大脑活动的语言刺激。我们发现，在10个NLU任务中，全面的微调都没有明显胜过神经解码的迅速调整，这意味着一种更一致的调谐方法会产生代表性的代表，可以更好地与大脑数据相关。更重要的是，我们确定处理精细概念的任务意味着比其他任务更好地解码大脑激活模式的屈服表示，尤其是句法构成任务。这表明我们的大脑编码代表语言时浅层句法信息更细粒度的概念信息。