XiaoMi-AI文件搜索系统
World File Search System变分
通过功能约束结构图变分自动编码器实现结构和功能连接组的统一嵌入
摘要。图论分析已成为建模大脑功能和解剖连接的标准工具。随着连接组学的出现，主要感兴趣的图或网络是结构连接组（来自 DTI 纤维束成像）和功能连接组（来自静息态 fMRI）。然而，大多数已发表的连接组研究都集中在结构或功能连接组上，但当它们之间的互补信息在同一数据集中可用时，可以联合利用它们来提高我们对大脑的理解。为此，我们提出了一种功能约束的结构图变分自动编码器 (FCS-GVAE)，它能够以无监督的方式整合来自功能和结构连接组的信息。这导致了联合低维嵌入，从而建立了一个统一的空间坐标系，用于跨不同主体进行比较。我们使用公开的 OASIS-3 阿尔茨海默病 (AD) 数据集评估了我们的方法，并表明变分公式对于最佳地编码功能性大脑动态是必不可少的。此外，与不使用互补连接组信息的方法相比，所提出的联合嵌入方法可以更准确地区分不同的患者亚群。
基于蒙特卡洛树搜索的变分量子电路混合优化
变分量子算法是近期和未来容错量子设备模拟的前沿。虽然大多数变分量子算法只涉及连续优化变量，但有时可以通过添加某些离散优化变量来显著增强变分假设的表示能力，广义量子近似优化算法 (QAOA) 就是一个例子。然而，广义 QAOA 中的混合离散-连续优化问题对优化提出了挑战。我们提出了一种称为 MCTS-QAOA 的新算法，它将蒙特卡洛树搜索方法与改进的自然策略梯度求解器相结合，分别优化量子电路中的离散变量和连续变量。我们发现 MCTS-QAOA 具有出色的抗噪特性，并且在广义 QAOA 的具有挑战性的实例中优于先前的算法。
噪声中间量子计算机中多等级几何纠缠的变分确定
纠缠的量子状态[1]被认为是反对量子力学的完整性的论点[2]，如今被认为是该理论的区分特征。纠缠也被广泛认为是量子计算和量子信息研究中的核心资源之一[3]；量子算法（例如Shor算法[4]）的成功与量子计算机中的非局部门的适当实现相关，而量子电视[5]和量子密钥分布等方案[6]依赖于两个或更多各方之间的纠缠状态。纠缠。由于纠缠在量子力学及其许多可行应用中所起的作用，已经开发了几种方法来量化和识别它。基于部分转置映射的负态性的Peres-Horodecki定理[10，11]允许在Qubit-Qubit和Qubit-Qutrit纯或混合量子状态中存在纠缠，但对于较高尺寸的biTemential biatsiate biatsional biatsiate butemential butions of证明。与此一起，部分转置映射对应于非物理操作，因此不能直接实施实验。也可以采用铃铛不平等[12]来检测已知状态的纠缠，这需要解决优化问题。在这里，违规信号
变分量子脉冲学习
摘要 — 量子计算是解决传统硬件上难以计算的问题的最有前途的新兴技术之一。现有的大量研究集中在使用门级变分量子算法进行机器学习任务，例如变分量子电路 (VQC)。然而，由于参数数量有限，VQC 的灵活性和表达能力有限，例如，在一个旋转门中只能训练一个参数。另一方面，我们观察到量子脉冲在量子计算堆栈中低于量子门，并提供更多控制参数。受 VQC 良好性能的启发，本文提出了变分量子脉冲 (VQP)，这是一种直接训练量子脉冲以完成学习任务的新范式。所提出的方法通过在优化框架中拉动和推动脉冲幅度来操纵变分量子脉冲。与变分量子算法类似，我们训练脉冲的框架在嘈杂的中型量子 (NISQ) 计算机上保持了对噪声的鲁棒性。在二分类示例任务中，与 qiskit 脉冲模拟器（使用来自真实机器的系统模型）和 ibmq-jarkata 上的 VQC 学习相比，VQP 学习分别实现了高达 11% 和 9% 的准确率，证明了其有效性和可行性。在存在噪声的情况下，VQP 获得可靠结果的稳定性也得到了验证。索引术语 — 变分量子电路、量子计算、量子机器学习、变分量子脉冲、量子最优控制
基于变分量子电路的函数回归理论误差性能分析
噪声中型量子 (NISQ) 设备使得量子神经网络 (QNN) 的变分量子电路 (VQC) 的实现成为可能。尽管基于 VQC 的 QNN 在许多机器学习任务中取得了成功，但 VQC 的表示和泛化能力仍需要进一步研究，特别是涉及到经典输入的降维时。在这项工作中，我们首先提出了一个端到端量子神经网络，即 TTN-VQC，它由一个基于张量训练网络 (TTN) 的量子张量网络组成，用于降维，还有一个 VQC 用于函数回归。然后，我们针对 TTN-VQC 的表示和泛化能力进行误差性能分析。我们还利用 Polyak-Lojasiewicz (PL) 条件来表征 TTN-VQC 的优化特性。此外，我们对手写数字分类数据集进行了功能回归实验，以证明我们的理论分析。
循环肿瘤 DNA 突变分析及配对...
摘要：循环肿瘤DNA（ctDNA）是一种常规的液体活检样本，可通过采集来动态监测疾病状态。然而，其潜在的临床价值以及与腹水样本或肿瘤活检的一致性对于卵巢癌患者还有待进一步评估。因此，本研究比较了ctDNA、配对肿瘤组织和腹水样本之间的突变谱，以探讨它们在卵巢癌中的可能临床价值。使用靶向下一代测序筛查卵巢癌患者18个外周血样本、6个配对腹水样本和8个配对肿瘤组织中的突变。使用公共数据库进行功能分析。使用WebGestalt进行基因本体论和通路富集分析。使用cBioPortal for Cancer Genomics评估治疗靶点。使用Chilibot和检索相互作用基因/蛋白质的搜索工具来获取关键基因及其功能相互作用。使用维恩图对三类样本进行比较分析。在ctDNA样本中共发现104个癌症相关突变基因，在肿瘤组织中共发现95个基因，在腹水样本中共发现44个基因。通过Chilibot分析获得了一个涵盖10个基因的簇，即NOTCH2、NOTCH3、赖氨酸甲基转移酶2A、PTEN、雄激素受体、DNA活化蛋白激酶催化亚基、肝细胞核因子1同源框A、SRC、胰岛素受体底物2和SRY盒转录因子10。该基因组可能具有监测卵巢癌转移和确定治疗靶点的潜力
具有变分信息瓶颈的图结构学习
图神经网络（GNN）在广泛的应用领域中已显示出良好的效果。大多数 GNN 实证研究直接将观察到的图作为输入，假设观察到的结构完美地描述了节点之间准确和完整的关系。然而，现实世界中的图不可避免地是有噪声的或不完整的，这甚至会降低图表示的质量。在本文中，我们从信息论的角度提出了一种新的变分信息瓶颈引导的图结构学习框架，即 VIB-GSL。VIB-GSL 是首次尝试推进图结构学习的信息瓶颈 (IB) 原理，为挖掘底层任务相关关系提供了更优雅、更通用的框架。VIB-GSL 学习一种信息丰富且压缩的图结构，以提炼出特定下游任务的可操作信息。 VIB-GSL 对不规则图数据推导变分近似，形成易处理的 IB 目标函数，有利于提高训练稳定性。大量实验结果表明 VIB-GSL 具有良好的有效性和鲁棒性。
具有变分信息瓶颈的图结构学习
图神经网络（GNN）在广泛的应用领域中已显示出良好的效果。大多数 GNN 实证研究直接将观察到的图作为输入，假设观察到的结构完美地描述了节点之间准确和完整的关系。然而，现实世界中的图不可避免地是有噪声的或不完整的，这甚至会降低图表示的质量。在本文中，我们从信息论的角度提出了一种新的变分信息瓶颈引导的图结构学习框架，即 VIB-GSL。VIB-GSL 是首次尝试推进图结构学习的信息瓶颈 (IB) 原理，为挖掘底层任务相关关系提供了更优雅、更通用的框架。VIB-GSL 学习一种信息丰富且压缩的图结构，以提炼出特定下游任务的可操作信息。 VIB-GSL 对不规则图数据推导变分近似，形成易处理的 IB 目标函数，有利于提高训练稳定性。大量实验结果表明 VIB-GSL 具有良好的有效性和鲁棒性。
解决自适应变分量子算法的核结构问题
我们使用Lipkin-Meshkov-Glick（LMG）模型和Valence空间核壳模型来检查核结构理论中变异量子量化的可能性能。LMG模型在其中一个阶段的均值级别上表现出相变和自发对称性的破坏，这些阶段表征了中等质量和重核中集体动力学的特征。我们表明，通过适当的修改，Adapt-VQE算法是一种特别灵活和准确的变化方法，并没有受到这些并发症的困扰。我们最多处理12个颗粒，并表明与量子数的数量线性接近地面能量所需的量子操作数量。将算法应用于SD和PF壳中具有逼真的相互作用的核心模型时，我们发现了类似的缩放尺度。尽管这些模拟中的大多数没有噪声，但我们使用Real IBM硬件的噪声模型表明，对于具有四个颗粒的LMG模型，弱噪声对算法的效率没有影响。
变分量子电路制备低能对称态
摘要：我们探索如何构建量子电路，通过将给定汉密尔顿量显式编码到电路中来计算对称子空间内给定汉密尔顿量对应的最低能量状态。我们创建显式酉和变分训练酉，将由定义子空间中的 ansatz A(oL) 输出的任何矢量映射到对称空间中的矢量。对参数进行变分训练以最小化能量，从而将输出保持在标记的对称值内。该方法针对使用旋转和反射对称的自旋 XXZ 汉密尔顿量和使用 S 2 对称的 S z = 0 子空间内的 % 汉密尔顿量进行了测试。我们发现变分训练的酉在深度非常低的电路中给出了良好的结果，因此可用于在近期量子计算机中准备对称状态。