XiaoMi-AI文件搜索系统
World File Search System可分性
离散粒子的纠缠和可分离性标准...
纠缠是一种重要的量子资源，可用于量子隐形传态、量子计算等，如何判断和度量纠缠或可分性成为量子信息论中的基本问题。该文通过分析广义环Z[i]2n的性质，提出了一种在Gatti和Lacalle提出的离散量子计算模型中判断任意量子态纠缠或可分性的新方法。与以前基于矩阵的判据不同，它在数学计算上操作相对简单，并且如果一个量子态可分，就能计算出可分的数学表达式。以n=2，3为例，给出了模型中所有可分离态的具体形式，为离散量子计算模型提供了一个新的研究视角。
通过倾斜信息量化基于量子相干性的量子非马尔可夫性
基于非相干完全正映射和迹保持映射下量子相干性通过倾斜信息的非增性，我们提出了一种开放量子过程的非马尔可夫性测度。作为应用，通过将所提出的测度应用于一些典型的噪声信道，我们发现它等价于先前针对相位衰减和振幅衰减信道的三个非马尔可夫性测度，即基于量子迹距离、动态可分性和量子互信息的测度。对于随机酉信道，它等价于一类输出态基于相干性l 1 范数的非马尔可夫性测度，并且不完全等价于基于动态可分性的测度。我们还利用修正的Tsallis相对α相干熵来检测量子开放系统动力学的非马尔可夫性，结果表明，当α较小时，修正的Tsallis相对α相干熵比原始的Tsallis相对α相干熵更加合适。
量子信息论的数学基础
KRP 教授在数学的各个领域都做出了巨大贡献。其研究领域包括 (1) 信息理论，早期为经典理论，近十年为量子理论 (2) 概率论中的极限定理、弱收敛和无限可分性 (3) 李群及其上的概率测度 (4) 量子力学的数学公式 - 不完全系统和希尔伯特空间中的算子扰动 (4) 量子随机微积分 - 他与 R L Hudson 一起是该领域的先驱。
![arXiv:2211.04868v1 [quant-ph] 2022 年 11 月 9 日](/simg/g:\will\search\icon\source\1\126e5b8372f6690252371cc4946c07f77a351c04.webp)
arXiv:2211.04868v1 [quant-ph] 2022 年 11 月 9 日
这里{ pi }是概率分布，ρ i A 和ρ i B 分别为子系统A和B的状态，则它是可分离的，否则它是纠缠的。对于2 ⊗ 2和2 ⊗ 3系统，上述问题可以通过Peres-Horodecki准则完全解决：二分状态ρ AB 是可分离的当且仅当它是正部分转置（PPT），即（id⊗T）（ρAB）≥0[6]。然而对于任意维系统，该问题是NP难的[7]。在过去的二十年中，还有其他几个突出的准则。可计算交叉范数或重排准则（CCNR）准则由Rudolph[8]以及Chen和Wu[9]提出。 2006 年，作者提出了局部不确定性关系 (LUR)，并证明 LUR 比 CCNR 准则更强 [10]。2007 年，作者提出了一个基于 Bloch 表示的准则 [11]。随后，张等人提出了增强重排准则 [12]。2015 年，作者提出了一种改进的 CCNR 准则，并证明其比 CCNR 准则更强 [13]。2018 年，尚等人提出了二分状态可分性的充分条件，称为 ESIC 准则 [14]。最近，Sarbicki 等人提出了一类基于状态的 Bloch 表示的可分性准则 [15]。随后，他们证明
基于多核学习的运动想象 BCI 文盲分布自适应和分类框架
摘要：脑机接口（BCI）将用户的运动想象（MI）等想法转化为对外部设备的控制。然而，一部分人无法有效控制BCI，他们被定义为BCI文盲。BCI文盲受试者的主要特点是分类率低和可重复性差。针对MI-BCI文盲问题，提出一种基于多核学习的分布自适应方法，使源域和目标域之间的特征分布更加接近，同时最大化类别可分性。受到核技巧的启发，采用基于多核的极限学习机对带标签的源域数据进行训练，以找到一个最大化数据可分性的新的高维子空间，然后使用基于多核的最大均值差异进行分布自适应，以消除新子空间中域间特征分布的差异。针对MI-BCI文盲的特征维数较高，本文采用能够有效处理高维特征且不需要额外交叉验证的随机森林作为分类器，并在公开数据集上对所提方法进行了验证。实验结果表明，所提方法适用于MI-BCI文盲，并能降低域间差异，从而降低跨受试者和跨会话的性能下降。
使用时间增强多实例表示...
时间窗口的选择主要影响分段特征提取程序的有效性。我们提出了一种增强的模式袋表示，可以在宽窗口范围内捕获大脑动态的高级结构。因此，我们为短时公共空间模式算法引入了具有扩展窗口长度的增强实例表示。基于多实例学习，通过稀疏回归选择相关的模式袋以输入袋分类器。所提出的高级结构表示有两个贡献：（i）提高双条件任务的准确性，（ii）通过学习到的稀疏回归拟合更好地理解动态大脑行为。使用支持向量机分类器，在公共运动图像数据集（左手和右手任务）上实现的性能表明，所提出的框架执行的结果非常有竞争力，对脑电图记录的时间变化具有鲁棒性并有利于类可分性。
脑电图数据的 Stiefel 流形乘积优化
高维脑电图 (EEG) 协方差矩阵的维数降低对于在脑机接口 (BCI) 中有效利用黎曼几何至关重要。在本文中，我们提出了一种新的基于相似性的分类方法，该方法依赖于 EEG 协方差矩阵的维数降低。传统上，通过将原始高维空间投影到一个低维空间来降低其维数，并且仅基于单个空间学习相似性。相反，我们的方法，多子空间 Mdm 估计 (MUSUME)，通过解决所提出的优化问题获得多个可增强类可分性的低维空间，然后在每个低维空间中学习相似性。这种多重投影方法鼓励找到对相似性学习更有用的空间。使用高维 EEG 数据集（128 通道）进行的实验评估证实，MUSUME 在分类方面表现出显著的改进（p < 0.001），并且显示出超越仅依赖一个子空间表示的现有方法的潜力。
使用计算机软件研究循环二分图中的纠缠熵
纠缠在量子信息处理中起着至关重要的作用，包括量子通信[1,2]和量子计算[3–5]。它是量子力学和经典力学的显著区别之一。几十年来，纠缠一直是量子力学基础研究的焦点，尤其与量子不可分性和违反贝尔不等式有关[6]。纠缠已被视为如此重要的资源，因此需要一种对其进行量化的方法。对于二分纠缠，Horodecki 家族[7]最近撰写了一篇详尽的综述，Plenio 和 Virmani[8]对纠缠测度进行了详细的综述。纠缠的操作标准之一是施密特分解[9–11]。施密特分解是研究二分纯态纠缠的一个很好的工具。施密特数提供了一个重要的变量来对纠缠进行分类。部分纠缠纯态的纠缠可以自然地通过其纠缠熵来参数化，定义为冯·诺依曼熵，或等效地定义为施密特系数平方的香农熵 [ 9 , 11 ]。如果只有所谓的“高斯态”，情况就会变得简单