XiaoMi-AI文件搜索系统
World File Search System多自由度
便携式 fMRI 兼容机器人腕部接口的评估
触觉接口可与功能性磁共振成像 (fMRI) 结合使用，使神经科学家和临床医生能够研究执行任意动态任务所涉及的大脑机制 [1]。新型材料和新技术的应用以及 MR 技术的进步使得机电一体化系统能够部署在 MR 环境中 [2]，[3]，[4]，[5]。具有不同驱动原理和设计配置的 fMRI 兼容触觉接口用于人体运动控制实验，主要用于上肢运动。研究具有多自由度 (DoF) 的运动控制可以提供有关神经系统如何协调涉及多个关节的运动并处理耦合和非线性动力学的重要信息 [6]，[7]。然而，肢体节段之间的动态相互作用通常会引起头部运动，从而导致脑部 MR 图像上的运动伪影 [8]，[9]，[10]。此外，每增加一个 DoF，对运动和肌肉活动的分析就会变得更加复杂。这表明，只有当目标神经过程需要时，才可以研究多关节运动 [11]，[12]。虽然脑成像是观察整个大脑感觉运动控制神经过程的极少数非侵入性窗口之一，但它会产生噪声信号。传统上，由于安全和成本限制，
基于机器学习的随机数字孪生 - arXiv
数字孪生技术潜力巨大，特别是在基础设施、航空航天和汽车领域。然而，这项技术的实际实施速度并不如预期，特别是因为缺乏特定于应用的细节。在本文中，我们提出了一种用于随机非线性多自由度 (MDOF) 动力系统的新型数字孪生框架。本文提出的方法将问题策略性地分解为两个时间尺度 - (a) 控制系统动态的快速时间尺度和 (b) 控制系统退化的慢速时间尺度。所提出的数字孪生有四个组成部分 - (a) 基于物理的名义模型（低保真度）、(b) 贝叶斯过滤算法、(c) 监督机器学习算法和 (d) 用于预测未来响应的高保真模型。基于物理的名义模型与贝叶斯滤波相结合用于组合参数状态估计，监督机器学习算法用于学习参数的时间演变。虽然所提出的框架可以与任何贝叶斯滤波和机器学习算法一起使用，但我们建议使用无迹卡尔曼滤波器和高斯过程。使用两个示例说明了所提出方法的性能。获得的结果表明所提出的数字孪生框架的适用性和优异的性能。
SSC-297 - 船舶结构委员会
本报告对松弛 LNG 货舱中的动态晃动载荷进行了评估。全面回顾了世界范围内的比例模型晃动数据。将数据简化为通用格式，以便定义设计载荷系数。回顾了 LNG 舱的结构细节，重点放在定义独特的设计特征上，这些特征在设计 LNG 舱以承受动态晃动载荷时必须考虑。进行了额外的比例模型实验室实验以补充可用的模型晃动数据。实验以组合自由度进行，以确定多自由度激励的可能性，以增加动态晃动载荷。还进行了实验以建立结构响应分析所必需的晃动动态压力-时间变化曲线。还对全尺寸 LNG 船舶舱结构的代表性段进行了实验，该舱结构装载了根据模型结果预测的典型全尺寸动态晃动压力。开展分析研究，提供确定壁结构对动态晃动载荷响应的技术。最后，介绍了膜式和半膜式油箱、重力油箱和压力油箱的设计方法，设计程序从比较共振晃动周期与船舶周期开始，定义设计载荷，然后根据随油箱类型变化的划定程序设计受动态晃动载荷影响的油箱结构。
量子场论讲座1
量子场论是描述几乎所有基础物理现象的现代理论框架。这包括基本粒子物理的标准模型，其中有电磁力、弱力和强力，而且很可能以某种方式包括暗物质和引力。量子场论与量子力学有着密切的联系，历史上，当人们清楚地认识到相对论版本的量子力学不一致时，量子场论就发展成为无限多自由度的量子理论。在现代理解中，量子场论实际上是非相对论量子力学的基础，后者在极限上遵循前者。还有一种非相对论版本的量子场论，它可以描述非相对论粒子的少体物理，但也可以很好地用于描述多体物理和凝聚态物质。另一个非常有趣的联系是量子场论和统计场论之间的联系。相对论量子场论所需的许多概念只有从统计物理学的角度才能正确理解，而且，同样的概念也可用于描述随机理论，其中波动不是量子起源，而是有不同原因。这甚至超越了物理学和自然科学。相对论量子场论与群论、对称理论也有有趣的交集。具体来说，各种李群在理解基本粒子物理标准模型的现象方面起着重要作用。这里还可以提到时空对称性的后果，如守恒定律或粒子实际上的基本概念。它与（量子）信息论还有一个非常有趣的关系，目前正在更详细地探索。未来几年，很有可能对量子场动力学有进一步的了解。
受计算机启发的高维多部分量子门概念
量子光学研究的共同目标之一是找到控制复杂量子系统的方法，这既可用于研究量子力学的基本问题，也可用于量子技术的潜在应用 [1,2]。量子系统的复杂性随着所涉及部分的数量和各个部分的维数的增加而增加。对于单光子量子系统，25 年来，人们一直知道如何进行任意幺正变换 [3]，这已成为集成光子学的基础 [4 – 7]。同样，在光子的其他自由度中，单量子门也已得到很好的理解，例如，使用离散化时间步骤 [8] 或光子的空间模式 [9 – 12] 和对单光子进行高维多自由度操作 [13]。多光子操作更加复杂，因为光子之间不相互作用。为了克服这一困难并实现两个光子之间的有效相互作用，辅助状态用于预示概率变换，例如受控非门 (CNOT) [14-16]。这些变换的质量已大大提高，使得任意二维双光子门的片上演示以及任意光子量子比特变换的理论概念成为可能 [17]。总而言之，多光子量子比特变换和单光子任意高维变换的特殊情况已得到充分理解。然而，d 维中 n 个光子的变换的一般情况仍未得到解决。
探索脑机接口的协同作用
患有严重神经损伤的人通常依赖辅助技术，但目前的方法在准确解码多自由度 (DoF) 运动方面存在局限性。皮层内脑机接口 (iBMI) 使用神经信号来提供更自然的控制方法，但目前难以处理更高自由度的运动——大脑可以轻松处理这些运动。据推测，大脑通过肌肉协同作用简化了高自由度运动，肌肉协同作用将多块肌肉连接起来作为一个单元发挥作用。这些协同作用已经使用降维技术进行了研究，例如主成分分析 (PCA)、非负矩阵分解 (NMF) 和分离 PCA (dPCA)，并成功用于降低噪音和提高非侵入式应用中的离线解码器稳定性。然而，它们在改善不同任务中植入记录的解码和通用性方面的有效性尚不清楚。在这里，我们评估了大脑和肌肉协同作用是否可以提高非人类灵长类动物执行双自由度手指任务时的 iBMI 性能。具体来说，我们测试了 PCA、dPCA 和 NMF 是否可以压缩和去噪大脑和肌肉数据并提高解码器在任务中的泛化能力。我们的结果表明，虽然所有方法都能有效地压缩数据，同时解码精度损失最小，但没有一种方法能通过去噪来提高性能。此外，没有任何方法能增强跨任务的泛化能力。这些发现表明，虽然降维可以帮助数据压缩，但单独使用降维可能无法揭示提高解码器性能或泛化能力所需的“真实”控制空间。需要进一步研究以确定协同作用是否是最佳控制框架，或者是否需要替代方法来增强 iBMI 应用中解码器的鲁棒性。
“人工智能与脑科学的对比与融合”
A01：感知与预测 深度学习如今在模式识别中已经取得了很高的性能。我们将利用信息论来阐明它为什么以及在什么条件下起作用，并且利用深度学习得到的各层中的信息表示来理解大脑各个区域神经元的信息表示。 我们将通过与各种分层贝叶斯推理算法的比较，验证大脑感觉皮层神经回路实现分层贝叶斯推理的假设。 A02：运动与行为 虽然机器人技术已经进步，但如今的人形机器人的运动能力仍然不如三岁儿童。我们将通过与大脑的运动学习机制进行比较来明确其中的不足。具体来说，我们的目标是阐明大脑从多自由度系统中的有限数据中学习充分的内部模型的机制，并在此基础上实现人形机器人的学习控制。 大脑感觉皮层的学习可以理解为依赖外界信息的无监督学习，而运动皮层的学习则需要创建自发运动所必需的信息表征，其背后的原理仍不清楚。此外，基底神经节有直接通路和间接通路两大回路，且有多种控制学习的多巴胺，但这其中的计算意义尚不清楚。我们将寻求通过将学习理论与大脑数据相结合来对这些问题获得新的认识。 A03：认知与社会性 人类的认知功能被认为是通过对模拟感觉运动信息进行分类和分割来实现的。我们着眼于实现这一目标的理论模型——双分割分析，并探索其在大脑中实现的可能性，以及将其应用于人形机器人的模仿学习和意图估计。 “心理模拟”和“心智理论”在人类智力行为，尤其是社会行为中发挥着重要作用，其在脑中的位置正通过fMRI实验等方法阐明。通过阐明神经回路层面的表达和学习原理，我们希望能够理解精神分裂症和自闭症等疾病，并以此设计出更自然的人形机器人和智能代理。 3）研究区域设置期结束后的预期成果。
![arXiv:2004.02495v1 [quant-ph] 2020 年 4 月 6 日](/simg/g:\will\search\icon\source\3\304f7d78b777b7db3ca92e131a3d481fd911d636.webp)
arXiv:2004.02495v1 [quant-ph] 2020 年 4 月 6 日
近年来，量子信息处理 (QIP) 的许多领域都取得了巨大进步，包括量子隐形传态 [1, 2]、量子秘密共享 [3]、量子密钥分发 [4, 5]、量子安全直接通信 [6, 7]、量子密集编码 [8]、量子算法 [9–12] 和量子门 [13–15]。由于量子通信利用量子相干叠加和量子纠缠效应，其传播速率和可靠性高于传统通信方法 [16]。此外，量子计算在高效搜索无序数据库中的目标项和分解大整数方面表现出比传统方法更高的性能 [16]。最近，已经提出了许多复杂的方法来通过采用多个自由度 (DOF) 来改进传统方法。多自由度具有广泛的应用前景，包括实现超并行量子计算 [17]、量子通信 [18]、简化量子计算 [19]、高维量子增强子 [20]，以及完成单自由度系统无法解决的特定确定性任务，如确定性线性光学量子算法 [21]、确定性线性光学量子门 [22]、线性光学隐形传态 [2] 和无需共享参考框架的量子密钥分发 [23]。此外，超并行量子增强子由于其优异的优势而备受关注，使其成为长距离量子保密通信和量子计算机的潜在候选者。超并行 QIP 的操作可在两个或多个不同的自由度上同时执行，具有抗光子耗散噪声的潜力，可以提高量子信道容量，提高量子通信的安全性，降低实验要求和资源开销，提高协议的成功率，提高量子计算的速度。最近，已报道了各种超纠缠态，例如，偏振空间能量超纠缠态 [24]、偏振时间箱超纠缠态 [25]、自旋运动超纠缠态 [26]、偏振动量超纠缠态 [27]、偏振时间频率超纠缠态 [28] 和多路径超纠缠态 [29]。这些资源可以帮助我们用一个自由度实现许多重要的量子任务，例如利用线性光学完成纠缠态分析[30, 31]、纠缠纯化和浓缩[32]、单自由度团簇态制备和单向量子计算[33]、量子纠错[34]、隐形传态[27]、线性光子超稠密编码[35]、增强型违反局部现实论[36]和量子算法[29]。此外，超纠缠还在超并行光子量子计算[37, 38]、超纠缠交换[39]、超隐形传态[40]、超纠缠态分析[41–43]、超并行中继器[44]、超纠缠纯化[45, 46]和超纠缠浓缩[47, 48]。光子已经成为超并行QIP的优秀候选者，因为它们拥有大量可用的量子比特，例如自由度，包括偏振[49]、空间模式[24]、横向轨道角动量[50, 51]、时间箱[52]、频率（或颜色）[53]和连续可变的能量时间模式[54]。此外，由于自由空间中的退相干可以忽略不计，光子不仅可以轻松地在长距离上携带量子信息，而且还可以通过线性光学元件以极快和精确的方式对其进行操纵，并以高效的方式产生[55]。使用标准线性光学元件灵活控制光子是一种有趣的