XiaoMi-AI文件搜索系统
World File Search System子模型
使用高斯过程因子模型识别神经种群活动中的信号和噪声结构
神经数据集通常包含在重复刺激或行为的多个试验中测量神经活动的测量。对此类数据集的分析中的一个重要问题是表征神经活动的系统方面，这些方面携带有关重复刺激或感兴趣的行为的信息，这些刺激或行为可以视为“信号”，并将它们与在活动到试验中的频率分开，而这些活动的刺激时间却不是时间到刺激，而这些分析可以被视为“噪声”。高斯过程因子模型为识别高维神经数据中的共享结构提供了强大的工具。但是，它们尚未适应多试验数据集中信号和噪声的问题。在这里，我们通过提出“信号 - 噪声”泊松泊式高斯过程因子分析（SNP-GPFA）来解决这一缺点，这是一种可浮动的潜在可变模型，可在神经种群尖峰活动中解析信号和噪声潜在结构。为了了解模型的参数，我们引入了一个傅立叶黑框变分推理方法，该方法迅速识别平滑的潜在结构。最终的模型可靠地发现了大规模记录中的潜在信号和试验到试验噪声相关的闪光。我们使用此模型表明，在猴子V1中，噪声闪烁在子空间正交中对信号活动的扰动神经活动，这表明逐审噪声不会干扰信号表示。最后，我们扩展了模型以捕获多区域数据中大脑区域的统计依赖性。我们表明，在鼠标Visual Cortex中，在大脑区域之间具有共享噪声的模型超过具有独立每个区域噪声的模型。
相互作用费米子模型的量子计算
摘要 相对论费米子场论构成了所有可观测物质的基本描述。最简单的模型为嘈杂的中型量子计算机提供了一个有用的、经典可验证的基准。我们计算了具有四费米子相互作用的狄拉克费米子模型在 1 + 1 时空维度的晶格上的能级。我们采用混合经典量子计算方案来获得该模型中三个空间位置的质量间隙。通过减轻误差，结果与精确的经典计算非常一致。我们的计算扩展到手性对称出现的无质量极限附近，但在这个范围内量子计算的相对误差很大。我们将结果与使用微扰理论的分析计算进行了比较。
