XiaoMi-AI文件搜索系统
World File Search System对时间
理解时间和频率
本书第一版问世至今已有二十年。在此期间，发射人造卫星已成为常态，计算机已成为家喻户晓的物品，数字信息通过通信卫星和光纤在城市和国家之间频繁传输，天文学家发现了黑洞，研究人员学会了操纵单个和小原子群。这些变化对计时和分配艺术以及我们对时间和空间本质的理解产生了深远的影响。在这一新版本中，我试图通过引入六个新章节并对第一版的章节进行大量更改和添加来处理这些问题和许多其他问题。一开始，我以为这本书对普通读者最有用和有趣。在这方面，它提供了一个折衷的，有时我认为过于折衷的介绍，介绍了时间、计时和时间的用途，特别是在科学和技术领域。但我很快发现，我的许多同事偶尔会参考这本书来温习一下。也许这并不奇怪。生成、维护和应用时间和频率技术是一项庞大的事业。虽然第二版并不打算提供深入的教科书式介绍，但我希望它仍然保持科学的完整性，同时继续让普通读者能够理解。最后，在 1988 年，国家标准局 (NBS) 更名为国家标准与技术研究所 (NIST)。在历史上合适的情况下，我指的是 NBS，否则使用当前的名称 NIST。
通过未定义的因果关系和非局部性实现厚重存在的潜力
摘要：本文详细阐述了对时间和纠缠的解释，为时空出现过程中信息的可能本体论性质提供了见解，以量子描述引力。我们首先研究了对时间的不同看法，并在“厚重现在”的概念中确定了描述演化、差异和关系所需的唯一现实元素。厚重现在与时空信息“采样率”相关，它旨在作为一种时间对称势，界于不可逆转事件的因果过去和仍然开放的未来之间。从这种势能中，时空在每个瞬间都以空间状叶状出现（基于虚构路径的描述）。在第二部分中，我们分析了未定义的因果顺序，以了解它们的势能如何沿着厚重现在的瞬间持续存在。得益于 C-NOT 逻辑和虚构时间的概念，我们推导出了纠缠的描述，即虚构路径之间逻辑一致的开放选择的势能。然后，我们将未定义顺序纠缠中确定的虚构路径概念性地映射到厚重现实中的封闭类时曲线 (CTC)。考虑到通过信息描述的宇宙，CTC 被解释为“记忆循环”，即编码与时间和空间纠缠相关的信息势的基本结构，表现为新兴叶状结构中未定义的因果关系和非局部性。最后，我们提出了从全息视角扩展引入的概念的可能方法。
模仿生物学计算系统中的时空行为
摘要对应对“大数据”的需求不断增长（基于或在人工智能的协助下），以及对更完全理解大脑的运作的兴趣，刺激了欧特的启用，以构建来自廉价的常规组件的生物学模拟计算系统，并构建neurol od eare die earo earo earo neuro-neuro-morphic systems）计算系统。在一侧，这些系统需要异常数量的处理器，这引入了性能限制和非局部缩放。在另一侧，神经元操作与常规工作负载差异很大。The conduction time (transfer time) is ignored in both in conventional computing and ”spatiotemporal” compu- tational models of neural networks, although von Neu- mann warned: ” In the human nervous system the con- duction times along the lines (axons) can be longer than the synaptic delays, hence our above procedure of ne- glecting them aside of τ [the processing time] would be unsound ” [1], section 6.3。仅这种区别就可以模仿技术实施中的生物学行为。此外，计算中最近的问题引起了人们对时间行为的关注，即时间行为也是计算系统的一般特征。已经注意到了他们在生物系统和技术系统中的某些影响。在这里建议的转移时间正确处理，而不是引入一些“外观”模型。基于Minkowski变换引入时间逻辑，给出了定量洞察
时间确实在流逝，科学无法否认这一点
对于物理学家来说，自由意志是什么？这是一个非常私人的问题。大多数物理学家假装他们不在乎，认为这对他们来说并不重要，至少在他们的职业生涯中并不重要。但如果在晚上喝了几杯啤酒后，在自由讨论中追问这个问题，答案就会令人惊讶。从“显然我喜欢自由意志”到“显然我没有任何自由意志”，各种各样的回答都可以听到。同样，关于时间的问题也引发了截然不同但普遍相当精简的讨论：“时间只是一个进化参数”、“时间是几何的”是标准的说法，说明了当今物理学对时间的理解是多么的糟糕。因此，只要我们不阐述更深层次的时间概念，量子引力理论就必须以更微妙和更丰富的方式融入时间，这将仍然是一个梦想。我喜欢争论时间的一些相关方面并不独立于自由意志，自由意志对于理性思考是必要的，因此对于科学也是如此。因此，时间的这个方面，我将其称为创造时间，或赫拉克利特时间，对科学来说是必要的。关于支持时间流逝的不同论据，请参见 [ 1 , 2 ]。将时间与（经典）时钟等同起来可能会产生误导（对不起爱因斯坦）。时钟不能描述我们对时间流逝的内在感受，也不能描述破坏性时间（创造时间）的客观偶然事件。
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。
利用时间算法实现节能卷积
卷积是许多应用的核心操作，包括图像处理、对象检测和神经网络。虽然数据移动和协调操作仍然是通用架构优化的重要领域，但对于与传感器操作融合的计算，底层的乘法累加 (MAC) 操作主导了功耗。非传统数据编码已被证明可以降低这种算法的能耗，其选项包括从低精度浮点到完全随机运算的所有选项，但所有这些方法都始于一个假设，即每个像素都已完成完整的模数转换 (ADC)。虽然模拟时间转换器已被证明消耗更少的能量，但除了简单的最小值、最大值和延迟操作之外，对时间编码信号进行算术操作以前是不可能的，这意味着卷积等操作已经遥不可及。在本文中，我们展示了时间编码信号的算术操作是可行的、实用的，并且极其节能。这种新方法的核心是将传统数字空间负对数变换为“延迟空间”，其中缩放（乘法）变为延迟（时间上的加法）。挑战在于处理加法和减法。我们展示了这些操作也可以直接在这个负对数延迟空间中完成，结合和交换性质仍然适用于变换后的运算，并且可以使用延迟元件和基本 CMOS 逻辑元件在硬件中高效地构建精确的近似值。此外，我们展示了这些操作可以在空间中链接在一起或在时间上循环操作。这种方法自然适合分阶段 ADC 读出
股票投资推荐的自动降级时间相关建模
股票投资建议对于指导投资决策和管理投资量至关重要。最近的研究表明，时间相关模型（TRM）的潜力以产生过多的投资回报。然而，在完整的金融生态系统中，当前的TRM遭受了低信噪比（SNR）（SNR）的固有时间偏见，以及利用不适当的关系倾向和传播机制所引起的关系偏见。此外，分布在宏市场场景后面转移，使基础I.I.D.假设并限制TRM的概括能力。在本文中，我们先驱对上述问题对时间相关模式的有效学习的影响，并提出一种自动偏见的时间关系模型（ADB-TRM）对股票推荐。具体而言，ADB-TRM由三个主要成分组成，即（i）元学习的雅典形成了一个双阶段训练过程，内部部分可以缓解时间依赖性偏置和外部meta-learnernernernernernernernernernernernernernernernerner的分布，（II）自动抗逆向型的型号，（ii）自动化的型号的型模型，以适应性的型号的型模型，以适应性型号的型号，并介绍了对逆向型号的型号。对手培训和（iii）全球局部互动有助于从本地和全球分配的角度寻求相对不变的库存嵌入，以减轻分歧转移。在不同股票市场的三个数据集上进行的实验表明，ADB-TRM在累积和风险调整后的收益方面占28.41％和9.53％的最新技术。
从量子系统的多个副本中提取贝叶斯网络
简介。算符本征态之间的转换概率在量子力学中起着核心作用。假设驱动系统在时间 t 1 处于给定本征态 | j 1 ⟩ ，则系统在稍后时间 t 2 处于本征态 | j 2 ⟩ 的概率为 P j 1 ,j 2 = |⟨ j 2 | U ( t 2 − t 1 ) | j 1 ⟩| 2 ，时间演化算符为 U ( t 2 − t 1 ) [1]。则测量相应本征值 j 1 和 j 2 的概率为 P j 1 ,j 2 P j 1 ，其中 P j 1 是初态的占据概率。这种联合概率通常通过投影测量确定 [1]。然而，本征态的相干叠加可能对动力学产生深远影响，在量子理论中无处不在 [2]。由于射影测量会破坏线性组合，因此开发非射影方法来测量（多个）任意状态之间的联合概率至关重要。在这方面，动态贝叶斯网络提供了一种强大的形式化方法，可以分析一组与时间相关的随机量的条件依赖关系。在这种方法中，动态变量之间的关系通过经贝叶斯规则评估的条件概率来指定 [3–6]。它们在统计学、工程学和计算机科学中得到了广泛的应用，用于在概率模型中对时间序列进行建模。具体的应用包括预测未来事件、推断隐藏的
导航数字化转型和技术采用
背景：拒绝阻碍了肺移植中的长期生存，并且没有广泛接受的生物标志物来预测排斥风险。这项研究旨在使用实验室数据开发和验证预后模型，以预测肺移植受者首次拒绝发作的时间。方法：回顾性收集来自160个肺移植受者的数据。单变量COX分析评估了患者特征对时间拒绝发作的影响。Kaplan-Meier生存分析，LASSO回归和多元COX分析用于选择预后指标并开发风险分数模型。使用Kaplan-Meier分析，时间依赖性ROC曲线和多元COX回归评估模型性能。结果：患者特征与第一个拒绝发作的时间没有显着相关。六个实验室指标 - 激活的部分凝血石时间IL-10，估计的肺内分流器，50％溶血补体，IgA和补体组件3-被确定为重要的预测因子并整合到风险范围内。风险距离表现出良好的预测性能。它优于个人指标，是拒绝的独立风险因素，并在验证数据集中得到了验证。结论：风险尺度模型有效地预测了肺移植受者中首次拒绝发作的时间。关键字：肺移植，拒绝，预后模型，实验室指标