XiaoMi-AI文件搜索系统
World File Search System张量
小鼠脑扩散张量成像的技术
在小鼠脑jiang-yang Zhang博士中进行扩散张量成像的技术。 NMR研究助理教授Russell H. Morgan放射学科学系Johns Hopkins大学医学院神经科学研究介绍，老鼠模型在促进我们对大脑及其疾病的知识方面发挥了重要作用。 要研究小鼠神经解剖学，尤其是由基因突变或病理引起的神经解剖学的变化，需要新颖的成像工具。 扩散张量成像（DTI）是一个很好的候选者，因为它可以可视化大脑中的白质（WM）结构，并已用于研究神经系统疾病，例如多发性硬化症和阿尔茨海默氏病。 即使DTI在诊所经常进行，但小鼠大脑的DTI仍然是一项艰巨的任务。 在总体积期间，小鼠大脑比人脑小约1000倍。 人脑DTI的当前分辨率约为每个像素1-2 mm。 为了实现相同的相对分辨率，我们需要使用特殊技术来实现小鼠脑DTI的分辨率为0.1-0.2 mm。 小鼠脑DTI的技术挑战在小鼠大脑的DTI中的主要技术挑战是实现高空间分辨率，同时保持令人满意的信号与噪声比（SNR）。 dTI被称为差的SNR技术，因为扩散加权图像中的信号幅度通过扩散敏化梯度减弱。 为了达到令人满意的SNR，大多数小鼠脑DTI实验都是在具有定制线圈的高场系统上进行的。在小鼠脑jiang-yang Zhang博士中进行扩散张量成像的技术。 NMR研究助理教授Russell H. Morgan放射学科学系Johns Hopkins大学医学院神经科学研究介绍，老鼠模型在促进我们对大脑及其疾病的知识方面发挥了重要作用。要研究小鼠神经解剖学，尤其是由基因突变或病理引起的神经解剖学的变化，需要新颖的成像工具。扩散张量成像（DTI）是一个很好的候选者，因为它可以可视化大脑中的白质（WM）结构，并已用于研究神经系统疾病，例如多发性硬化症和阿尔茨海默氏病。即使DTI在诊所经常进行，但小鼠大脑的DTI仍然是一项艰巨的任务。在总体积期间，小鼠大脑比人脑小约1000倍。人脑DTI的当前分辨率约为每个像素1-2 mm。为了实现相同的相对分辨率，我们需要使用特殊技术来实现小鼠脑DTI的分辨率为0.1-0.2 mm。小鼠脑DTI的技术挑战在小鼠大脑的DTI中的主要技术挑战是实现高空间分辨率，同时保持令人满意的信号与噪声比（SNR）。dTI被称为差的SNR技术，因为扩散加权图像中的信号幅度通过扩散敏化梯度减弱。为了达到令人满意的SNR，大多数小鼠脑DTI实验都是在具有定制线圈的高场系统上进行的。强磁场的缺点是它缩短了组织t 2，而加长组织t 1。高场系统比1.5特斯拉或3特斯拉磁铁具有更严重的场不均匀性。简短的T 2和场不均匀性使得通常用于临床DTI的回声平面成像（EPI）的采集类型，在高场系统上很难。除了分辨率挑战外，DTI数据通常还被受试者运动或梯度涡流引起的伪像所损坏。在体内实验期间的受试者运动可以通过更好的动物约束和呼吸触发来最小化。涡流可以通过调整梯度预先强调来显着降低。即使面临这些挑战，近年来，小鼠大脑的DTI也取得了许多进步。表1列出了几个DTI实验及其成像参数。在体内DTI获得的最佳分辨率约为0.1 mm x 0.1 mm x 0.5 mm [1]，EX Vivo DTI获得的最佳分辨率为0.02 mm x 0.02 mm x 0.02 mm x 0.3 mm [2]。应用程序分辨率和成像参数
经典量词网络编码：有关张量的故事
我们在这里研究使用量子操作在Quantum网络上执行纯状态的条件，这些量子操作可以通过非零的概率，随机局部操作和经典通信（SLOCC）操作成功。在他们的2010年开创性工作中，Kobayashi等人。展示了如何将任何经典网络编码协议转换为量子网络编码协议。但是，无论是否存在量子网络编码协议的存在是否可能存在经典的存在。通过此问题提出的动作，我们表征了经典和量子网络的非零概率可实现的一组分配任务。我们开发了一个正式的ISM，该ISM包括将分配任务求解到C或r +中张量的分解来构成两种类型的分配协议。使用这种情况，我们研究了两种类型的分布方案之间的等价和差异，它们在它们之间表现出了几种元素和基本关系，以及收敛和差异的具体示例。我们对先前剩下的问题的负面回答：在量子设置中可以实现某些任务，而在经典设置中则不能实现。我们认为，这种形式主义是研究执行多个分布任务的量子网络能力程度的有用工具。
机器学习中张量网络的平稳集成
张量网络是将高维张量的因素化为较小张量的网络样结构。起源于凝结物理学，并以其有效表示量子多体系统的有效表示[1-10]，这些结构允许重新搜索者理解此类系统的复杂属性，并使用经典计算机模拟它们[11-13]。值得注意的是，张量网络是模拟量子优势实验结果的最成功的方法[14-16]。此外，在数值线性代数群落中重新发现了张量网络[17-19]，其中该技术已适应其他高维问题，例如数值整合[20]，信号处理[21]或流行性模型[22]。随着机器学习的出现和寻求表达且易于培训的模型的追求，张量网络被认为是有前途的候选人，因为它们能够在输入功能的数量中参数化大小指数的复杂空间的区域。自从使用简单的一维网络的Pioneering作品[23，24]中，在物理学文献中被称为矩阵产品状态（MPS）[4，25]，并且作为数值线性代数文献中的张量训练[18]最近的研究还研究了替代体系结构，包括树张量网络（TTN）[29，30]和预测的纠缠对状态（PEPS）[31，32]。但是，越来越多的情况张张网络似乎具有优势。存在张张量网络体系结构在某些情况下的神经网络的作用[33]，但神经网络在多功能性和效率方面仍然占上风。首先，张量网络提供了一种压缩现有神经网络中使用的矩阵的方法。此过程称为张力，可减少存储模型所需的内存量，并提高模型在训练和推理中的效率[34]。在几项研究中已经探索了张力的潜力[34-36]，它提供了一种在边缘计算设备中执行复杂模型的方法[37]。第二，量子网络中量子多体物理学的庞大专业知识及其在实际物理系统中的灵感，可以更好地理解与解释性有关的问题[29，38，39]。第三，这种专业知识还可以带来新颖的功能，例如保证不妥协模型性能的隐私[40]。最后，另一个有希望的研究线涉及张量的整合
基于 SSVEP 的 BCI 系统的正则化张量管道
大脑中闪烁刺激会引发周期性信号，即稳态视觉诱发电位 (SSVEP)。它们通常通过回归技术检测，这种技术需要相对较长的试验长度来提供反馈和/或足够数量的校准试验，以便在脑机接口 (BCI) 的背景下可靠地估计。因此，对于设计用于 SSVEP 信号操作的 BCI 系统，可靠性是以牺牲速度或额外记录时间为代价的。此外，无论试验长度如何，当存在影响对闪烁刺激的注意力的认知扰动时，基于无校准回归的方法已被证明会出现显著的性能下降。在本研究中，我们提出了一种称为振荡源张量判别分析 (OSTDA) 的新技术，该技术提取振荡源并使用新开发的基于张量的收缩判别分析对其进行分类。对于只有少量校准试验可用的小样本量设置，所提出的方法非常可靠。此外，它在低通道数和高通道数设置下都能很好地工作，使用短至一秒的试验。在不同的实验环境下，包括具有认知障碍的实验环境（即具有控制、听力、说话和思考条件的四个数据集），OSTDA 的表现与其他三种基准最新技术相似或明显更好。总体而言，在本文中，我们表明 OSTDA 是所有研究的管道中唯一可以在所有分析条件下实现最佳结果的管道。2021 作者。由 Elsevier BV 出版这是一篇根据 CC BY-NC-ND 许可开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
过去定向标量场梯度和标量张量热力学
有多种动机将引力理论扩展到爱因斯坦广义相对论 (GR) 之外。所有将这一理论与量子物理相协调的尝试都会以额外场、高阶运动方程或高阶曲率不变量的形式引入与广义相对论的偏差。例如，取弦理论中最简单的玻色弦理论的低能极限，得到 ω = − 1 布兰斯-迪克理论，而不是广义相对论，后者是标量张量理论的原型（ω 是布兰斯-迪克耦合）[1,2]。然而，研究替代引力理论的最有力动机来自宇宙学。例如，最受数据青睐的膨胀模型，即斯塔罗宾斯基膨胀，包括对广义相对论的量子修正。最重要的是，基于广义相对论的标准冷暗物质宇宙学模型无法令人满意地理解当今宇宙的加速膨胀：它需要引入一个令人惊奇的精细调节的宇宙常数或另一种形式的特设暗能量，而暗能量的性质仍然难以捉摸[3]。无论如何，即使承认暗能量的存在，冷暗物质的其他问题仍然无法解决，如哈勃张力[4,5]、对同样神秘的暗物质的要求，以及困扰宇宙学和黑洞物理学的奇点问题。因此，研究其他引力理论来解决或缓解这些问题至少是合理的。修改广义相对论最简单的方法是增加一个标量（大质量）自由度，这导致了 Brans-Dicke 引力[6]及其标量-张量推广[7-10]。 f(R) 类引力理论原来是标量张量理论的一个子类，它在解释当前没有暗能量的宇宙加速过程中非常流行（[11]，参见[12-14]的评论）。在过去的十年中，旧的 Horndeski 引力 [15] 被重新审视并进行了深入研究（参见[16]的评论）。这类理论被认为是最一般的标量张量引力，允许二阶运动方程，但后来人们发现，如果满足合适的退化条件，更一般的退化高阶标量张量 (DHOST) 理论可以允许二阶运动方程（参见[17]的评论）。Horndeski 和 DHOST 理论在其作用中包含任意函数，这使得场方程非常繁琐，研究起来也很困难。多信使事件 GW170817/GRB170817 [ 18 , 19 ] 证实了引力波模式以光速传播，这基本上排除了结构最复杂的 Horndeski 理论 [ 20 ]，但仍存在许多可能性（对应于作用中的四个自由函数）。因此，很难掌握这些理论及其解决方案的详细物理意义，并且大部分工作必然局限于形式理论方面和寻找分析解决方案。
利用混合张量网络进行量子模拟
张量网络理论和量子模拟分别是理解量子多体物理的关键经典和量子计算方法。在这里，我们介绍了混合张量网络的框架，其构建块由可测量子态和经典可收缩张量组成，继承了两者在有效表示多体波函数方面的独特特性。以混合树张量网络为例，我们展示了使用比目标系统小得多的量子计算机进行高效量子模拟。我们对我们的方法进行了数值基准测试，该方法用于查找最多 8 × 8 和 9 × 8 量子比特的一维和二维自旋系统的基态，其中操作分别仅作用于 8 + 1 和 9 + 1 个量子比特。我们的方法为使用中型量子计算机模拟大型实际问题提供了启示，在化学、量子多体物理、量子场论和量子引力思想实验中具有潜在的应用。
通过潜在张量重建建模药物组合效应
动机：结合疗法已成为一种有力的治疗方式，以克服耐药性并提高治疗效果。然而，随着个人药物的数量，可能的药物组合数量的增加非常迅速，这使得在实践中无法进行全面的实验性筛查。机器学习模型提供了时间和成本良好的手段来帮助这一过程，以优先考虑最有效的药物组合，以进一步进行临床前和临床验证。然而，多种药物剂量和不同细胞环境中潜在相互作用模式的复杂性对药物组合效应的预测建模构成了挑战。结果：我们介绍了学习复杂的，高度时间柔性的方法，用于描述各种剂量和癌细胞膜的治疗剂组合的响应。该方法基于通过强大潜在张量重建的多项式回归。它结合了推荐的系统式功能，在不同上下文中索引响应值的数据张量以及化学和多摩s特征作为输入。我们证明，在预测性能和运行时间方面，Comboltr优于最先进的方法，并且即使在具有挑战性和实用的推理场景中也会产生高度准确的结果，在没有任何可用的组合和单层响应响应测量中，可以预测所有剂量 - 反应矩阵，并且在任何训练细胞系中都可以进行全新药物组合。可用性和实现：Comboltr代码可在https://github.com/aalto-ics-kepaco/comboltr上找到。联系人：tianduanyi.wang@aalto。fin或juho.rousu@aalto。补充信息：补充数据可在BreioNformatics Online获得。
通过潜在张量重建建模药物组合效应
动机：结合疗法已成为一种有力的治疗方式，以克服耐药性并提高治疗效果。然而，随着个人药物的数量，可能的药物组合数量的增加非常迅速，这使得在实践中无法进行全面的实验性筛查。机器学习模型提供了时间和成本良好的手段来帮助这一过程，以优先考虑最有效的药物组合，以进一步进行临床前和临床验证。然而，多种药物剂量和不同细胞环境中潜在相互作用模式的复杂性对药物组合效应的预测建模构成了挑战。结果：我们介绍了学习复杂的，高度时间柔性的方法，用于描述各种剂量和癌细胞膜的治疗剂组合的响应。该方法基于通过强大潜在张量重建的多项式回归。它结合了推荐的系统式功能，在不同上下文中索引响应值的数据张量以及化学和多摩s特征作为输入。我们证明，在预测性能和运行时间方面，Comboltr优于最先进的方法，并且即使在具有挑战性和实用的推理场景中也会产生高度准确的结果，在没有任何可用的组合和单层响应响应测量中，可以预测所有剂量 - 反应矩阵，并且在任何训练细胞系中都可以进行全新药物组合。可用性和实现：Comboltr代码可在https://github.com/aalto-ics-kepaco/comboltr上找到。联系人：tianduanyi.wang@aalto。fin或juho.rousu@aalto。补充信息：补充数据可在BreioNformatics Online获得。