XiaoMi-AI文件搜索系统
World File Search System张量
使用扩展的块项张量回归根据颅内脑活动预测手指运动和共同激活
每年，全球有多达 50 万患者因脊髓损伤、脑干中风和肌萎缩侧索硬化症 (ALS) 而陷入瘫痪 [1]。脑机接口 (BCI) 能够绕过断开的神经通路来取代丢失或受损的身体部位的功能，这使得它们被推广为这些患者的解决方案。通常，BCI 系统由几个组件组成：从记录的大脑活动中提取信号特征，并将结果翻译（“解码”）为控制外部设备（如机械臂或手）的命令。BCI 控制手部肌肉的功能性电刺激 (FES) [2, 3] 和假手、外骨骼或其他效应器 [4, 5, 6, 7] 已经取得了非凡的成果。
构建用于张量网络量子电路模拟的最佳收缩树
摘要 - 基于张量网络的量子电路模拟中的关键问题之一是构造收缩树，它可以最大程度地减少模拟成本，其中可以在操作数量中表达成本作为模拟运行时间的代理。在各种应用领域中出现了同样的问题，例如组合科学计算，概率图形模型中的边缘化以及解决约束满意度问题。在本文中，我们将该问题的计算严重部分减少到一个线性排序之一，并演示如何利用该领域的现有方法在相同的运行时间内实现比现有最先进的方法更好的数量级。为此，我们引入了一种新型的多项式时间算法，用于从给定的顺序构造最佳收缩树。此外，我们引入了一个快速，高质量的线性订购求解器，并证明了其适用性，作为为收缩树提供订购的启发式。最后，我们将我们的求解器与量子电路模拟中构造收缩树构造收缩树的竞争方法比较了随机生成的量子近似优化算法最大切割电路，并表明我们的方法在大多数测试的量子电路上都取得了卓越的结果。可重复性：我们的源代码和数据可在https://github.com/cameton/hpec2022 ContractionTrees上获得。索引术语 - 收集树，张量网络，量子电路模拟，QAOA
用于发现药物靶点的知识图谱增强张量分解模型
药物发现和开发过程漫长而昂贵，平均每种药物花费超过 10 亿美元，耗时 10 至 15 年。为了减少整个过程中的高损耗，近十年来，人们对将机器学习方法应用于药物发现和开发的各个阶段的兴趣日益浓厚，尤其是在最早的阶段——识别可用药的疾病基因。在本文中，我们开发了一种新的张量分解模型来预测治疗疾病的潜在药物靶标（基因或蛋白质）。我们使用从 Open Targets 和 PharmaProjects 数据库中提取的数据，创建了一个三维数据张量，包含 1,048 个基因靶标、860 种疾病和 230,011 个证据属性以及将它们联系起来的临床结果。我们利用从面向药物发现的知识图谱中学习到的基因靶标表示丰富了数据，并应用我们提出的方法来预测未知基因靶标和疾病对的临床结果。我们设计了三种评估策略来衡量预测性能，并对几种常用的机器学习分类器以及贝叶斯矩阵和张量分解方法进行了基准测试。结果表明，结合知识图谱嵌入可显著提高预测准确性，并且训练张量分解和密集神经网络的效果优于所有其他基线。总之，我们的框架结合了两种积极研究的机器学习方法来识别疾病目标，即张量分解和知识图谱表示学习，这可能是进一步探索数据驱动药物发现的有希望的途径。
群作用和单调量子度量张量
作用 β 在 S 上是传递的，并将其变成齐次流形[2-5]。因此，U(H) 正则作用的基本向量场形成 GL(H) 作用的基本向量场代数的李子代数。[6] 证明了，为了描述 β 的基本向量场，只需考虑 U(H) 在 S(H) 上的正则作用的基本向量场以及与期望值函数 la(ρ)=Tr(aρ) 相关的梯度向量场，其中 a 是 H 上有界线性算子空间 B(H) 中的任意自伴元素，借助于所谓的 Bures-Helstrom 度量张量 [7-12]。这个例子提供了酉群 U(H)、S(H) 的 GL(H) - 齐次流形结构、Bures–Helstrom 度量张量和期望值函数之间的意外联系。然而，这并不是单调度量张量与一般线性群 GL(H) “相互作用”的唯一例子。事实上，在 [6] 中，还证明了 U(H) 正则作用的基本向量场以及与期望值函数相关的梯度向量场通过 Wigner–Yanase 度量
通过MEG数据的张量分解
目的：识别电生理信号的信息特征对于理解脑发育模式很重要，其中诸如磁脑电图（MEG）等技术特别有用。然而，更少的关注是完全利用MEG数据的多层次性质来提取描述这些模式的组件。方法：MEG产量成分的张量因子化封装数据的多维性质，提供了简约的模型，从而识别潜在的大脑模式，以实现有意义的neu-ral过程汇总。为了满足对小儿队列研究有意义的MEG签名的需求，我们提出了一种基于张量的方法来提取多受试者MEG数据的发育特征。我们采用规范多核（CP）分解来估计数据的潜在时空组件，并将这些组件用于组级别的统计推断。结果：使用CP分解以及层次聚类，我们能够提取典型的早期和晚期延迟事件相关场（ERF）组件，这些磁场（ERF）组件是高分和低性能组的歧视性（P <0。05），与主要认知领域（例如注意力，情节记忆，执行功能和语言理解力）显着相关。结论：我们证明，MEG的基于张量的组级别统计推断可以产生对多维MEG数据的描述。此外，这些特征可用于研究健康儿童的脑模式和认知功能的群体差异。意义：我们提供了一种有效的工具，该工具可能直接从电生理测量中评估儿童发育状况和大脑功能有用，并促进认知过程的前瞻性评估。
用于药物重新定位的非负张量分解
计算药物重新定位旨在确定现有药物在治疗其并非针对的疾病方面的潜在应用。这种方法可以大大加快传统的药物发现过程，减少药物开发所需的时间和成本。张量分解使我们能够整合多种药物和疾病相关数据，以提高预测性能。在本研究中，提出了一种用于药物重新定位的非负张量分解 NTD-DR。为了捕捉药物-靶标、药物-疾病和靶标-疾病网络中的隐藏信息，NTD-DR 使用这些成对关联构建一个表示药物-靶标-疾病三重态关联的三维张量，并将它们与药物、靶标和疾病的相似性信息相结合以进行预测。我们将 NTD-DR 与最近的最先进方法在受试者工作特征 (ROC) 曲线下面积 (AUC) 和精确度和召回率曲线下面积 (AUPR) 方面进行了比较，发现我们的方法优于竞争方法。此外，五种疾病的案例研究也证实了 NTD-DR 预测的可靠性。我们提出的方法在前 50 个预测中识别出比其他方法更多的已知关联。此外，NTD-DR 识别的新关联通过文献分析得到验证。
受约束组合优化问题的量子启发张量网络算法
组合优化在理论研究和实际应用中都具有普遍意义。快速发展的量子算法为解决组合优化问题提供了不同的视角。在本文中，我们提出了一种基于量子启发的张量网络算法，用于解决一般的局部约束组合优化问题。我们的算法为感兴趣的问题构建了一个汉密尔顿量，有效地将其映射到量子问题，然后将约束直接编码到张量网络状态中，并通过将系统演化到汉密尔顿量的基态来求解最优解。我们用露天采矿问题演示了我们的算法，结果得出了二次渐近时间复杂度。我们的数值结果表明了这种构造的有效性以及在一般组合优化问题的进一步研究中的潜在应用。
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/）。
使用扩散张量成像和支持向量机检测慢性爆炸相关轻度创伤性脑损伤
1 加利福尼亚大学圣地亚哥分校放射学系，美国加利福尼亚州圣地亚哥 92121；dharrington@health.ucsd.edu (DLH)；rtheilmann@health.ucsd.edu (RJT)；adangeles@health.ucsd.edu (AA-Q.)；arobb@health.ucsd.edu (AR-S.)；tao.song@megin.fi(TS)；z2ji@health.ucsd.edu (ZJ)；rrlee@health.ucsd.edu (RRL) 2 VA圣地亚哥医疗保健系统研究、放射学和精神病学服务部，美国加利福尼亚州圣地亚哥 92161 3 加利福尼亚大学计算机科学与工程系，美国加利福尼亚州圣地亚哥 92093；p8hsu@eng.ucsd.edu (P.-YH)； ckcheng@ucsd.edu (C.-KC) 4 加利福尼亚大学神经科学系，加利福尼亚州圣地亚哥 92093，美国；slnichols@health.ucsd.edu 5 ASPIRE 中心，VASDHS 住宅康复治疗计划，加利福尼亚州圣地亚哥 92110，美国；lu.le@va.gov (LL)；carl.rimmele@va.gov (CR)；scmatthews@health.ucsd.edu (SM) 6 洛约拉大学心理科学系，路易斯安那州新奥尔良 70118，美国；kyurgil@loyno.edu 7 VA 压力和心理健康卓越中心，加利福尼亚州圣地亚哥 92161，美国；dgbaker@health.ucsd.edu 8 加利福尼亚大学精神病学和行为医学系，加利福尼亚州戴维斯 95817，美国； aidrake@ucdavis.edu 9 南京邮电大学计算机学院，南京 210023，中国；guoj@njupt.edu.cn 10 加利福尼亚大学精神病学系，加利福尼亚州圣地亚哥 92093，美国 * 通信地址：mxhuang@ucsd.edu；电话：+1-858-534-1254；传真：+1-858-534-6046 † 这些作者对这项工作做出了同等贡献。
使用绩效量张量网络和第一原理电子结构来模拟巨型{mn84} torus
摘要：单分子磁铁{Mn 84}是对理论的挑战，因为它的核性很高。我们使用无参数理论直接计算两个实验可访问的可观察到的可观察到的可观察到的磁化值，最高为75 t和温度依赖的热容量。特别是，我们使用第一个原理计算来得出短期和远程交换相互作用，并计算所有84 MN S = 2旋转的所得经典Potts和Ising Spin模型的确切分区函数，以获得可观察的物品。通过使用绩效张量张量网络收缩来实现后一种计算，这是一种用于模拟量子至上电路的技术。我们还合成了磁铁并测量其热容量和磁化，观察理论与实验之间的定性一致性，并确定热容量中异常的颠簸和磁化强度的高原。我们的工作还确定了大磁铁中当前理论建模的某些局限性，例如对小型，远程交换耦合的敏感性。