XiaoMi-AI文件搜索系统
World File Search System成本函数
迈向连续变量量子编译器
连续变量 (CV) 量子光学系统 (QOS) 是量子计算 (QC)、量子机器学习 (QML) 和量子传感 (QS) 的一个有利平台，因为它们可以在室温下运行，具有确定性纠缠操作，并且具有变分量子算法 (VQA) 中使用的高效量子噪声缓解协议 [1,2]。VQA 评估在量子计算机上执行的参数化量子电路的成本函数 [3]，而经典计算机通过优化电路参数来最小化该成本。到目前为止，VQA 已在 CVQOS 中为变分特征值求解器实现 [4]。CV 平台特别适合 CV 幺正的变分编译任务 [5]。这种量子编译可用于优化量子门组合，以最大限度地减少量子算法所需的资源。
![arXiv:2005.02933v1 [eess.IV] 2020 年 5 月 6 日](/simg/g:\will\search\icon\source\2\235153b646f9d9cc677346ddb80d9cb058ed73e6.webp)
arXiv:2005.02933v1 [eess.IV] 2020 年 5 月 6 日
摘要。在医学成像中，通常需要获取多种模态（MRI、CT、PET 等）以突出不同的结构或病理。由于患者在扫描或扫描会话之间移动是不可避免的，因此配准通常是任何后续图像分析之前的必要步骤。在本文中，我们引入了一种基于联合总变分的成本函数，用于此类多模态图像配准。该成本函数的优点是可以对多个图像进行原则性、分组对齐，同时对强强度不均匀性不敏感。我们在严格对齐模拟和真实 3D 脑部扫描时评估了我们的算法。此验证表明，对于 CT/PET 到 MRI 对齐，该算法对强强度不均匀性和低配准误差具有鲁棒性。我们的实现在 https://github.com/brudfors/coregistration-njtv 上公开提供。
具有机会约束的两阶段随机混合整数规划，用于扩展飞机到达管理
扩展飞机到达管理问题是经典飞机着陆问题的扩展，旨在提前几个小时将飞机安排到目的地机场。本文提出了一个由机会约束强化的两阶段随机混合整数规划模型。第一阶段优化问题确定飞机序列和航站楼区域参考点（称为初始进近定位点 (IAF)）上的目标时间，以最小化着陆序列长度。假设 IAF 上的实际时间按照已知的概率分布随机偏离目标时间。在第二阶段，假设 IAF 上的实际时间是公开的，并且着陆时间将根据最小化时间偏差影响成本函数来确定。提出了 Benders 重新表述，并概述了 Benders 分解的加速技术。巴黎戴高乐机场的大量实际案例结果表明，两阶段随机和机会约束规划优于确定性策略。
![arXiv:2004.06040v1 [quant-ph] 2020 年 4 月 13 日 - NSF-PAR](/simg/g:\will\search\icon\source\9\93e453d34685bd4e49723d00ff3ea7a696f35223.webp)
arXiv:2004.06040v1 [quant-ph] 2020 年 4 月 13 日 - NSF-PAR
当转换和奖励函数未知时，马尔可夫决策过程是现代强化学习领域的基础数学形式化。我们推导出一个伪布尔成本函数，它相当于离散、有限、折现马尔可夫决策过程的 K 自旋汉密尔顿表示，具有无限的视界。这个 K 自旋汉密尔顿提供了一个起点，可以使用启发式量子算法（例如绝热量子退火和近期量子硬件上的量子近似优化算法）来求解最优策略。在证明我们的汉密尔顿的变分最小化等同于贝尔曼最优条件时，我们建立了与经典场论的有趣类比。除了通过模拟和量子退火与经典 Q 学习进行概念验证计算以证实我们的公式外，我们还分析了在量子硬件上解决汉密尔顿所需的物理资源的扩展。
基于黎曼对称正定流形的循环神经网络建模
摘要 — 使用卡尔曼滤波器 (KF) 进行状态估计经常会遇到未知或经验确定的协方差矩阵，从而导致性能不佳。消除这些不确定性的解决方案正在向基于 KF 与深度学习方法混合的估计技术开放。事实上，从神经网络推断协方差矩阵会导致强制对称正定输出。在本文中，我们探索了一种新的循环神经网络 (RNN) 模型，该模型基于黎曼对称正定 (SPD) 流形的几何特性。为此，我们基于黎曼指数图定义了一个神经元函数，该函数取决于流形切线空间上的未知权重。这样，就推导出了一个黎曼成本函数，从而能够使用传统的高斯-牛顿算法将权重作为欧几里得参数进行学习。它涉及计算闭式雅可比矩阵。通过对模拟协方差数据集进行优化，我们展示了这种新方法对于 RNN 的可能性。
Android智能手机单点定位的开源优化方法
摘要如今，芯片规模的全球导航卫星系统（GNSS）接收器在智能手机中无处不在。在智能手机GNSS接收器中，实施最小的（LS）或Kalman滤波器（KF）以估算位置。旨在提高智能手机GNSS位置精度，我们建议使用比传统方法（即LS和KF）更多的历史信息进行平滑的方法。更多的过去状态被视为未知数，并且构建了成本函数以优化这些状态。使用Google的开源智能手机数据集用于测试提出的方法。实验结果表明，所提出的方法在位置误差中的其他常规方法优于其他常规方法。此外，我们打开源代码。我们期望在智能手机GNSS位置平滑应用程序中实现的优化方法可以是一个说明性的示例，可以清楚地引入这种优化方法和其实现的参考，这可能会激发GNSS中其他一些有意义且令人兴奋的应用程序。
使用高阶神经网络基于机器学习的喷嘴形状优化
摘要。在此贡献中，引入了基于机器学习的平面喷嘴形状优化的方法。与标准深神经网络相比，提出的神经网络是使用高阶神经单元构建的。多项式结构以及各种激活函数被用作控制流动的强烈非线性Navier-Stokes方程的近似值。众所周知的NASA喷嘴的形状被选择为初始几何形状，该几何形状近似于第5阶曲线。di ff en ff几何形状。因此，该任务由具有定义成本函数作为目标的多变量优化组成，这些目标是通过在完全结构化的网格上执行的组合流体动力学（CFD）计算的。获得此优化的目标是获得几何形状，该几何形状符合喷嘴出口的所需条件，例如流场均匀性，指定的流动状态等。最后，比较了DI FF近似值的性能，并通过CFD计算验证了优化的最佳候选者。
通过特定队列模板改善受损大脑的正常化
图 1 病变患者 ANTs_cohort 流程第 1 步概览。 (a) 对于标准化，我们研究了两种不同的方法，要么 (1) 将病变大脑直接标准化为 MNI-152 模板，要么 (2) 构建一个代表所研究对象的模板 (队列特定模板/CST)，并将病变大脑标准化为模板 (ANTs_cohort)。 (b) 对于后者，使用中风患者的 T1 加权图像以迭代方式构建 CST。 平均图像可用作初始估计值。 在每次迭代中，使用 SyN 微分同胚变换 T i 将原始图像扭曲到 CST。 然后将这些变换的平均值应用于上一步的模板以构建新模板。 重复此过程直至收敛。 通过这种方式，CST 为所考虑的受试者提供了代表性形态——也就是说，它与所有图像“等距”。第二步，使用约束成本函数掩蔽将原始图像归一化为 CST（参见正文）
深度神经网络修剪的最佳运输
最佳运输，也称为运输理论或Wasserstein指标，是一个数学框架，它解决了找到最有效的方法将质量或资源从一个分布转移到另一种分布的最有效方法的问题，同时最大程度地减少了一定的成本函数[1,2,3]。最初在18世纪作为物流和经济学工具开发，最佳运输在现代数学和各种科学学科（包括计算机科学和机器学习）上引起了极大的关注。在其核心方面，最佳运输旨在通过找到将一个分布的质量重新分配以匹配另一个位置的成本，从而量化两个概率分布之间的相似性。这个优雅而多才多艺的概念在不同领域中发现了从图像处理和数据分析到经济学[11]和神经科学的应用，使其成为具有广泛含义的强大而统一的数学工具[12]。
分布式自适应信号和特征融合问题的统一算法框架 - 第二部分：收敛属性
I.在[1]中引入的分布式自适应信号融合（DASF）算法可用于以分离的方式解决广泛的空间滤波和信号融合问题，例如，无线传感器网络（WSN）。此类问题的示例包括基于广义特征值分解[3]，规范相关性分析[4]，[5]，最小方差波束[6]等的最小平方英尺误差估计，判别分析[3]等。DASF算法旨在应对WSN的典型带宽或能量限制。WSN中的典型空间过滤或信号融合问题涉及根据网络中每个节点收集的传感器数据优化成本函数。与需要在融合中心汇总的每个节点的传感器数据相反，DASF算法要求节点在彼此之间仅共享压缩数据。然后将此数据用于在每次迭代时在节点中局部构建全局优化问题的压缩版本。结果，全球（集中）的任何求解器