XiaoMi-AI文件搜索系统
World File Search System搜索的
KANQAS：用于量子架构搜索的 Kolmogorov-Arnold 网络
摘要 量子架构搜索 (QAS) 是优化和自动设计量子电路以实现量子优势的一个有前途的方向。QAS 中的最新技术强调基于多层感知器 (MLP) 的深度 Q 网络。然而，由于可学习参数数量众多以及选择适当激活函数的复杂性，它们的可解释性仍然具有挑战性。在这项工作中，为了克服这些挑战，我们在 QAS 算法中使用了 Kolmogorov-Arnold 网络 (KAN)，分析了它们在量子态准备和量子化学任务中的效率。在量子态准备中，我们的结果表明，在无噪声的情况下，成功的概率是 MLP 的 2 到 5 倍。在嘈杂的环境中，KAN 在近似这些状态时的保真度优于 MLP，展示了其对噪声的鲁棒性。在解决量子化学问题时，我们通过将课程强化学习与 KAN 结构相结合来增强最近提出的 QAS 算法。通过减少所需的 2 量子比特门的数量和电路深度，这有助于更有效地设计参数化量子电路。进一步的研究表明，与 MLP 相比，KAN 需要的可学习参数数量明显较少；然而，KAN 执行每集的平均时间更长。
使用模拟综合生物启发的基于搜索的测试
20477481，2024，5，从https://onlinelibrary.wiley.com/doi/10.1002/smr.2591下载，由Statens Beredning，Wiley Online Library，on [07/06/2024]。有关使用规则，请参见Wiley Online Library上的条款和条件（https://onlinelibrary.wiley.com/terms-and-conditions）； OA文章由适用的Creative Commons许可
随机森林和网格搜索的Mantik分析杂志...
这项研究重点是实施随机的森林和网格搜索算法，以早日检测糖尿病，旨在使用技术现代化和增强医学实践。所提出的模型的准确性为77.06％，精度为71.43％，召回47.30％，错误分类误差为22.94％。与其他数据挖掘算法的比较分析，包括决策树，无网格搜索的随机森林以及CAT Boost，表明带有网格搜索算法的随机森林表现优于其他森林。通过利用网格搜索，随机森林算法的准确性增加了2.03％。这些发现表明机器学习在早期糖尿病检测中的潜在有效性。虽然研究提供了有希望的结果，但数据集大小和所使用的检测变量的数量存在局限性。未来的研究应探索较大的数据集和替代算法，以进一步提高准确性并帮助早期发现糖尿病。
使用NSSL警告搜索的评估-AMS期刊
摘要：预报通常会在模型预测中校准其信心。合奏固有地估计预测信心，但通常是不足的，整体扩散与集合均值误差并不密切相关。合奏传播与技能之间的错位激发了“预测预测技能”的新方法，以便预测者可以更好地利用集合指导。我们已经训练了逻辑回归和随机森林模型，以预测NSSL WARN-FORECAST系统（WOFS）的复合反射性预测的技能，这是一个3公里的合奏，可快速更新预测指南，以预测0-6小时。预测技能预测在分析时间在观察到的风暴位置确定的量化区域内的1-，2或3小时提前时间有效。我们使用WOFS分析和预测输出以及NSSL多雷达/多传感器复合反射性，从2017年到2021年的106例NOAA危险天气测试床春季预测实验。我们将预测任务框架为多类问题，在该问题中，预测技能标签是通过平均为多个反射性阈值和验证范围的延长分数技能得分（EFSS）来确定的20％）。初始机器学习（ML）模型对323个预测变量进行了培训；最终模型中的10或15个预测变量只会降低技能。最终模型基本上优于精心开发的持久性和基于传播的模型，并且可以合理地解释。结果表明，ML可以成为指导用户对对流（和更大尺度）合奏预测的有价值的工具。
rydberg-atom基于卤代轴搜索的单光子检测
斧头是量子染色体动力学（QCD）中强电荷（CP）问题的引人注目的解决方案，也是天体物理学和宇宙学中动机良好的暗物质候选者[1-7]。尽管轴质量m a与自发对称性破坏f a的能量尺度相关，但QCD本身并不限制m a或f a [8]。来自天体物理学和宇宙学的观察限制了m a〜10 - 6 - 103μEV[9-13]。轴支和标准模型之间的耦合强度取决于轴质量。对于给定的m a，有一系列与QCD兼容的轴轴耦合Gγ。该区域通常由两个基准QCD轴模型跨越Kim-Shifman-Vainshtein- Zakharov（KSVZ）模型[14,15]和Dine-Fischler-Srednicki-Zhitnitsky（DFSZ）模型[14,15] [16,17]。轴突状颗粒（ALP）具有光子耦合在QCD预测的范围之外的光子耦合也可以作为暗物质，尽管它们无法解决强大的CP问题[5]。
基于个性化搜索的对话式人工智能查询重写系统
查询重写（QR）是对话式 AI 系统中一个新兴的组件，可以减少用户失误。用户失误的原因多种多样，例如口语对话系统中的错误、用户的口误或语言缩写。许多用户失误源于个性化因素，例如用户的说话模式、方言或偏好。在这项工作中，我们提出了一个基于搜索的个性化 QR 框架，专注于自动减少用户失误。我们为每个用户建立一个个性化索引，其中包含不同的亲和力层，以反映对话式 AI 中每个用户的个人偏好。我们的个性化 QR 系统包含检索层和排名层。在基于用户反馈的学习支持下，训练我们的模型不需要手动注释数据。在个性化测试集上的实验表明，我们的个性化 QR 系统能够利用语音和语义输入来纠正系统错误和用户错误。
AlphaRouter：基于强化学习和树搜索的量子电路路由
摘要 — 量子计算机有可能在优化和数字分解等重要任务上超越传统计算机。它们的特点是连接性有限，这需要在程序执行期间将其计算位（称为量子位）路由到特定位置以执行量子操作。传统上，最小化路由开销的 NP 难优化问题已通过次优的基于规则的路由技术解决，而成本函数设计中嵌入了固有的人为偏见。本文介绍了一种将蒙特卡洛树搜索 (MCTS) 与强化学习 (RL) 相结合的解决方案。我们基于 RL 的路由器称为 AlphaRouter，其性能优于当前最先进的路由方法，并且生成的量子程序的路由开销减少了多达 20%，从而显著提高了量子计算的整体效率和可行性。
基于蒙特卡洛树搜索的变分量子电路混合优化
变分量子算法是近期和未来容错量子设备模拟的前沿。虽然大多数变分量子算法只涉及连续优化变量，但有时可以通过添加某些离散优化变量来显著增强变分假设的表示能力，广义量子近似优化算法 (QAOA) 就是一个例子。然而，广义 QAOA 中的混合离散-连续优化问题对优化提出了挑战。我们提出了一种称为 MCTS-QAOA 的新算法，它将蒙特卡洛树搜索方法与改进的自然策略梯度求解器相结合，分别优化量子电路中的离散变量和连续变量。我们发现 MCTS-QAOA 具有出色的抗噪特性，并且在广义 QAOA 的具有挑战性的实例中优于先前的算法。
在生物序列中用于KNN搜索的神经嵌入
生物序列最近的邻居搜索在生物信息学中起有趣的作用。减轻二次复杂性对常规距离计算的痛苦，神经距离嵌入（将项目序列置于几何空间中）已被公认为是有希望的范式。为了维持序列之间的距离顺序，这些模型所有部署三重态损失并使用直观方法来选择三胞胎的子集，以从广阔的选择空间中进行训练。但是，我们观察到，这种训练通常使模型只能区分一小部分距离顺序，从而使其他人未被认可。此外，天真地选择了更多的三胞胎进行最新的网络下的培训，不仅增加了成本，而且还增加了模型性能。在本文中，我们介绍了Bio-KNN：KNN搜索框架 - 生物序列的工作。它包括一种系统的三重态选择方法和一个多头网络，增强了所有距离订单的识别而不增加培训费用。最初，我们提出了一种基于聚类的方法，将所有三重态分为具有相似支持的几个群集，然后使用创新策略从这些群集中选择三胞胎。同时，我们注意到同一网络中同时培训不同类型的三胞胎无法实现预期的性能，因此我们提出了一个多头网络来解决此问题。我们的网络采用卷积神经网络（CNN）来提取所有群集共享的本地效果，然后分别学习一个分别为每个群集学习多层启示（MLP）头。此外，我们将CNN视为特殊的头部，从而将以前模型中忽略的关键特征整合到我们的模型中以获得相似性识别。广泛的实验表明，我们的生物KNN在两个大规模数据集上的最先进方法显着优于而没有增加培训成本。
使用sacarotrof细菌搜索的氧化纳米颗粒的生物粒性生产
摘要近年来，纳米技术因其对科学和生活的各个领域（包括生物学和生物医学）的广泛影响而引起了研究人员的大大关注。纳米级的纳米颗粒的独特物理，化学，光学，电子和磁性特性导致了有关其合成的巨大努力。通常通过各种物理和化学方法合成它们；但是，其中许多方法是能量密集型的，导致产生具有污染特性的有毒副产品。因此，环保方法的发现和开发，例如细菌对纳米颗粒的生物合成，引起了人们的注意。在这项研究中，使用微生物菌株的微生物菌株的微生物培养物合成了氧化锌纳米颗粒。OSNP13。通过包括UV-VIS，DLS和XRD在内的结构分析来表征合成的纳米颗粒。结果表明，产生的氧化锌纳米颗粒的平均大小为59.16 nm。此外，还评估了合成纳米颗粒的抗菌活性。将大肠杆菌和金黄色葡萄球菌的氧化锌纳米颗粒的MIC计算为500μg/ml。这项研究中产生的氧化铜纳米颗粒表现出显着的抗菌特性，可以被视为合适的候选物作为抗菌剂。