XiaoMi-AI文件搜索系统
World File Search System时空点
背景独立性和量子因果结构
量子力学与广义相对论的一个关键区别是它要求时空有一个固定的背景参照系。事实上，这似乎是统一这两个理论的主要概念障碍之一。此外，预计这两个理论的结合将产生“不确定的”因果结构。在本文中，我们提出了一种与背景无关的过程矩阵形式——一种允许不确定因果结构的量子力学形式——同时保留操作上明确定义的测量统计数据。我们通过强制形式中出现的概率——我们将其归因于离散时空点之间的测量结果——在时空点的变动下保持不变来实现这一点。我们发现：（a）我们仍然可以获得具有背景独立性的非平凡的、不确定的因果结构；（b）我们失去了在不同实验室中局部操作的概念，但可以通过将参考系编码到系统的物理状态中来恢复它；（c）置换不变性施加了令人惊讶的对称性约束，虽然形式上类似于超选择规则，但不能这样解释。
身份识别毫无意义：量子参考系、事件定位和量子洞论证
研究量子参考系 (QRF) 的动机是考虑我们在描述物理系统时明确或隐含使用的参考系的量子特性。与经典参考系一样，QRF 可用于相对地定义时间、位置、动量和自旋等物理量。与其经典类似物不同，它相对化了量子系统的叠加和纠缠概念。在这里，我们通过将其追溯到叠加中不同分支之间如何识别配置或位置的问题，为叠加和纠缠的框架依赖性提供了一种新颖的解释。我们表明，在存在对称性的情况下，系统在分支之间是处于“相同”还是“不同”的配置取决于 QRF 的选择。因此，相同性和差异性——以及因此产生的叠加和纠缠——失去了绝对意义。我们将这些想法应用到叠加半经典时空的背景下，并使用四个标量场的巧合来构建不同分支中时空点之间的比较图。这使我们能够确定给定事件是位于叠加时空中的“相同”点还是“不同”点。由于此功能取决于 QRF 的选择，我们认为事件的定位不应被视为事件的固有属性。这缓解了之前提出的担忧，即 QRF 变化可能会对干涉实验产生经验后果，例如 Bose 等人 -Marletto-Vedral 的提议。此外，它意味着在量子控制因果序的平坦和弯曲时空实现中，事件的数量相等。我们以“量子空洞论证”作为爱因斯坦著名空洞论证的量子背景的概括，认为在量子对称性存在的情况下，不仅时空点，而且它们的识别和叠加流形中事件的定位都失去了绝对的物理意义。
大脑可以表示为双曲几何吗？
具有 3-D 双曲空间 H 3 。当 h eff = nh 0 时，任何携带暗物质的系统的磁体 (MB) 都提供了任何系统的表示（反之亦然）。MB 能否提供这种表示，作为因果菱形 (cd) 的 3-D 双曲面的镶嵌，定义为 M 4 的未来和过去定向光锥的交点？由 SL (2, Z) 的子群或其用代数整数替换 Z 的泛化标记的镶嵌点将由其统计特性决定。H 3 处神经元磁像的位置将定义 H 3 的镶嵌。镶嵌可以映射到庞加莱盘的模拟 - 庞加莱球 - 表示为未来光锥的 t = T 快照（t 是线性闵可夫斯基时间）。t = T 之后，神经元系统的大小不会改变。镶嵌可以将认知表征定义为一组离散的时空点，其坐标为可分配给表示 MB 的时空表面的有理数的某种扩展。有人可能会认为 MB 具有更自然的圆柱对称性而不是球对称性，因此也可以考虑在 E 1 × H 2 处使用圆柱表示
加州大学伯克利分校
量子计算是解决各种问题的有前途的工具，因为指数级大的希尔伯特空间可以用多项式数量的量子比特来描述。在高能物理学中，量子场论的模拟尤其有前景，其中每个时空点都有量子自由度，但存在用于状态准备和时间演化的多项式算法 [1,2]。然而，并非所有经典硬算法在量子计算机上都更高效。在高能物理学 (HEP) 中，有一类特别受关注的算法是量子机器学习 (QML)。在本文中，QML 指的是在量子计算硬件上执行的机器学习任务。虽然 QML 并不比经典机器学习 (CML) 更高效，但已经有许多实证研究探索 QML 在 HEP 中的潜力 [3-19]（另请参阅参考文献 [20] 的最新综述）。这些研究得出的一个共同结论是，QML 似乎在小型训练数据集上表现优于 CML。1 虽然对这一观察结果没有严格的解释，但可能是因为 QML 提供了更好的归纳偏差和/或使用较少的参数提供了更多的表达能力。在几乎所有的研究中，当有超过 O (100) 个示例时，CML 的表现都优于 QML。在具有如此少量训练事件的对撞机 HEP 中，几乎没有问题。本文的目标是探索近期 QML 在对撞机物理中的实际用例。另请参阅参考文献 [ 21 ] 以了解 QML 与 CML 的更广泛背景。
spatstat：空间点模式分析、模型拟合、模拟、测试
描述 用于分析空间点模式的综合开源工具箱。主要关注任何空间区域中的二维点模式，包括多类型/标记点。还支持三维点模式、任意维度的时空点模式、线性网络上的点模式和其他几何对象的模式。支持空间协变量数据，例如像素图像。包含 3000 多个用于绘制空间数据、探索性数据分析、模型拟合、模拟、空间采样、模型诊断和形式推理的函数。数据类型包括点模式、线段模式、空间窗口、像素图像、镶嵌和线性网络。探索性方法包括样方计数、K 函数及其模拟包络、最近邻距离和空白空间统计、Fry 图、成对相关函数、核平滑强度、交叉验证带宽选择的相对风险估计、标记相关函数、分离指数、标记依赖性诊断和协变量效应的核估计。还支持随机模式的正式假设检验（卡方、Kolmogorov-Smirnov、蒙特卡罗、Diggle-Cressie-Loosmore-Ford、Dao-Genton、两阶段蒙特卡罗）和协变量效应检验（Cox-Berman-Waller-Lawson、Kolmogorov-Smirnov、ANOVA）。可以使用与 glm() 类似的函数 ppm()、kppm()、slrm()、dppm() 将参数模型拟合到点模式数据。模型类型包括泊松、吉布斯和考克斯点过程、奈曼-斯科特聚类过程和行列式点过程。模型可能涉及对协变量的依赖、点间相互作用、聚类形成和对标记的依赖。模型通过最大似然法、逻辑回归法、最小对比度法和复合似然法进行拟合。可以使用函数 mppm() 将模型拟合到点模式列表（重复的点模式数据）。除了上面列出的所有特征外，该模型还可以包括随机效应和固定效应，具体取决于实验设计。
![arxiv：2307.05097v2 [Math.pr] 2024年10月29日](/simg/g:\will\search\icon\source\a\aea5ba3a8fb908b8f717d813591edd2ab5ad4793.webp)
arxiv：2307.05097v2 [Math.pr] 2024年10月29日
1.1。概述。定向聚合物模型描述了无序培养基中的随机路径。该模型最近引起了人们的极大兴趣，因为它被认为是在KPZ（Kardar-Parisi-Zhang）普遍性中。在所谓的强障碍状态中，尤其是在空间维度d = 1中，预计聚合物具有超排除的缩放指数，因此其行为与其无限温度版本完全不同（通常的简单随机步行）。目前，仅在少数可解决的模型中进行了验证。与一维情况相反，在空间维度d≥3中，众所周知，简单随机行走的扩散尺度持续到某些反度βCR> 0。此参数制度被称为弱混乱阶段，它是当前文章的重点。它的特征是一组β，因此（归一化的）分区函数WβN会收敛到正时wβ∞。与强障碍阶段相比，弱混乱阶段的长期行为要比[14、2、21]的理解要好得多，但仍然存在许多重要的问题。我们对β接近βCR的情况特别感兴趣，这是一个有趣的制度，因为强大的障碍超出了βCR（最近证明βCR本身属于弱疾病阶段[32]）。本文的贡献是引入一种基于L p估计的方法，该方法有效，该方法超过βl 2 Cr，并且对于某些类别的环境，最多可达βCR。更准确地说，可以写然而，从技术上讲，这种制度在技术上很困难，因为一种成功的方法可以追溯到[14]，并且基于L 2-木星技术，并不适用于全部弱疾病状态，而仅适用于某些βL 2 Cr，这是严格小于βCR的βL 2 Cr。我们的主要结果是在时空点（0、0）和（n，x）之间的点对点分区Wβ，0，x 0，n的束缚，在n∈N中均匀地均匀，在大的x范围内，尤其暗示着对聚合物度量的局部限制定理。非正式地，后者的结果表明，聚合物测量的密度µβΩ，n（聚合物的淬灭定律直到时间n）与简单随机行走的密度相当，具有良好行为的随机乘法常数。