XiaoMi-AI文件搜索系统
World File Search System最近邻
使用人工智能算法检测脑肿瘤
海得拉巴，特伦甘纳邦，印度 摘要：在人体中，最重要和最复杂的器官与大脑中的数十亿个细胞一起工作。大脑周围细胞的异常生长或不受控制的分裂会导致脑瘤。这组细胞会影响大脑的功能，也会破坏人体细胞。在过去，检测脑瘤比现在困难得多。现代计算机视觉技术的使用使检测更加准确和容易。在本文中，首先使用 K 最近邻 (KNN) 机器学习 (ML) 模型检测脑中的肿瘤，该模型将症状归类为脑瘤，然后使用磁共振图像 (MRI) 扫描进行进一步确认。KNN 模型的准确率为 97%，而本文使用的卷积神经网络 (CNN) 模型的准确率为 99%。索引术语 - K 最近邻、卷积神经网络、症状、脑瘤。
![arXiv:2211.00623v1 [quant-ph] 2022 年 11 月 1 日](/simg/g:\will\search\icon\source\e\e4783ce84404e42510c1692fb56a4039487239ab.webp)
arXiv:2211.00623v1 [quant-ph] 2022 年 11 月 1 日
我们证明，J 1 − J 2 海森堡量子自旋链的基态和第一激发态混合态（相邻态）中的最近邻纠缠可用作序参量，检测链从无间隙自旋流体到有间隙二聚体相的相变。我们研究了序参量对于不同系统尺寸下相邻态中基态和第一激发态之间相对混合概率变化的有效性，并将结果外推到热力学极限。我们观察到，即使系统处于基态，但有较小且有限的概率泄漏到第一激发态，最近邻纠缠也能起到良好序参量的作用。此外，我们应用相邻态的序参量研究了在模型相图上分别引入各向异性和玻璃无序时的响应，并分析了相应的有限尺寸尺度指数和前一种情况下出现的三临界点。各向异性的 J 1 − J 2 链具有更丰富的相图，使用相同的序参量也可以清楚地看到。
使用特征态迹距离识别量子多体可积性和混沌
虽然量子多体可积性和混沌的概念对于理解量子物质至关重要，但它们的精确定义迄今为止仍是一个悬而未决的问题。在本文中，我们引入了量子多体可积性和混沌的替代指标，该指标基于通过最近邻子系统迹线距离计算的特征态统计数据。我们表明，通过对各种典型模型系统（包括随机矩阵理论、自由费米子、Bethe-ansatz 可解系统和多体局部化模型）进行广泛的数值模拟，这为我们提供了忠实的分类。虽然现有指标（例如从能级间距统计中获得的指标）已经得到了巨大的成功，但它们也面临局限性。例如，这涉及量子多体踢顶，它是完全可解的，但根据能级间距统计，在某些范围内被归类为混沌，而我们引入的指标则表明了预期的量子多体可积性。我们讨论了我们观察到的最近邻跟踪距离的普遍行为，并指出我们的指标在其他情况下也可能有用，例如多体局部化转变。
![arXiv:2311.04141v1 [quant-ph] 2023 年 11 月 7 日](/simg/g:\will\search\icon\source\5\543648d42551c2d2e96987e655b389962047c837.webp)
arXiv:2311.04141v1 [quant-ph] 2023 年 11 月 7 日
在本文中，我们提出了一种为中性原子量子处理器开发的噪声模型，并对模拟电路执行进行了基准测试。我们通过结合诊断测量和将模拟的位串概率与之前在计算机上运行的电路的测量值进行拟合来构建噪声模型。量子处理器在二维方格上使用中性原子量子比特，并使用激光和微波场实现门 [8]。由于 QED-C 基准测试中的某些电路需要的量子比特多于量子处理器中使用的量子比特，我们假设每个站点的误差都是均匀的，并扩展了模拟器以适应基准测试中提供的高宽度电路。我们运行了全对全和最近邻连接的模拟，以适应未来潜在的设备连接能力范围。我们发现与最近邻连接相比，全对全连接的电路保真度有显著提高。
基于极距离的增强量子K近邻分类算法
摘要：K最近邻算法是应用最为广泛的分类算法之一，但其高时间复杂度限制了其在大数据时代的性能。量子K最近邻算法（QKNN）可以满意地处理上述问题，但直接应用传统的基于欧氏距离的相似性度量会牺牲其准确率。受极坐标系和量子特性的启发，本文提出一种新的相似性度量来取代欧氏距离，将其定义为极坐标距离。极坐标距离同时考虑角度和模数长度信息，引入一个根据具体应用数据调整的权重参数。为了验证极坐标距离的效率，我们使用几个典型数据集进行了各种实验。对于传统KNN算法，使用极坐标距离进行相似性度量时准确率性能相当，而对于QKNN算法，其分类准确率明显优于欧氏距离。此外，极坐标距离表现出优于欧氏距离的可扩展性和鲁棒性，为 QKNN 在实践中的大规模应用提供了机会。
使用量子近似优化算法解决旅行商问题
2 解决旅行商问题的经典方法 4 2.1 近似算法....................................................................................................................................................................................4 2.1.1 最近邻算法....................................................................................................................................................................................4 2.1.2 Christo des 和 Serdyukov 算法.........................................................................................................................................................5 2.1.3 K-Opt 启发式和 V-Opt 启发式....................................................................................................................................................7 2.1.4 蚁群优化算法...................................................................................................................................................7 ................................................................................................................................................................................. 8 2.2 精确算法.................................................................................................................................................................................................................................... 9 2.3 整数线性规划.................................................................................................................................................................................................................................... 9 2.4 分支定界.................................................................................................................................................................................................................................... 9 2.4 分支定界.................................................................................................................................................................................................................................... 9 2.5 分支定界.................................................................................................................................................................................................................................... 9 12 2.5 分支切割法 . ...
CS184A/284A 生物和医学中的人工智能
● 简介。课程框架 ● 最近邻方法、线性回归 ● 感知器、逻辑回归、支持向量机、决策树 ● 应用 1：基因表达分析、生物标志物发现、精准医疗 ● 无监督学习、主成分分析、聚类 ● 应用 2：单细胞 RNA-seq 分析、其他基因组应用 ● 概率模型、马尔可夫模型、EM 算法 ● 应用 3：基因发现、调控基序发现、CpG 岛 ● 神经网络、深度学习 ● 应用 4：生物医学图像分析
在 NISQ 时代高保真地实现 AKLT 状态......
AKLT 状态是各向同性量子海森堡自旋 1 模型的基态。它表现出激发间隙和指数衰减的关联函数，其边界处具有分数激发。到目前为止，一维 AKLT 模型仅在捕获离子和光子系统中进行了实验。在这项工作中，我们成功地在嘈杂的中尺度量子 (NISQ) 时代量子设备上准备了 AKLT 状态。具体来说，我们在 IBM 量子处理器上开发了一种非确定性算法，其中 AKLT 状态准备所需的非幺正算子嵌入在幺正算子中，每对辅助自旋 1/2 都有一个额外的辅助量子位。这种幺正算子实际上由由单量子位和最近邻 CX 门组成的参数化电路表示。与 Qiskit 的传统算子分解方法相比，我们的方法仅使用最近邻门即可实现更浅的电路深度，同时保持原始算子的 99.99% 以上的保真度。通过同时后选择每个辅助量子比特，使其属于自旋向上 |↑〉 的子空间，可以在量子计算机上通过从单重态加上辅助量子比特的初始平凡乘积状态演化系统地获得 AKLT 状态，然后通过对所有其他物理量子比特进行测量来记录该状态。我们展示了如何通过读出误差缓解在 IBM 量子处理器上进一步提高我们的实现的准确性。
人工智能应用-药物警戒中不良事件和药物的数据驱动矢量表示
目标：评估通过全球药物警戒报告模式得出的不良事件和药物的向量表示法识别的最近邻的稳定性和临床相关性。背景：药物警戒需要识别与同一临床状况相关的不良事件术语，仅依靠医学术语的层次结构往往是不够的。药品分析也存在类似的挑战。通过利用机器学习的进步，UMC 开发了 vigiVec，产生了 MedDRA 首选术语和 WHODrug 活性物质的向量表示法。
使用...对自闭症谱系障碍检测的回顾
摘要 一种被称为自闭症谱系障碍 (ASD) 的神经系统疾病对个人一生与他人交往和互动的能力产生了深远影响。ASD 是一种可以在人的生命早期阶段被识别的疾病，通常被归类为“行为疾病”，因为在生命的头两年内经常会出现许多症状，根据大多数人对自闭症理论的看法，这些挑战通常在儿童时期出现并持续到青少年和成年期 [1]。为了应对医学诊断的日益普及，机器学习技术 [2] 被用于帮助医生更好地决定一个人的健康状况，人们做出了广泛的努力来利用各种算法，包括朴素贝叶斯、支持向量机、逻辑回归、K 最近邻 (KNN)、神经网络和卷积神经网络 (CNN) [3]，来预测和分析不同年龄组（儿童、青少年和成人）的 ASD 相关问题。这些努力已在一份研究调查论文中详细介绍。这些预测模型是使用 ABIDE 数据集进行评估的，该数据集可供研究目的公开访问。该研究的结果强调了基于 CNN 的预测模型的有效性，该模型的表现始终优于其他机器学习技术 [4]。值得注意的是，这些模型在代表成人、儿童和青少年的数据集中筛查和诊断自闭症谱系障碍的准确率分别达到 99.53%、98.30% 和 96.88%。关键词：自闭症，卷积神经网络 (CNN)；人工神经网络 (ANN)；K 最近邻 (KNN)；逻辑回归 (LR)；支持向量机 (SVM) [5]。------------------------------------------------------------------------------------------------------------------------------ 提交日期：2024 年 9 月 3 日 接受日期：2024 年 9 月 13 日 --------------------------------------------------------------------------------------------------------------