XiaoMi-AI文件搜索系统
World File Search System秩一
从量子或经典数据学习量子模型
摘要。在本文中，我们讨论了如何在量子系统中表示经典数据分布的问题。所提出的方法是学习量子汉密尔顿量，使其基态近似于给定的经典分布。我们回顾了关于量子玻尔兹曼机 (QBM) [1, 2] 的先前工作，以及如何使用它从量子统计数据中推断量子汉密尔顿量。然后，我们展示了所提出的量子学习形式如何应用于纯经典数据分析。将数据表示为秩一密度矩阵除了经典统计数据外，还引入了经典数据的量子统计数据。我们表明，量子学习产生的结果比经典最大似然方法准确得多，无论是对于无监督学习还是分类。数据密度矩阵和 QBM 解显示纠缠，由量子互信息 I 量化。数据中的经典互信息 I c ≤ I/ 2 = C ，通过选择合适的正交测量基获得 C 最大经典相关性。我们认为剩余的互信息 Q = I/ 2 是通过非正交测量获得的，这可能违反贝尔不等式。过剩的互信息 I − I c 可能用于提高机器学习或其他统计方法的量子实现的性能。
变压器模型产生的噬菌体基因组在组成上与自然序列不同
语言模型在基因组学中的新应用有望对该领域产生重大影响。Megadna模型是创建合成病毒基因组的第一个公开可用的一代模型。评估Megadna概括病毒的非随机基因组组成以及是否可以通过算法检测到合成基因组，4,969个天然噬菌体基因组和1,002 de Novo合成细菌噬菌体的组成指标比较了。变压器生成的序列已通过Genomad分类为变化但现实的基因组长度，而58％的序列分类为病毒。然而，与天然的Bacte-riophage基因组相比，通过秩-SUM测试和原理分析分析，这些序列在各种综合度量中呈现一致的差异。一个简单的神经网络训练，可在全球组成指标上检测变压器生成的序列，其中位灵敏度为93.0％，特异性景观为97.9％（n = 12个独立模型）。总体而言，这些恢复表明，巨型群岛尚未具有逼真的组成偏见，并且基因组组成是检测该模型产生的序列的可靠方法。虽然结果是Megadna模型的特异性，但此处描述的评估框架可以应用于基因组序列的任何生成模型。
PCGF1基因破坏揭示了表观遗传机制在肠道神经系统中的神经元亚型规范中的主要参与
图2 PCGF1 CKO小鼠表现出生长停滞和较低的肠道运动。（a）PHOX2B CRE / +（1）和（2）PCGF1 FL / FL； 3周龄时的Phox2b Cre / +小鼠（2）。（b）wt（n = 20），phox2b cre / +（n = 29）和pCGF1 fl / fl之间的生存分析； PHOX2B CRE / +小鼠（n = 26）。（c）WT（黑色条，n = 20），phox2b cre / +（白色bar，n = 26）和pCGF1 fl / fl之间的体重比较；在3和8周龄时，PHOX2B CRE / +小鼠（灰色条，n = 13）。（d）在3周龄的PHOX2B CRE / +（n = 8）和PCGF1 FL / FL之间进行总胃肠道转运时间（GITT）分析； phox2b cre / +小鼠（n = 9）。（e）3周龄的PHOX2B CRE / +（n = 8）和PCGF1 fl / fl之间的粪便重量比较； phox2b cre / +小鼠（n = 6）。（f）3周 - 旧的phox2b cre / +（n = 8）和pcGF1 fl / fl之间的粪便水含量； phox2b cre / +（n = 6）。使用对数秩检验进行了生存分析，并由Kaplan - Meier图显示。使用未配对的t检验显示统计分析的结果为平均值±SEM。
基于知识的机制模型可准确预测 EGFR 突变肺腺癌中吉非替尼的病情进展
肺腺癌 (LUAD) 与晚期低存活率相关。尽管靶向疗法的发展已经改善了具有已识别的特定基因改变（例如表皮生长因子受体基因 (EGFR) 上的激活突变）的 LUAD 患者的预后，但肿瘤耐药性的出现最终会发生在所有患者中，这推动了新疗法的开发。在本文中，我们提出了 In Silico EGFR 突变型 LUAD (ISELA) 模型，该模型将 LUAD 患者的个体特征（包括肿瘤遗传异质性）与第一代 EGFR 酪氨酸激酶抑制剂吉非替尼作用下的肿瘤大小演变和肿瘤随时间的进展联系起来。该转化机制模型收集了有关 LUAD 的广泛知识，并在多个尺度上进行了校准，包括体外、人肿瘤异种移植小鼠和人类，重现了 90% 以上的已识别实验数据。此外，该模型的覆盖率为 98.5%，负对数秩检验为 99.4%，准确重现了 Lux-Lung 7 临床试验中的进展时间，该试验在校准中未使用，因此支持该模型具有较高的预测价值。这种基于知识的机制模型可以成为开发针对 EGFR 突变 LUAD 的新疗法的宝贵工具，为生成合成对照组奠定基础。
人工智能作为自动论文评分工具
摘要：本研究探讨了使用人工智能（AI）语言模型Chatgpt作为自动论文评分（AES）工具（AES）工具的有效性，以将英语作为外语（EFL）学习者的论文进行评分。该语料库由50篇论文组成，代表各种类型，包括分析，比较和对比，描述性，叙述和意见论文，由10个EFL学习者在B2级别撰写。人类评估者和Chatgpt（4o Mini版本）使用国际英语语言测试系统（IELTS）任务2写作乐队描述符得分。采用定量方法，使用Wilcoxon签名的秩检验和Spearman相关测试来比较产生的分数，这两种得分方法之间存在显着差异，而人类评估者分配了比Chatgpt更高的分数。同样，各种类型的论文中的每一种都显而易见，与不同程度的显着差异也很明显，这表明论文的流派不是影响人类评估者与Chatgpt之间一致性的参数。毕竟，讨论的是，尽管Chatgpt表现出作为AES工具的承诺，但观察到的差异表明它尚未达到足够的实际使用水平。这项研究强调了在AI语言模型中需要改进的必要性，以满足EFL环境中论文评估的细微差别。
![arXiv:2207.01141v5 [quant-ph] 2023 年 4 月 14 日](/simg/8\8c8c25845fd86298065cd7ce5d12178a698e3819.webp)
arXiv:2207.01141v5 [quant-ph] 2023 年 4 月 14 日
在本研究中，我们首先收集并概括了几个现有的非微扰模型，用于描述任意弯曲时空中单个两级量子比特探测器与相对论量子标量场之间的相互作用，其中时间演化由简单生成的幺正体给出，即由施密特秩 1 相互作用哈密顿量生成的幺正体。然后，我们扩展了与这些非微扰模型相关的相对论量子通道，以包括量子场的非常大的一类高斯态，其中包括场上的相干和压缩操作（即高斯操作）的任意组合。我们表明，所有涉及非真空高斯态的物理结果都可以用与真空态相互作用的形式重新表述，但高斯算子通过伴随通道应用于场算子，从而有效地给出了时空中因果传播子形式的高斯运算的“傅里叶变换”解释。此外，我们表明，在这些非微扰模型中，可以精确计算 Rényi 熵，因此，通过复制技巧，可以计算与探测器相互作用后场态的冯·诺依曼熵，而无需对探测器和场的联合初始状态的纯度做出任何假设。这为我们提供了场的三参数“广义猫态”系列，其熵是有限的，并且精确可计算。
通过 Samplizer 实现时间高效的量子熵估计器
一个用于 S α ( ρ ) 的量子估计器，当 0 < α < 1 时，时间复杂度为 e O ( N 4 /α − 2 )，当 α > 1 时，时间复杂度为 e O ( N 4 − 2 /α )，改进了之前由 Acharya、Issa、Shende 和 Wagner (2020) 提出的用于 0 < α < 1 时的最佳时间复杂度 e O ( N 6 /α ) 和用于 α > 1 时的最佳时间复杂度 e O ( N 6 )，尽管样本复杂度会略有增加。此外，这些估计器可以自然扩展到低秩情况。我们还提供了用于估计 S α ( ρ ) 的样本下限 Ω(max { N/ε, N 1 /α − 1 /ε 1 /α })。从技术上讲，我们的方法与以前基于弱 Schur 采样和杨氏图的方法有很大不同。我们构建的核心是一种名为 samplizer 的新工具，它可以仅使用量子态样本将量子查询算法“采样”为具有类似行为的量子算法；这表明了一个估计量子熵的统一框架。具体来说，当量子预言机 U 对混合量子态 ρ 进行块编码时，任何使用 Q 个 U 查询的量子查询算法都可以使用 e Θ ( Q 2 /δ ) 个 ρ 样本采样为 δ 接近（在钻石范数中）的量子算法。此外，这种采样被证明是最优的，最多可达多对数因子。
二元响应隶属度分析的可识别等级谱方法
隶属等级 (GoM) 模型是用于多变量分类数据的流行个体级混合模型。GoM 允许每个主体在多个极端潜在概况中拥有混合成员身份。因此，与限制每个主体属于单个概况的潜在类别模型相比，GoM 模型具有更丰富的建模能力。GoM 的灵活性是以更具挑战性的可识别性和估计问题为代价的。在这项工作中，我们提出了一种基于奇异值分解 (SVD) 的谱方法来进行具有多元二元响应的 GoM 分析。我们的方法取决于以下观察：在 GoM 模型下，数据矩阵的期望具有低秩分解。对于可识别性，我们为期望可识别性概念开发了充分和几乎必要的条件。对于估计，我们仅提取观测数据矩阵的几个前导奇异向量，并利用这些向量的单纯形几何来估计混合成员分数和其他参数。我们还在双渐近状态下建立了估计量的一致性，其中受试者数量和项目数量都增长到无穷大。我们的谱方法比贝叶斯或基于可能性的方法具有巨大的计算优势，并且可以扩展到大规模和高维数据。广泛的模拟研究表明我们的方法具有卓越的效率和准确性。我们还通过将我们的方法应用于人格测试数据集来说明我们的方法。
预后意义和神经网络衍生的心电图特征的关联
结果：总共包括1 808 584例患者。在派生队列中，3个现象群具有显着不同的死亡率。调整已知的协变量后，现象B与现象A相比，长期死亡率增加了20％（危险比，1.20 [95％CI，1.17-1.23]； P <0.0001; P <0.0001; phanogroup A死亡率，2.2％; femogroup B死亡率，6.1％）。在单变量分析中，我们发现现象B在所有队列中的死亡风险都明显更大（所有5个同类群中的对数秩P <0.01）。全球范围的关联研究表明，现象B的未来房颤率较高（优势比，2.89; p <0.00001），心室心动过速（优势比，2.00; p <0.00001），缺血性心脏病（优势比，1.44; p <0.00001; p <0.00001）; cardiy1 <0.00001）<，cardibath 一项单特征基因组的关联研究产生了4个基因座。 SCN10A，SCN5A和CAV1在心脏传导和心律不齐中具有作用。 ARHGAP24没有明确的心脏作用，可能是一个新颖的目标。一项单特征基因组的关联研究产生了4个基因座。SCN10A，SCN5A和CAV1在心脏传导和心律不齐中具有作用。ARHGAP24没有明确的心脏作用，可能是一个新颖的目标。
技术计划
摘要：网络化动态系统（NDS）长期以来一直受到研究者的关注。随着技术的发展，特别是通信和计算机的发展，NDS 的规模迅速增加。此外，一些新问题也随之出现，例如攻击预防、随机通信延迟/故障等。此外，人工智能领域近年来取得的巨大成功极大地刺激了具有大量节点的人工 NDS 的构建。然而，一些基本问题仍然具有挑战性，包括从测量中揭示 NDS 的结构、NDS 可控性/可观测性验证的计算效率条件等。在本次演讲中，我们将介绍一个大规模 NDS 模型，其中子系统通过其内部输出以任意方式连接，并且子系统可能具有不同的动态。给出了子系统交互全局可识别性的基于矩阵秩的必要充分条件，这导致了在存在一些先验信息的情况下关于 NDS 结构可识别性的几个结论。该矩阵还导致了无法仅从实验数据中区分的子系统交互集的明确描述。给出了确定频率的递归程序，在这些频率下系统频率响应能够唯一地确定 NDS 结构。还通过一些数值模拟揭示了“结构可识别度”的重要性，并讨论了其对模型预测能力和系统性能的影响。提出了两个指标分别用于衡量 NDS 结构的绝对和相对松弛度，并针对一些应用重要的情况推导出了它们的明确公式。