XiaoMi-AI文件搜索系统
World File Search System粒子流
dirichlet流匹配
离散扩散或流模型可以比自回归模型更快，更可控制的序列产生。我们表明，单纯形上的线性流匹配不足以实现该目标，因为它遭受了训练目标和进一步的病理的差异。为了克服这一点，我们基于Dirichlet分布作为概率路径的混合物在单纯形上开发了Dirichlet流量匹配。在此框架中，我们在混合物的分数和流量的矢量字段之间得出了一个连接，允许分类器和无分类器指导。此外，我们提供了蒸馏的Dirichlet流量匹配，从而使一步序列产生具有最小的性能命中率，与自动回旋模型相比，O（L）的加速导致O（L）的加速。在复杂的DNA序列生成任务上，我们证明了与分布指标的所有基准相比，在实现生成序列的所需设计目标方面相比。最后，我们表明我们的指导方法改善了无条件的生成，并且可以生成满足设计目标的DNA。
通过得分和流匹配
我们提出了无模拟分数和流匹配（[SF] 2 m），这是一种用于推断自随机动力学的无模拟Objective，给出了从任意源和目标分布中绘制的未配对样品。我们的方法一般 - 扩散模型训练中使用的得分匹配损失以及最近提出的流量匹配损耗用于训练连续归一化流量。[SF] 2 m将连续的随机构成建模为Schrödinger桥概率。它依赖于静态熵调查的最佳传输或Minibatch近似，以有效地学习SB，并使用模拟学习的随机过程。我们发现[SF] 2 m更有效，并且比先前的工作中基于仿真的方法为SB问题提供了更准确的解决方案。最后，我们将[SF] 2 m应用于快照数据学习细胞动力学的问题。值得注意的是，[SF] 2 m是在高维度中准确模拟细胞dynamics的第一种方法，并且可以从模拟数据中恢复已知的基因调节网络。我们的代码可在https://github.com/ atong01/conditional-flow-matching的TorchCFM软件包中找到。
心流的余辉：音乐家心流的神经关联
摘要 心流是一种最佳或高峰体验状态，通常与专业和创造性表现有关。音乐家在演奏时经常体验到心流，然而，由于神经数据中存在大量伪影，这种难以捉摸的状态背后的神经机制仍未得到充分探索。在这里，我们通过关注心流体验后立即进入的静息状态来绕过这些问题。音乐家演奏了预期会可靠地引发心流状态的乐曲，并作为对照，演奏了不会引发心流的音乐作品。在心流状态之后，我们观察到上部 alpha（10-12 Hz）和 beta（15-30 Hz）波段的频谱功率更高，主要是在大脑前额叶区域。使用相位斜率指数进行的连接分析显示，右额叶簇影响了 θ（5 Hz）波段左颞叶和顶叶区域的活动，在报告高倾向性心流的音乐家中尤其明显。前顶叶控制网络内的 θ 波段连接促进了认知控制和目标导向注意力，这对于实现心流状态可能至关重要。这些结果揭示了与音乐家的即时心流后状态相关的大规模振荡相关性。重要的是，该框架有望在实验室环境中探索心流相关状态的神经基础，同时保持生态和内容有效性。
化学成分，流和鼓在...
Appendix ............................................................................................................................................... 61-67
搭载量子流
我们预见到可以在受量子纠错码 (QECC) 保护的量子比特流上搭载经典信息。为此，我们提出了一种通过故意引入噪声在量子流上发送经典比特序列的方法。这种噪声会引发一个受控的征兆序列，可以在不破坏量子叠加的情况下对其进行测量。然后可以使用这些征兆在量子流之上编码经典信息，从而实现多种可能的应用。具体而言，搭载量子流可以促进量子系统和网络的控制和注释。例如，考虑一个节点彼此交换量子信息的网络 [1-7]。除了用户数据之外，网络运行还需要同步模式、节点地址和路由参数等控制数据。在经典网络中，控制数据会消耗物理资源。例如，带内同步要求传输节点在数据流中插入特定模式的比特（消耗额外带宽）来分隔数据包，而接收节点则要求从传入的比特中搜索此类模式 [8]。然而，将量子比特作为控制数据插入对量子网络来说并不是一个可行的选择，因为测量会破坏量子态叠加 [9]。出于这个原因，一些研究断言量子网络将需要经典网络来实现带外信令和控制 [7]。另一方面，参考文献 [10-12] 开发了将经典比特和随机数（使用连续变量）一起传输以实现量子密钥分发 (QKD)，以增强经典网络的安全性。相反，我们渴望将经典比特和量子比特（使用离散变量）一起传输，以控制量子网络。
![arXiv:2207.04927v1 [nucl-th] 2022 年 7 月 11 日](/simg/d\db85e168f51109c25f1b0c4684f4164fef6f2197.webp)
arXiv:2207.04927v1 [nucl-th] 2022 年 7 月 11 日
在对称核碰撞中，定向流是快度的奇函数。在对称重离子碰撞中产生的带电粒子的快度奇定向流v 1 的观测结果 [4–7] 表明，前向-后向对称性被破坏。在碰撞的动态模型中，这是由于初始条件的不对称造成的 [8–20]。在非中心碰撞中，初始状态预计会破坏前向-后向对称性。在流体动力学模型中，定向流可以用相对于碰撞轴倾斜的火球膨胀来解释 [12]。该现象学模型可以描述测量到的带电粒子定向流。但是，它无法解释观察到的已识别粒子定向流分裂 [6, 21]。具体来说，测量到的质子和反质子的定向流是不同的，而在流体动力学模型中，相同质量的粒子预计会有类似的集体流。重离子碰撞的动力学或混合模型无法解释在不同能量下识别的粒子观察到的定向流[13, 15, 18, 22–25]。这个长期存在的问题可以通过假设火球中的重子分布是不均匀的来解决。重子化学
轨迹流与临床时间序列建模应用的轨迹流匹配
对随机和不规则抽样的时间序列进行建模是在广泛的应用中发现的一个具有挑战性的问题，尤其是在医学中。神经随机微分方程（神经SDE）是针对此问题的有吸引力的建模技术，它可以将SDE的漂移和扩散项与神经网络相关。但是，当前用于训练神经SDE的算法需要通过SDE动力学进行反向传播，从而极大地限制了它们的可扩展性和稳定性。为了解决这个问题，我们提出了轨迹流匹配（TFM），该轨迹以无模拟方式训练神经SDE，通过动力学绕过反向传播。TFM利用从生成建模到模型时间序列的流量匹配技术。在这项工作中，我们首先为TFM学习时间序列数据建立必要条件。接下来，我们提出了一个改善训练稳定性的重新聚集技巧。最后，我们将TFM适应了临床时间序列设置，从绝对性能和不确定性预测方面，在四个临床时间序列数据集上的性能提高了，这是在这种情况下的关键参数。
空气羽流路径预测的工程方法...
飞机。研究应证明在任何情况下导弹绝对不会对飞机造成任何物理干扰。确保热发射导弹的火箭发动机羽流干扰不会对飞机的结构、机载电子元件和敏感部件产生任何重大影响也很重要。羽流进入飞机进气口是一个危及飞机安全的关键问题。因此，热发射导弹羽流路径的预测是分离动力学研究的重要组成部分。在目前的研究中，采用基于粒子跟踪方法的工程方法来预测羽流路径。此外，使用反向粒子跟踪方法对该方法进行了修改，使其更加高效。该方法用于预测空对空导弹的羽流路径，结果表明该方法能够以最少的计算要求给出相当准确的羽流路径。