XiaoMi-AI文件搜索系统
World File Search System统计特性
拓扑量子计算中的三元逻辑设计
量子计算机的运行速度比传统计算机快得多。它基于叠加原理工作。但由于退相干效应，量子态的叠加会因与环境的相互作用而遭到破坏。完全隔离一个量子系统以使其摆脱退相干是一个真正的挑战。这个问题可以通过使用物质的拓扑量子相来规避。这些相具有称为任意子的准粒子激发。任意子是电荷通量复合材料，表现出奇异的分数统计特性。当交换顺序很重要时，任意子被称为非阿贝尔任意子。拓扑超导体中的马约拉纳费米子和某些量子霍尔态中的准粒子是非阿贝尔任意子。这种物质的拓扑相具有基态简并性。两个或多个非阿贝尔任意子的融合可以导致多个任意子的叠加。拓扑量子门是通过非阿贝尔任意子的编织和融合来实现的。容错是通过任意子的拓扑自由度来实现的。这种自由度是非局部的，因此无法受到局部扰动的影响。本文讨论了拓扑量子比特的希尔伯特空间。简要给出了二元门的 Ising 和斐波那契任意子模型。三元逻辑门比二元逻辑门更紧凑，自然出现在一种称为元任意子的任意子模型中。元任意子的融合和编织矩阵的数学模型是重耦合理论的量子变形。我们提出，现有的量子三元算术门可以通过元任意子的编织和拓扑电荷测量来实现。
后生动物多细胞的起源：潜在的微生物黑天鹅事件
脊椎动物免疫系统能够在识别病原体的抗原序列时取决于T细胞特异性的强，聚焦的适应性反应。识别耐受性和抗原收敛引起的跨免疫反应，扩展了对相当相似的病原体的迅速反应。这表明在连续的流行病暴发（例如，具有不同变体的SARS-COV-2波）中，达到牛群免疫力可能会得到促进。定性研究降低了这种可能性，因为跨免疫保护很少进行消毒。我们使用最少的定量模型来研究跨免疫如何影响短时间和长时间尺度的流行动力学。在短期内，我们研究了灭菌和衰减免疫力的模型，发现了这两种机制之间的对应关系 - 因此，这表明衰减保护在实现牛群免疫中起着关键作用。我们的模型在流行参数空间中呈现图，这些图是根据获得的跨免疫水平来辨别威胁变体的。我们用SARS-COV-2数据说明了此应用，包括由于各国的疫苗接种率而引起的保护。在长期规模上，我们对滚动病原体之间的跨免疫进行了模拟，以表征成功菌株的统计特性。我们发现，持续的跨免疫保护改变了发生大规模爆发的流行参数空间的地区。我们的结果表明，基于跨免疫（包括SARS-COV-2 Pandemics）的群群保护的前景进行了乐观的修订。
ScienceDirect
机器学习技术在钢铁行业的应用并不新鲜，它被广泛用于预测（Ordieres-Mer'e 等人，2010 年）和聚类目的（Gonz'alez-Marcos 等人，2014 年）。随着深度学习等机器学习技术的出现，科学家、研究人员和工程师为设计具有视觉敏锐度仿生特征的人工视觉系统（Caves 等人，2018 年；Park 等人，2020 年）和精确的视觉运动检测（Fu 等人，2019b 年；Zhao 等人，2020 年）做出了巨大努力。深度神经网络在执行人工视觉方面取得成功的主要原因之一是它们能够发现具有网格状拓扑的数据的统计特性，例如：平移不变性、组合性和局部聚类（Simoncelli 和 Olshausen，2001 年）。卷积网络利用这一数学特性，擅长从平移不变的网格状数据集中提取相关信息。组合性来自数据集的多分辨率，例如彩色像素的 RGB 通道，而局部聚类是由于网格状数据集呈现相似的局部特征而实现的（Chollet，2018 年）。事实上，有些应用以质量为主要目标（Ordieres-Mer´e 等人，2013 年）。深度学习也作为工业质量分类的工具被应用（Villalba-Diez 等人，2019 年；Schmidt 等人，2020 年），其中包括钢铁质量分类（Fu 等人，2019b、a；Hao 等人，2021 年；Psuj，2018 年；Zheng 等人，2021 年）。
机器学习的非技术介绍
人类易于执行而计算机难以完成的任务包括识别照片中的物体、面孔或动物，或者识别语音中的单词。另一方面，也有一些任务对计算机来说很容易，而对人类来说很难，比如处理大量数字或准确记忆大量文本。机器学习是过去几年取得最令人瞩目的成功的人工智能技术。然而，它并不是人工智能的唯一方法，还存在概念上不同的方法。机器学习也与其他科学领域有着密切的联系。首先，它与统计学有着明显的密切联系。事实上，大多数机器学习方法都利用了数据的统计特性。此外，机器学习中使用的一些经典方法实际上是在统计学中发明的（例如线性或逻辑回归）。如今，统计学和机器学习的进步之间存在着持续的相互作用。 ML 还与信号和图像处理有着重要的联系，ML 技术在这些领域的许多应用中都很有效，信号/图像处理概念通常是设计或理解 ML 技术的关键。它还与数学的不同分支有各种联系，包括最优化和微分几何。此外，ML 方法设计的一些灵感来自于对生物认知系统的观察，因此与认知科学和神经科学有着联系。最后，数据科学这个术语已经变得很普遍，指的是使用统计和计算方法从数据中提取有意义的模式。在实践中，机器学习和数据科学共享许多概念、技术和工具。然而，数据科学更注重从数据中发现知识，而机器学习则侧重于解决任务。本章首先介绍了一些关于人工智能和机器学习的历史里程碑（第 2 节）。然后，它继续介绍 ML 的主要概念，这些概念是理解本书其他章节的基础。
机器学习的非技术介绍
人类易于执行而计算机难以完成的任务包括识别照片中的物体、面孔或动物，或者识别语音中的单词。另一方面，也有一些任务对计算机来说很容易，而对人类来说很难，比如处理大量数字或准确记忆大量文本。机器学习是过去几年取得最令人瞩目的成功的人工智能技术。然而，它并不是人工智能的唯一方法，还存在概念上不同的方法。机器学习也与其他科学领域有着密切的联系。首先，它与统计学有着明显的密切联系。事实上，大多数机器学习方法都利用了数据的统计特性。此外，机器学习中使用的一些经典方法实际上是在统计学中发明的（例如线性或逻辑回归）。如今，统计学和机器学习的进步之间存在着持续的相互作用。 ML 还与信号和图像处理有着重要的联系，ML 技术在这些领域的许多应用中都很有效，信号/图像处理概念通常是设计或理解 ML 技术的关键。它还与数学的不同分支有各种联系，包括最优化和微分几何。此外，ML 方法设计的一些灵感来自于对生物认知系统的观察，因此与认知科学和神经科学有着联系。最后，数据科学这个术语已经变得很普遍，指的是使用统计和计算方法从数据中提取有意义的模式。在实践中，机器学习和数据科学共享许多概念、技术和工具。然而，数据科学更注重从数据中发现知识，而机器学习则侧重于解决任务。本章首先介绍了一些关于人工智能和机器学习的历史里程碑（第 2 节）。然后，它继续介绍 ML 的主要概念，这些概念是理解本书其他章节的基础。
在杂种量子古典深度学习中的对抗性鲁棒性DGA检测
摘要：本文旨在为对抗性的防御研究差距做出贡献，这是广告讽刺机器学习（ML）攻击和防御的最新技术。更具体地，它有助于对对抗性示例攻击的人工智能（AI） / ML模型的鲁棒性进行度量测量，目前，这仍然是网络安全域中的一个空旷问题，并且在更大程度上是基于量子计算的AI / ML应用程序的更大程度的问题。我们提出了一种新的对抗性鲁棒性测量方法，该方法从量子ML ML模型实验的性能结果中测量统计特性（例如精度和t检验结果的平均值）。我们认为，我们提出的方法适合实现量子安全世界的实际使用，因为在当前嘈杂的中间尺度量子设备（NISQ）时代，量子噪声对于建模是复杂且具有挑战性的，因此使测量任务或基准测试变得复杂。我们的研究的第二个贡献是用于僵尸网络域生成算法（DGA）检测的新型硬化杂交量子量化深度学习（DL）模型，它采用了一种模型硬化的广告范围训练技术来减轻新型未知DGA对手，因为新的CyberAttarake从网络攻击中进行了新的CyberAttack，因此可以预期的是遇到网络武器竞赛。我们的分析表明，混合量子DL模型对对抗性示例攻击的脆弱性高达19％的平均准确性下降。我们还发现，硬化模型的优越性获得的平均准确性高达5.9％。此外，我们发现杂交量子型DL方法使抑制量子噪声对分类器性能的负面影响的好处。我们演示了如何应用我们提出的测量方法评估我们的新型混合量子DL模型，并强调了我们的模型与对抗性示例攻击的对抗性鲁棒性，这是我们研究对跨量子对抗机器学习的实际意义的证据。
通过两点相关的量子混乱表征...
我们如何表征量子混乱？在各种不同的方法中（参见参考文献1以进行审查），目前有两个不同的标准。第一个是能量谱的随机矩阵样的普遍性[2，3]：如果能量谱由高斯随机矩阵理论描述，则给定的量子系统是混乱的，我们只需用RMT表示[4-6]。第二个是对初始条件的敏感性：如果给定的量子系统在这个意义上是混乱的，如果它表现出指数级别的lyapunov的生长，则小扰动的小扰动生长，如超时阶 - 超顺序相关函数（OTOC）[7，8]。OTOC与Loschmidt回声密切相关，该回声也探测了混乱[9]。这些标准有几个不令人满意的特征。首先，目前尚不清楚这两个标准如何相关。第二，量子标准与经典混乱的特征的联系尚不清楚。可能会说，对初始条件的敏感性可以表征经典和量子混乱，但是局部量子系统存在问题。在古典理论中，最初的扰动可以任意地从数学意义上讲，并且指数级的增长可以永远继续下去。另一方面，在量子系统中，由于不确定性原理，扰动不能完全较小，并且局部量子系统通常不会显示指数级的增长，除非在特殊的限制下[10-14] [15]。因此，基于OTOC的早期生长的表征对通用局部量子系统不起作用。在上一篇论文[16]中，我们概括了上述单一混乱指数以定义量子lyapunov指数。基于Sachdev-Ye-Kitaev（SYK）模型和自旋链（XXZ）模型的计算，我们提出，Lyapunov指数如此定义的指数表现出普遍的行为：Lyapunov Spectrum Spectrum与RMT在系统中时同意RMT。量子混乱的这种表征避免了通用局部系统缺乏指数增长的问题，因为一个人只需要指数的统计特性，而不是其详细的增长为 -
使用经过训练以模仿大脑统计特性的神经网络来提高物体识别能力
目前最先进的物体识别算法——深度卷积神经网络 (DCNN)，灵感来自哺乳动物视觉系统的架构，在许多任务上能够达到人类水平的表现。在对 DCNN 进行物体识别任务训练时，已证明 DCNN 能够开发出与哺乳动物视觉系统中观察到的隐藏表征相似的隐藏表征 (Razavi 和 Kriegeskorte，2014 年；Yamins 和 Dicarlo，2016 年；Gu 和 van Gerven，2015 年；Mcclure 和 Kriegeskorte，2016 年)。此外，在物体识别任务上训练的 DCNN 是目前我们拥有的哺乳动物视觉系统的最佳模型之一。这让我们假设，教导 DCNN 实现更像大脑的表征可以提高其性能。为了测试这一点，我们在一个复合任务上训练了 DCNN，其中网络被训练为：(a) 对物体图像进行分类；同时 (b) 具有与猴子视觉皮层神经记录中观察到的中间表征相似的中间表征。与纯粹为对象分类而训练的 DCNN 相比，在复合任务上训练的 DCNN 具有更好的对象识别性能，并且对标签损坏的鲁棒性更强。有趣的是，我们发现这个过程不需要神经数据，但具有与神经数据相同统计特性的随机数据也会提高性能。虽然我们在复合任务上训练时观察到的性能提升与“纯”对象识别任务相比并不大，但它们非常稳健。值得注意的是，我们在研究的所有网络变体中都观察到了这些性能提升，包括：较小（CORNet-Z）与较大（VGG-16）架构；优化器的变化（Adam 与梯度下降）；激活函数的变化（ReLU 与 ELU）；以及网络初始化的变化。我们的结果证明了一种训练对象识别网络的新方法的潜在效用，使用大脑（或至少是其激活模式的统计特性）作为训练 DCNN 的教师信号的策略。© 2020 Elsevier Ltd. 保留所有权利。
蒙特卡洛模拟预测了智商高和低智商的个体中不同的实际脑电图模式
Monte Carlo simulations predict distinct real EEG patterns in individuals with high and low IQs Arturo Tozzi (corresponding author) Center for Nonlinear Science, Department of Physics, University of North Texas, Denton, Texas, USA 1155 Union Circle, #311427 Denton, TX 76203-5017 USA tozziarturo@libero.it ABSTRACT The neural mechanisms underlying individual differences in intelligence are神经科学的主要重点。我们研究了蒙特卡洛模拟在预测实际脑电图模式和识别智力高和低智力个人之间潜在的神经差异方面的有效性。EEG数据是从IQ分类的两组志愿者中收集的，即高IQ组和一个低IQ组。使用最大似然估计将单变量的正态分布拟合到每个EEG通道，然后根据估计参数生成合成数据集。统计分析在内，包括均方根误差（RMSE）计算评估了真实数据和模拟数据之间的比对。我们表明，蒙特卡洛模拟有效地复制了来自两个组的脑电图数据的统计特性，与实际的中心趋势，可变性和整体分布形状非常匹配。特定的脑电图通道，尤其是在额叶和颞两侧区域，两组之间表现出显着差异，指出了潜在的认知能力神经标记。此外，低IQ组表现出更高的可预测性和更一致的神经模式，这反映出较低的RMSE值和几个EEG通道之间的较小标准偏差。lu等。相反，高IQ组显示出更大的可变性和更大的RMSE值，反映了复杂的神经动力学，而复杂的神经动力学通过Monte Carlo Simulations不太可预测。我们的发现强调了蒙特卡洛模拟作为复制脑电图模式，识别认知差异并预测与智能水平相关的脑电图活动的强大工具的实用性。这些见解可以为有针对性认知增强的预测建模，神经认知研究，教育策略和临床干预提供信息。关键字：统计分析；奇怪的任务；合成数据集；脑电图通道。引言探索智力智能的神经机制一直是认知神经科学研究的主要重点。脑电图（EEG）提供了评估认知能力差异的独特见解，包括不同智能水平的个人之间的区别（Friedman等，2019）。具有高度分辨率，非侵入性脑电图评估了同步，复杂性和网络效率之间的相互作用（Van Dellen等，2015）。例如，较高的智商与减少的长距离脑电图信息流和增强的局部处理效率相关联，支持小世界模型（Thatcher等，2016）。额外区域的短脑段延误和增加的连贯性与较高的智力相关，强调了额叶同步的作用（Thatcher等，2005）。Microstate动力学的变化与液体智能及其在认知训练后的增强有关（Santarnecchi等，2017）。静止状态的脑电图研究进一步探索了与智能相关的差异，报告了更聪明的个体中alpha和beta频段中静态间的平衡（Jahidin等，2013）。此外，已经证明，智商与脑电图的能量有负相关，但与特定频率下的信息流强度呈正相关，这强调了效率在神经通信中的作用（Luo等，2021）。（2022）发现，流体智能较高的人会更灵活地分配注意力资源，尤其是在复杂的任务中，如Theta和Alpha EEG活动所反映的那样。在一起，这些发现强调了脑电图在评估智力机制中的实用性，从而揭示了神经效率，半球间协调和适应性资源分配的一致模式。相反，由于脑电图数据的固有可变性，高维度和对噪声的敏感性，对脑电图数据的分析提出了重大挑战（Hassani等，2015）。要应对这些挑战并增强我们建模和预测脑电图模式的能力，需要先进的统计和计算方法。蒙特卡洛模拟已在各种科学学科中广泛使用，为受可变性和不确定性影响的复杂系统建模提供了强大的框架（Metropolis和Ulam，1949； Rubinstein and Kroese，2016）。通过利用从观察到的数据得出的统计特性，蒙特卡洛模拟产生了可能反映现实世界行为的合成数据集（Salvadori等，2024； Jones and Fleming，2024）。一种蒙特卡洛方法可能特别适合脑电图数据，因为它允许研究人员探索和复制神经动力学，而无需大量的实验数据收集。蒙特卡洛方法已应用于神经科学中以模拟和分析
在NISQ时代量子处理器上对AKLT状态的高保真实现
许多现实世界中的问题需要从棘手的多维分布中取样。这些样本可以通过使用蒙特卡洛近似值来估计其统计特性来研究物理系统的行为。通过此类分配进行抽样一直是一个挑战，是通过扰动近似或马尔可夫链蒙特卡洛（MCMC）技术进行的[1]。如果变量强烈耦合并且没有小参数，则无法应用扰动近似，并且使用MCMC方法。为了确保通过MCMC方法生成的样品的渐近精确性，使用了大都市 - 危机算法（MH），该算法（MH）使用模型和目标密度，即使仅知道这些密度仅为比例性恒定，也可以应用。但是，MCMC技术具有其局限性，例如相关样本的产生，阶段过渡期间的临界减速以及较高的仿真成本。在过去的几年中，已经开发了几种基于学习的方法来从此类分布中进行采样。生成对抗网络（GAN）[2-4]和变异自动编码器（VAE）[5，6]在给定的目标分布的给定样本中学到的采样分布中表现出了显着的功效。vaes是近似密度模型，因为它们为样品提供了近似的密度值。gans生成样品，而没有明确估计样品的密度值；因此，它们也称为隐式密度模型。他们两个都不能保证样品的精确性。这些此外，由于它们没有提供精确的模型密度，因此不能使用MH等方法对其进行修改或偏低。另一方面，基于流量的生成模型，例如标准化流（NF）[7，8]明确对目标分布进行建模并提供精确的模型密度值。它们与MH一起用于保证样品的精确性。在物理应用中，人们对通过物理配置（例如，经典磁体的每种自旋的方向）对概率分布进行取样感兴趣，这些分布是通过物理模型进行参数的。这些物理模型取决于一组参数，在以下内容中称为C，例如温度t或耦合常数。例如，在ISING模型和XY模型中，系统的属性取决于温度和最接近的近纽布交换（或包括在内的其他邻居或环形交换）耦合常数。改变这些参数也可以通过相变驱动系统，该相变已通过机器学习技术进行了研究[9-17]。建模此类分布的一种方法是为每个外部参数的每个设置重新训练生成模型。为了研究系统的性质，需要样本来进行外部参数的不同设置。这会导致在不同的环境中反复训练该模型，从而增加培训成本。许多晶格理论已经使用标准化流[18-20]建模。建模此类分布的替代方法是训练以外部参数为条件的生成模型。