XiaoMi-AI文件搜索系统
World File Search System维空间
用于水库计算的多个读数的集成学习
储存器计算 (RC) [1, 2] 是一种循环神经网络，近年来因其训练成本低、可通过专用电路 [3, 4] 和物理 RC [5, 6] 在硬件上实现而备受关注。RC 由储存器部分和读出部分组成，储存器部分接收时间序列输入并将其非线性转换为高维空间以表示输入的时空模式，读出部分从储存器部分拾取一些模式来分析输入并生成输出。RC 的主要优势是除读出部分之外的权重连接都是固定的。因此，与深度神经网络相比，其训练所需的数据量更少，计算成本更低。因此，RC 适用于计算资源有限且无需云计算即可执行训练的边缘 AI 系统。 RC 的读出大多由线性模型（单层感知器）实现，因此，读出的适应训练数据的能力有限。为了增强 RC 的训练能力，我们提出了一个具有多个读出的 RC 模型，该模型将一个读出的训练分散，以便每个读出可以专注于特定类型的训练数据。该方法可以看作是一种集成学习，用于增强 RC 泛化性能。简单地增加读出的数量对于边缘 AI 系统来说是低效的，因为它会消耗系统中有限的内存资源。本研究引入了一种自组织函数，它能够使用
何斌 博士
何斌的主要研究兴趣包括电生理神经成像、脑机接口和神经调节。他在系统层面上为神经工程领域做出了开创性的原创贡献，旨在加深我们对大脑的理解，并通过工程创新来管理神经系统疾病。他的创新有助于将脑电图 (EEG) 从一维传感技术转变为现代三维动态功能性脑成像模式，用于映射和成像时空脑活动和功能连接。这项工作对更好地了解大脑功能和功能障碍以及降低医疗成本具有重大影响。他在基于 EEG 的脑机接口方面的工作取得了重大进展。他的团队是第一个让人类驾驶无人机的人，也是第一个控制机械臂在三维空间中连续移动、伸手和抓握物体的人，仅使用从非侵入性脑电图中解码的“思想”。这项工作大大提高了非侵入性脑机接口的功能和应用。他的研究小组还创新了具有高空间分辨率的组织电特性磁声成像和经颅聚焦超声神经调节，以空间精度和深脑穿透对中枢神经系统信息进行编码。他的研究对神经成像、神经接口和神经调节在治疗神经系统疾病方面具有直接影响——神经系统疾病是导致残疾的主要原因和第二大死亡原因。
使用机器学习增强脑电信号分类和
本文提出了一种基于脑电图的大脑语言信号分类的更好解决方案，它使用机器学习和优化算法。该项目旨在通过实现更高的准确性和速度来取代语言处理任务中的脑信号分类。本研究使用改进的离散小波变换 (DWT) 进行特征提取，通过将脑电图信号分解为显著的频率分量，提高了适当捕获信号特征的能力。应用灰狼优化 (GWO) 算法方法来改进结果并选择最佳特征，通过选择具有最大相关性的有影响力的特征同时最小化冗余，获得更准确的结果。这种优化过程总体上提高了分类模型的性能。在分类的情况下，提出了支持向量机 (SVM) 和神经网络 (NN) 混合模型。这结合了 SVM 分类器在高维空间中管理函数的能力，以及神经网络利用其特征进行非线性学习（模式学习）的能力。该模型在脑电图数据集上进行了训练和测试，分类准确率为 97%，表明我们的方法的稳健性和有效性。结果表明，这种改进的分类器可用于脑机接口系统和神经系统评估。机器学习和优化技术的结合已确立了这一范式，成为进一步研究脑语言识别脑电信号处理的一种高效方法。
优化移动边缘智能系统中的 AI 服务布局和资源分配
摘要 — 利用移动边缘计算 (MEC) 的最新进展，边缘智能已成为支持网络边缘移动人工智能 (AI) 应用的有前途的范例。在本文中，我们考虑了多用户 MEC 系统中的 AI 服务放置问题，其中接入点 (AP) 将最新的 AI 程序放置在用户设备上以在用户端启用本地计算/任务执行。为了充分利用严格的无线频谱和边缘计算资源，仅当在用户处启用本地计算可获得更好的系统性能时，AP 才会将 AI 服务程序发送给用户。我们制定了一个混合整数非线性规划 (MINLP) 问题，通过联合优化服务放置（即哪些用户接收程序）和资源分配（在本地 CPU 频率、上行链路带宽和边缘 CPU 频率上），以最小化所有用户的总计算时间和能耗。为了解决 MINLP 问题，我们推导出解析表达式来以低复杂度计算最佳资源分配决策。这样，我们可以通过基于搜索的算法（例如元启发式或贪婪搜索算法）有效地获得最佳服务放置解决方案。为了提高算法在大型网络中的可扩展性，我们进一步提出了一种基于 ADMM（交替方向乘数法）的方法，将优化问题分解为可并行处理的 MINLP 子问题。ADMM 方法消除了在高维空间中搜索服务放置决策的需要，因此具有较低的计算复杂度，并且随着用户数量的增加而线性增长。仿真结果表明，所提出的算法的性能非常接近最优值，并且明显优于其他代表性基准算法。
使用高维计算的鲁棒聚类
摘要 - 本文介绍了超维计算（HDC）域中数据的聚类。在先前的工作中，已经提出了一个基于HDC的聚类框架，称为HDCluster。但是，现有的HDCluster的性能并不强大。在初始化步骤中随机选择簇的高量向量，HDCluster的性能被降解。为了克服这种瓶颈，我们通过探索编码数据的相似性（称为查询过量向量，分配了初始群集过度向量。组内过度向量的相似性比组间高向量具有更高的相似性。利用查询过量向量之间的相似性结果，本文提出了四种基于HDC的聚类算法：基于相似性的K-均值，相等的Bin宽度直方图，相等的BIN高度直方图和基于相似性的亲和力传播。实验结果说明：（i）与现有的HDCluster相比，我们提出的基于HDC的聚类算法可以实现更好的准确性，更健壮的性能，更少的迭代和更少的执行时间。基于相似性的亲和力提出优于八个数据集上的其他三种基于HDC的聚类算法，而聚类准确性则高于2％约38％。（ii）即使对于一通聚类，即没有群集高量向量的任何迭代更新，我们提出的算法也可以提供比HDClter更强大的聚类精度。（iii）在八个数据集上，当八分之一的数据集投影到高维空间上时，八分之一可以达到更高或可比的精度。传统聚类比HDC更可取，当时簇数k的数量很大。
访问光博士的高维信息......
获取光/光子携带的信息对于信息科学的基础研究以及量子和经典层面的许多光应用都至关重要。在本次演讲中，我将首先介绍一系列直接断层扫描协议，这些协议可以表征各种类型的结构光或高维光子状态。首先，我们展示了一些用于 OAM 状态、拉盖尔-高斯模式和厄米-高斯模式的高性能模式分类器。然后，我们介绍一些无扫描直接断层扫描协议，这些协议可以测量高维空间模式、空间矢量模式和部分相干模式（混合状态）。这些直接断层扫描方法将读数直接与描述要测量的量子系统的复值状态向量或其他量相关联，因此可以显著降低高维状态断层扫描程序的复杂性。此外，我们表明可以设计断层扫描协议，以便可以在单个实验装置中获取描述光子状态所需的所有信息，而无需任何扫描。这对于量子和经典光子状态的实时计量尤其有趣。在工作的第二部分，我将介绍一些关于湍流环境中稳健的高信息容量光通信协议的最新工作。我将展示一种基于湍流弹性矢量光束的通信方案以及一种基于相位共轭的方案，以通过 340m 自由空间链路实现使用 OAM 模式的低串扰通信。最后，我还将介绍一种矢量相位共轭方案，该方案可通过 1 公里的多模光纤实现 210 空间模式通信。这些实现可以导致在现实环境中实际开展高维光通信。
幼儿园量子力学毕业生
本文是2005年讲义的“精神儿童”幼儿园量子机械[23]，它展示了dorac符号的简单，绘画扩展如何允许轻松地表达和衍生几个量子特征，即使是幼儿园也可以理解的语言。的核心是使用图片和图形转换规则来理解和得出量子理论和计算的特征。但是，这种方法让许多人想知道“牛肉在哪里？”换句话说，这是这种新的能力能够产生新的结果，还是仅仅是一种美学上令人愉悦的方法来重述我们已经知道的？这篇续集论文的目的是说‘这是牛肉！'，并突出了幼儿园量子力学中主张的方法的一些主要结果，以及如何应用它们来解决实际量子计算机上的实际问题。为此，我们将主要关注已成为绘画形式主义的瑞士军刀：ZX-Calculus，这是一种图形工具，用于代表和操纵2 n维空间上的复杂线性图。首先，我们查看ZX-Calculus背后的一些想法，将其与通常的量子电路形式主义进行了比较。We then survey results from the past 2 years falling into three categories: (1) completeness of the rules of the ZX-calculus, (2) state-of-the-art quantum circuit optimisation results in commercial and open-source quantum compilers relying on ZX, and (3) the use of ZX in translating real- world stufflike natural language into quantum circuits that can be run on today's (very limited) quantum hardware.我们还从字面上获得标题，并概述了一个持续的实验，以表明ZX-Calculus使儿童能够进行尖端的量子计算。如果有的话，这将真正确认“幼儿园量子力学”不仅仅是在开玩笑。
视觉刺激背景亮度对引发稳态视觉诱发电位的影响
归因于脑电图（EEG）信号的信噪比差（SNR）[3]。可以通过增加信号水平和/或降低噪声水平来改善SSVEP信号的SNR。研究人员在改善SSVEP的SNR并提高BCI性能方面取得了长足的进步。首先，研究人员通过应用高级信号处理方法改善了SNR。例如，在当前的BCI系统中广泛使用试验平均，以改善脑电图分析中的SNR [3]。空间过滤已用于将多通道脑电图数据投射到低维空间空间中，以消除任务 - 无关的组件并改善与任务相关的EEG信号的SNR [4]。对于SSVEP，规范相关分析（CCA）方法可以最大程度地提高SSVEP的检测频率[5，6]。独立的组件分析是另一种空间滤波方法，通过将与任务相关的脑电图组件与任务 - iRrelevant eeg和人为成分分开，从而增强了脑电图信号的SNR [7，8]。第二，研究人员设计了实验以获得增强的与任务相关的脑电图信号并改善SNR。例如，在有效的基于SSVEP的BCI中，与使用Checkerboard刺激获得的刺激相比，使用情感人脸的视觉刺激大大提高了SSVEP信号的振幅[9]。第三，一些研究人员调整了视觉刺激亮度的参数，以调节SSVEP响应的幅度，从而改善了SSVEP的SNR [10-12]。例如，相关研究表明，亮度对比信息对于形式，运动和深度的感知至关重要[13，14]。亮度对比或“调制深度”定义为最大亮度的比率减去最小亮度与最大亮度以及
图像字幕生成方法
快速浏览的图像。尽管在计算机视觉中已经进行了巨大的发展，但诸如识别对象，动作分类，图像分类，属性分类和场景识别之类的任务是可能的，但是让计算机描述以类似人类句子的形式向其转发到它的图像是一个相对较新的任务。2。文献回顾了Andrej Karpathy等人的有影响力论文之一。在图像字幕中将任务划分为两个步骤：将句子段映射到图像中的视觉区域，然后使用这些通信来生成新的描述（Karpathy and Fei-Fei 2015）。作者使用区域卷积神经网络（RCNN）表示图像作为一组H维矢量，每个向量代表图像中的对象，基于200个Imagenet类检测到。作者在同一h维空间中的双向复发神经网络（BRNN）代表句子。每个句子是一组H维向量，代表片段或单词。BRNN的使用丰富了此表示，因为它学习了句子中每个单词上下文的知识。作者发现，有了这样的表示，单词的最终表示与与同一概念相关的视觉区域的表示密切一致。他们在单词和视觉区域的表示形式上定义了对齐得分，并在马尔可夫随机字段的帮助下，将各种单词与生成文本片段的同一区域对齐。借助图像区域和文本片段之间的这些对应关系，作者训练了另一个为新看不见的图像生成文本说明的模型（Karpathy and Fei-Fei 2015）。
量子力学：保持真实吗？
众所周知，埃尔温·薛定谔在发现量子理论时，曾想将量子波函数ψ解释为表示电荷在三维空间中传播的连续分布。但人们不太了解的是，薛定谔最初也希望他的波函数用实值函数而不是复值函数来表示。在关于量子理论的一些早期论文以及写给亨德里克·洛伦兹和马克斯·普朗克的信中，薛定谔描述了他寻找实值波动方程的进展和挣扎，尽管他知道以他的名字命名的复值方程。最终，他发现了一个完全实的方程，等同于薛定谔方程，并将其称为“标量场ψ的均匀和一般波动方程”（2020，163）。在普朗克看来，他把这一突破描述为“闻所未闻的简单和闻所未闻的美”（Przibram 1967，16）。本文是探索这种形式的薛定谔方程的一种广告。假设我们将这个实方程视为量子理论的另一种表述，比如海森堡表述，甚至视为提供一种不同的本体论，将波函数的实部与 JS Bell 2004 所称的可视对象联系起来。我们是否会以不同的方式看待一些未解决的问题，又会出现什么新问题？在概述历史和一些背景之后，我将说明如何使用这种替代形式来理解量子基础中的问题。受 Struyve 2020 的最新论文的启发，我将展示“实薛定谔方程”如何极大地改变量子理论中关于时间反转不变性的难题。我希望读者能找到其他类似的例子，其中“保持真实”可以有所帮助。