XiaoMi-AI文件搜索系统
World File Search System维空间
具有高空间的宽带高光谱图像传感器...
高光谱成像提供高维空间光谱信息，揭示了内在物质特征1 - 5。在这里，我们报告了具有高空间和时间分辨率的片上计算高光谱成像框架。通过在图像传感器芯片上整合不同的宽带调制材料，目标光谱信息是非均匀且本质上与每个像素上与明亮吞吐量的。使用智能重建算法，可以从每个帧中恢复多通道图像，从而实现实时高光谱成像。在这样的框架之后，我们第一次使用光刻志上制造了宽带Vis-nir（400-1700 nm）高光谱成像传感器，平均光通量为74.8％和96个波长通道。证明的分辨率为124 fps的1,024×1,024像素。我们证明了其广泛的应用，包括用于智能农业，血液氧和水质监测的叶绿素和糖定量，用于人类健康，Tex-Tile分类和工业自动化的苹果瘀伤检测以及用于天文学的远程月球检测。集成的高压图像传感器仅称重数十克，并且可以在各种资源有限的平台上组装，也可以配备了OB-the Shelf Optical Systems。该技术改变了高维的挑战
从大规模和多样的视频中学到的通用世界模型
世界模型通过在环境中提供代理商的预测性表示，并使代理商能够推理未来并做出更明智的决定，从而在基于模型的增强学习（RL）中起着至关重要的作用。但是，仍然存在两个主要问题，限制了世界模型的应用。首先，当前方法通常仅使用特定于域的数据来训练世界模型，这使得概括地看不见的情况或适应环境中的变化具有挑战性。第二，在使用野生视频中训练世界模型时，很难定义动作。在这项工作中，我们通过从不同规模和大型现实世界的视频数据集中学习通用世界模型来解决这两个问题，并提取了潜在的动作。具体来说，我们的方法利用预先训练的视觉编码器将两个相邻帧的图像投射到状态中；然后，根据向量量化，将潜在作用提取到低维空间中；最后，使用潜在动作学习了动态功能。结果表明，在野外视频数据集中测试时，提出的通用世界模型可以成功提取任意相邻帧的潜在动作。此外，在适应看不见的环境时，仅对少量域内数据进行微调可以显着提高通用世界模型的准确性。
EventHD：稳健而高效的超维学习......
在稳健性和能源效率方面，受大脑启发的计算模型已显示出超越当今深度学习解决方案的巨大潜力。特别是，超维计算 (HDC) 在实现高效和稳健的认知学习方面显示出了良好的效果。在这项工作中，我们利用 HDC 作为一种替代计算模型，模仿重要的大脑功能，实现高效和耐噪的神经形态计算。我们提出了 EventHD，这是一个基于 HDC 的端到端学习框架，用于从神经形态传感器进行稳健、高效的学习。我们首先引入一种空间和时间编码方案，将基于事件的神经形态数据映射到高维空间。然后，我们利用 HDC 数学来支持对编码数据的学习和认知任务，例如信息关联和记忆。EventHD 还为每个预测提供了置信度概念，从而能够从未标记的数据中进行自我学习。我们评估了 EventHD 对从动态视觉传感器 (DVS) 收集的数据的效率。我们的结果表明，EventHD 可以在原始 DVS 数据上进行操作时提供在线学习和认知支持，而无需使用昂贵的预处理步骤。在效率方面，EventHD 比最先进的学习算法快 14.2 倍，能效高 19.8 倍，同时将计算稳健性提高了 5.9 倍。
使用 NISQ 量子计算机对 (1 + 1) 场论进行实时 Trotter 演化的索引改进
摘要。当今的量子计算机提供了对高能物理激发的量子场论散射过程进行实时计算的可能性。为了遵循已建立的在欧几里得时间计算静态属性的成功路线图，开发新的算法来处理当前嘈杂的中尺度量子 (NISQ) 设备的局限性并建立使用不同设备取得的进展的定量指标至关重要。在本文中，我们报告了这些方向的最新进展。我们表明，Trotter 误差的非线性方面使我们能够采取比低阶分析建议的更大的步骤。这对于使用当今的 NISQ 技术达到物理相关的时间尺度至关重要。我们建议使用一个指数来平均准确计算的 Trotter 站点占用演化与 NISQ 机器上的实际测量值之间的差异的绝对值 (G 指数) 作为衡量标准，以比较从不同硬件平台获得的结果。我们使用具有四个站点的一维空间横向 Ising 模型，将此度量应用于多个硬件平台。我们研究了包括读出缓解和 Richardson 外推在内的结果，并表明基于对 Trotter 步长修改的分析，缓解测量非常有效。我们讨论了 Trotter 步长程序中的这一进步如何改善量子计算物理散射结果，以及如何将这一技术进步应用于其他机器和噪声缓解方法。
通过多元回归分析方法（MRAA）
摘要储层计算（RC）首先应用于时间信号处理，是一个复发性神经网络，在该神经元中随机连接。初始化后，连接强度保持不变。如此简单的结构将RC变成了一个非线性动力学系统，该系统将低维输入映射到高维空间。模型的丰富动态，线性可分离性和内存能力，然后启用简单的线性读数，以生成各种应用程序的适当响应。rc跨越了远远超出机器学习的区域，因为已经证明复杂的动态可以在各种物理硬件实现和生物设备中实现。这会产生更大的灵活性和较短的计算时间。此外，模型的动力学触发的神经元反应揭示了理解大脑机制，这些机制也利用了相似的动力学过程。尽管有关RC的文献却很庞大且分散，但在这里，我们对RC的最新发展进行了统一的评论，从机器学习到物理学，生物学和神经科学。我们首先回顾了早期的RC模型，然后调查最先进的模型及其应用。我们进一步介绍了RC对大脑机制建模的研究。最后，我们提供了有关RC开发的新观点，包括储层设计，编码框架统一，物理RC实现以及RC，认知神经科学和进化之间的相互作用。
GrapHD：基于图的超维记忆，用于类似大脑的认知学习
记忆是一项基本功能，它使当今的机器学习算法能够为每个预测提供高质量的学习和推理。记忆为算法提供了先验知识，以保持上下文并确定其决策的信心。不幸的是，现有的深度学习算法对记忆的概念很弱且不透明。大脑启发的超维计算 (HDC) 被引入作为人类记忆的模型。因此，它通过使用计算上可处理且在描述人类认知方面数学严谨的向量来模仿大脑记忆的几个重要功能。在本文中，我们介绍了一个大脑启发系统，该系统表示关系图上的 HDC 记忆能力。我们提出了 GrapHD，即表示高维空间中基于图的信息的超维记忆。GrapHD 定义了一种表示复杂图结构的编码方法，同时支持加权和非加权图。我们的编码器将所有节点和边的信息分散到完整的整体表示中，以便没有一个组件比另一个组件更负责存储任何信息。然后，GrapHD 在编码记忆图上定义了几个重要的认知功能。这些操作包括记忆重建、信息检索、图匹配和最短路径。我们的广泛评估表明，GrapHD：(1) 通过为学习算法提供短期/长期记忆的概念，显著提高了学习能力；(2) 支持基于记忆图的认知计算和推理；(3) 支持全息类脑计算，对噪声和故障具有很强的鲁棒性。
用于自动编码器的可扩展变分量子电路 - ...
摘要 — 药物分子的从头设计被认为是一个耗时且昂贵的过程，并且计算方法已应用于药物发现流程的每个阶段。变分自动编码器是一种计算机辅助设计方法，它基于现有的分子数据集探索化学空间。量子机器学习已成为一种非典型学习方法，由于其强大的表达能力，可能会加速一些经典学习任务。然而，近期的量子计算机受到量子比特数量有限的困扰，这阻碍了高维空间中的表示学习。我们提出了一种可扩展的量子生成自动编码器（SQ-VAE），用于同时重建和采样药物分子，以及相应的原始变体（SQ-AE）以实现更好的重建。提出了混合量子经典网络中的架构策略，例如可调量子层深度、异构学习率和修补量子电路，以学习高维数据集，例如配体靶向药物。在选择合适的架构策略后，针对 8x8 和 32x32 等不同维度报告了大量实验结果。在所有实验中，将量子生成自动编码器的性能与相应的经典自动编码器进行了比较。结果表明，归一化的低维分子可以获得量子计算优势，并且量子生成自动编码器生成的高维分子在相同的学习期内具有更好的药物特性。索引术语 — 量子机器学习、变分自动编码器、药物发现
基于机器学习的预测雷诺的翼型空气动力系数
摘要。本研究研究了各种机器学习（ML）算法在预测两个关键空气动力系数的应用，即最大升力系数（𝐶𝐶）和最小阻力系数（𝐶𝑑），对于任何给定的雷诺数，风力涡轮机翼型。我们建议使用聚类技术对类似的机翼形状进行分组，并使用创建的分区来预测使用它们相似性的看不见的机翼属性。在这里，我们还代表了Parsec低维空间中的机翼，而不是高维翼型点空间，以弥补少量训练数据。为此，创建了一个扩展的实验机翼数据库，并用于基于五种不同ML算法的培训模型。我们观察到决策树集合（DTE），随机森林（RF）和多层感知器（MLP）模型成为𝐶𝐶𝑙和𝐶𝑑𝑑𝑚𝑖𝑛𝑑𝑑𝑑𝑑𝑑𝑚𝑖𝑛𝑑𝑚𝑎𝑥𝑚𝑖𝑛𝑙的最有效预测指标。在培训数据库中未包含的三个其他机翼案例上测试这两个ML模型表明，𝐶𝐶𝑙𝑙𝑙𝑙𝑙预测性能通常是合理的，错误级别的平均值约为5％。相比之下，𝐶𝑑的预测误差水平通常更高，平均约为15％。
峰值超维网络：与内存启发的框架集成的神经形态模型
最近，从鲁棒性和能量效率方面，受到脑启发的计算模型表现出巨大的潜力，可以超越当今的深度学习解决方案。尤其是，尖峰神经网络（SNN）和高维计算（HDC）在实现了有效和鲁棒的认知学习方面表现出了令人鼓舞的结果。尽管取得了成功，但这两个受大脑启发的模型具有不同的优势。SNN模仿了人脑的物理特性，而HDC则以更抽象和功能水平对大脑进行建模。他们的设计理念展示了激励其组合的互补模式。在记忆的经典心理模型的帮助下，我们提出了SpikeHD，这是第一个从根本上结合尖峰神经网络和超维计算的框架。SpikeHD生成了一个可扩展且强大的认知学习系统，可以更好地模仿大脑功能。SpikeHD通过保留基于原始事件的Spike数据的空间和时间相关性来利用尖峰神经网络提取低级特征。然后，它利用HDC通过将信号映射到高维空间，学习抽象信息并对数据进行分类来通过SNN输出进行操作。我们对一组基准测试问题的广泛评估表明，与SNN架构相比，SpikeHD提供了以下好处：（1）通过利用两阶段信息处理来增强学习能力，（2）使噪声和失败的实质性稳健性和（3）减少网络的大小和需求的参数，从而使学习能力具有重要的功能。
在嵌入空间中进行基因集分析的最佳匹配方法
嵌入方法已成为一种有价值的方法，用于将基本信息从复杂的高维数据提炼成更容易访问的低维空间。嵌入方法在生物数据中的应用表明，基因嵌入可以有效地捕获基因之间的物理，结构和功能关系。但是，该实用程序主要是通过使用基因嵌入来实现下游机器学习任务来实现的。直接检查嵌入的嵌入，尤其是对嵌入空间中基因集的分析所做的少得多。在这里，我们提出了一种用于网络数据嵌入和相似性（Andes）的算法，这是一种新型最佳匹配方法，可以与现有基因嵌入式使用，以比较基因集，同时调解基因集多样性。这种直观的方法对改善各种任务的嵌入空间的实用性具有重要的下游含义。具体而言，我们展示了安第斯山脉应用于编码蛋白质相互作用的不同基因嵌入时，可以用作一种新型的过度反应和基于等级的基因集合富集分析方法，以实现最新的性能。此外，安第斯山脉可以使用多生物联合基因嵌入来促进跨生物体的功能知识转移，从而允许跨模型系统映射表型。我们的灵活，直截了当的最佳匹配方法可以扩展到设定元素之间具有不同社区结构的其他嵌入空间。