XiaoMi-AI文件搜索系统
World File Search System脉冲序列
使用循环脉冲神经网络从皮质脉冲序列解码手指速度
摘要 — 侵入式皮质脑机接口 (BMI) 可以显著改善运动障碍患者的生活质量。尽管如此，外部安装的基座存在感染风险，因此需要完全植入的系统。然而，这样的系统必须满足严格的延迟和能量限制，同时提供可靠的解码性能。虽然循环脉冲神经网络 (RSNN) 非常适合在神经形态硬件上进行超低功耗、低延迟处理，但它们是否满足上述要求尚不清楚。为了解决这个问题，我们训练了 RSNN 来解码两只猕猴的皮质脉冲序列 (CST) 中的手指速度。首先，我们发现大型 RSNN 模型在解码精度方面优于现有的前馈脉冲神经网络 (SNN) 和人工神经网络 (ANN)。接下来，我们开发了一个微型 RSNN，它具有较小的内存占用、较低的发放率和稀疏连接。尽管计算要求降低了，但生成的模型的性能明显优于现有的 SNN 和 ANN 解码器。因此，我们的结果表明，RSNN 在资源受限的情况下提供了具有竞争力的 CST 解码性能，并且是完全植入式超低功耗 BMI 的有希望的候选者，具有彻底改变患者护理的潜力。索引术语 — 脉冲神经网络、脑机接口、皮质脉冲序列解码、神经形态硬件
具有最小脉冲序列的双量子比特量子门
通过使用彼此距离很近的捕获原子，我们表明，可以使用每个量子比特一个脉冲或一个结构化脉冲来实现基于非独立量子比特的纠缠门。最佳参数取决于丢番图方程的近似解，导致保真度永远不会完全为 1，即使在理想条件下也是如此，尽管可以以更强的场为代价将误差任意减小。我们充分描述了门的运行机制，并研究了激光束中的热运动和强度波动对门的不同物理实现的影响。如果我们不使用一个脉冲，而是使用两个脉冲序列来控制系统，那么就可以实现多种机制，人们可以从广泛的值中选择最佳参数来实现高保真度门，从而更好地抵御激光强度波动的影响。