XiaoMi-AI文件搜索系统
World File Search System脑化
量子回路设计における最适化问题
（1）（Kokuken）日本科学技术局研究与发展战略中心，“战略建议：每个人的量子计算机”，2018年。 https：// wwwjst.go.jp/crds/pdf/2018/sp/crds-fy2018-sp-04.pdf（2）p.w.Shor，“用于量子计算的算法：离散日志和保理”，Proc第35届IEEE计算机科学序言研讨会，第124-134页，1994年。（3）L.K.Grover，“用于数据库搜索的快速量子机械算法”，第28 ACM计算理论座谈会论文集，第212-219页，1996年。（4）N。Kunihiro，“代理量计算机的计算时间的精确分析”，IEice Trans基础，第88-A卷，第105–111页，2005年。（5）M.A。nielsen和I.L.chuang，量子计算和量子信息，剑桥大学出版社，2000年。（6）A。Peruzzo，J。McClean，P。Shadbolt，M.-H周，P.J。Love，A。Aspuru-Guzik和J.L.O'Brien，“光子量子处理器上的变异特征值求解器”，《自然通信》，第5卷，第1期，2014年7月，第4213页（7）to奥利T.可逆计算，在：de bakker J.，van leeuwen J.（eds）自动机，语言和程序 - iCalp 1980，计算机Sci-Ence中的讲义，第85卷，Springer，柏林（8）Arxiv e-Prints，Quant-PH/9902 062，1999年2月。（9）K。Iwama，S。Yamashita和Y. Kambayashi，“设计基于CNOT的量子CUITS的跨形成规则”，设计自动化会议，第419-429-2002页，2002年。（10）Z. Sasanian和D.M.（12）M。Soeken，M。Roetteler，N。Wiebe和G.D. Micheli，“基于LUT的层次可逆逻辑Synthe-Sis”，IEEE TransMiller，“可逆和Quan-Tum电路优化：一种功能性方法”，《可使用的计算》第4个国际研讨会（RC 2012），第112-124页，2013年。（（11）A。Mishchenko和M. Perkowski，“快速的启发式启发式最小化 - 独家及产品或产品”，第五届国际式Reed-Muller Workshop，pp.242–250，2001。计算。集成。电路系统，第38卷，第9期，第1675–1688页，2019年。（（13）E。Souma和S. Yamashita，“同时分解许多MPMCT大门时，减少T计数”，第50届国际多重逻辑国际研讨会（IS- MVL 2020），第22-22-27页，11月2020年，（（14）X. Zhou，D.W。 Leung和I.L.Chuang，“量子逻辑门结构的方法论”，物理。 修订版 A，第62卷，052316，2000年10月。 （（15）A。Barenco，C.H。 Bennett，R。Cleve，D.P。 Divincenzo，Chuang，“量子逻辑门结构的方法论”，物理。修订版A，第62卷，052316，2000年10月。（（15）A。Barenco，C.H。Bennett，R。Cleve，D.P。 Divincenzo，Bennett，R。Cleve，D.P。Divincenzo，
专题前言：脑科学的物理电子学...
DOI: 10.7498/aps.71.140101 类脑计算技术作为一种脑启发的新型计算技术 , 具有存算一体、事件驱动、模拟并行等特征 , 为 智能化时代开发高效的计算硬件提供了技术参考 , 有望解决当前人工智能硬件在能耗和算力方面的 “ 不可持续发展 ” 问题 . 硬件模拟神经元和突触功能是发展类脑计算技术的核心 , 而支持这一切实现 的基础是器件以及器件中的物理电子学 . 根据类脑单元实现的物理基础 , 当前类脑芯片主要可以分 为数字 CMOS 型、数模混合 CMOS 型以及新原理器件型三大类 . IBM 的 TrueNorth 、 Intel 的 Loihi 、清华大学的 Tianjic 以及浙江大学的 Darwin 等都是数字 CMOS 型类脑芯片的典型代表 , 旨 在以逻辑门电路仿真实现生物单元的行为 . 数模混合型的基本思想是利用亚阈值模拟电路模拟生物 神经单元的特性 , 最早由 Carver Mead 提出 , 其成功案例有苏黎世的 ROLLs 、斯坦福的 Neurogrid 等 . 以上两种类型的类脑芯片虽然实现方式上有所不同 , 但共同之处在于都是利用了硅基晶体管的 物理特性 . 此外 , 以忆阻器为代表的新原理器件为构建非硅基类脑芯片提供了新的物理基础 . 它们 在工作过程中引入了离子动力学特性 , 从结构和工作机制上与生物单元都具有很高的相似性 , 近年 来受到国内外产业界和学术界的广泛关注 . 鉴于硅基工艺比较成熟 , 当前硅基物理特性是类脑芯片 实现的主要基础 . 忆阻器等新原理器件的类脑计算技术尚处于前沿探索和开拓阶段 , 还需要更成熟 的制备技术、更完善的系统框架和电路设计以及更高效的算法等 .
平衡 RNN 中的记忆与泛化以实现高性能脑机接口
脑机接口 (BMI) 可以恢复瘫痪患者的运动功能，但目前受限于实时解码算法的准确性。使用现代训练技术的循环神经网络 (RNN) 在根据神经信号准确预测运动方面已显示出良好的前景，但尚未在闭环设置中与其他解码算法进行严格评估。在这里，我们将 RNN 与其他神经网络架构进行了比较，使用来自非人类灵长类动物的皮层内信号对手指运动进行实时连续解码。在一指和两指在线任务中，LSTM（一种 RNN）的表现优于卷积和基于 Transformer 的神经网络，平均吞吐量比卷积网络高 18%。在运动集减少的简化任务中，RNN 解码器被允许记住运动模式并匹配健全人的控制。随着不同运动数量的增加，性能逐渐下降，但并没有低于完全连续的解码器性能。最后，在双指任务中，其中一个自由度的输入信号较差，我们使用经过训练的 RNN 恢复了功能控制，这些 RNN 既可以充当运动分类器，也可以充当连续解码器。我们的结果表明，RNN 可以通过学习和生成准确的运动模式来实现功能性实时 BMI 控制。
基于原型的独立于主体的脑机接口领域泛化框架
摘要 — 由于脑电图 (EEG) 的受试者间/受试者内变异性，脑机接口 (BCI) 在实践中难以使用。通常，BCI 系统需要一种校准技术来获取受试者/会话特定数据，以便在每次使用系统时调整模型。这个问题被认为是 BCI 的一个主要障碍，最近出现了一种基于领域泛化的新策略来解决它。鉴于此，我们专注于开发一个 EEG 分类框架，该框架可以直接应用于来自未知域（即受试者）的数据，仅使用先前从不同受试者获得的数据。为此，在本文中，我们提出了一个框架，该框架采用开放集识别技术作为辅助任务，从源数据集中学习特定于主题的风格特征，同时帮助共享特征提取器将看不见的目标数据集的特征映射为新的看不见的域。我们的目标是在同一域中施加跨实例样式不变性，并降低潜在未见主体的开放空间风险，以提高共享特征提取器的泛化能力。我们的实验表明，使用域信息作为辅助网络可以提高泛化性能。临床相关性——本研究提出了一种提高独立于主体的 BCI 系统性能的策略。我们的框架可以帮助减少进一步校准的需要，并可用于一系列心理状态监测任务（例如神经反馈、癫痫发作的识别和睡眠障碍）。
MuBiNN：用于脑电信号分类的多层二值化循环神经网络
监测人脑活动对于了解大脑功能、预防精神疾病和改善生活质量具有巨大潜力。为此，EEG 系统必须从当今临床实践中经常使用的有线、固定和笨重的系统转变为提供高信号质量的智能可穿戴、无线和舒适的生活方式解决方案。可穿戴设备上的连续监测要求自动 EEG 分类算法既准确又轻量。这是我们在本文中的主要关注点。请注意，可穿戴设备的处理器很小且有限，与台式机和服务器处理器相比要慢得多。许多以前的算法都是基于经典信号处理技术 [1][2]。由于 EEG 信号特征在不同情况下和不同人之间存在显著差异，因此此类算法中使用的固定特征不足以准确区分所有人的不同类型的疾病。为了自动提取特征并提高脑信号分类准确性，最近提出了基于深度学习的算法，包括深度卷积神经网络 (CNN) 和循环神经网络 (RNN) [3][4]。用于序列学习的最流行和最有效的 RNN 模型之一是长短期记忆 (LSTM) [5]。LSTM 旨在对长程依赖关系进行建模，而 RNN 的记忆备份起着重要作用，因此它们比传统的 RNN 更准确、更有效。本文重点介绍基于 LSTM 循环神经网络的 EEG 分类算法。所提出的方法采用 RNN，因为 EEG 波形自然适合用这种类型的神经网络进行处理。与其他类型的神经网络相比，RNN 可以更有效地捕获序列数据中的时间依赖关系。然而，高分类准确率的代价是
平衡 RNN 中的记忆与泛化以实现高性能脑机接口
脑机接口 (BMI) 可以恢复瘫痪患者的运动功能，但目前受限于实时解码算法的准确性。使用现代训练技术的循环神经网络 (RNN) 在根据神经信号准确预测运动方面已显示出良好的前景，但尚未在闭环设置中与其他解码算法进行严格评估。在这里，我们将 RNN 与其他神经网络架构进行了比较，使用来自非人类灵长类动物的皮层内信号对手指运动进行实时连续解码。在一指和两指在线任务中，LSTM（一种 RNN）的表现优于卷积和基于 Transformer 的神经网络，平均吞吐量比卷积网络高 18%。在运动集减少的简化任务中，RNN 解码器被允许记住运动模式并匹配健全人的控制。随着不同运动数量的增加，性能逐渐下降，但并没有低于完全连续的解码器性能。最后，在双指任务中，其中一个自由度的输入信号较差，我们使用经过训练的 RNN 恢复了功能控制，这些 RNN 既可以充当运动分类器，也可以充当连续解码器。我们的结果表明，RNN 可以通过学习和生成准确的运动模式来实现功能性实时 BMI 控制。
补充材料脑脑内脑内...
图S10。 建立用于研究缺血性中风的永久性脑动脉闭塞（PMCAO）模型。 PMCAO手术程序。 CCA，ICA和ECA暴露了，将硅细丝插入CCA和ICA直到到达MCA（有关详细信息的材料和方法）。 用biorender.com创建的数字。 b TTC染色大脑的代表性照片。 白色区域代表PMCAO的梗塞区域。 PMCAO后1、3和6小时，缺血性大脑中SIRT1的mRNA表达水平。 数据表示为折叠变化，相对于假手术组在归一化为GAPDH之后。 误差条表示平均值±S.D. （n = 3）（每组n = 10只小鼠， * p <0.05，*** p <0.001对假手术）。 缩写：CCA，常见的颈动脉； ICA，颈内动脉； ECA，外部颈动脉； MCA，中大脑中动脉； TTC，2,3,5-三苯基四唑氯化物。图S10。建立用于研究缺血性中风的永久性脑动脉闭塞（PMCAO）模型。PMCAO手术程序。CCA，ICA和ECA暴露了，将硅细丝插入CCA和ICA直到到达MCA（有关详细信息的材料和方法）。用biorender.com创建的数字。b TTC染色大脑的代表性照片。白色区域代表PMCAO的梗塞区域。PMCAO后1、3和6小时，缺血性大脑中SIRT1的mRNA表达水平。数据表示为折叠变化，相对于假手术组在归一化为GAPDH之后。误差条表示平均值±S.D.（n = 3）（每组n = 10只小鼠， * p <0.05，*** p <0.001对假手术）。缩写：CCA，常见的颈动脉； ICA，颈内动脉； ECA，外部颈动脉； MCA，中大脑中动脉； TTC，2,3,5-三苯基四唑氯化物。