XiaoMi-AI文件搜索系统
World File Search System表达能力
大规模并行计算：算法和应用
现代时代目睹了将构造扩展到大型数据集的能力的革命。可伸缩性的关键突破是引入快速且易于使用的分布式编程模型，例如MapReduce（Dean和Ghemawat，2008年），Hadoop（Hadoop.apache.org）和Spark（Spark.apache.org）。我们将这些编程模型称为大规模并行框架。大规模并行框架最初是针对相对简单的计算类型设计的，例如计算数据集中的单词频率。从那以后，它们被证明对更丰富的应用程序非常有用。最近的工作目的是以释放其真正的潜在力量并扩大其适用性来研究这些框架算法。希望通过算法研究，取得与诸如合规算法等主题相似的成功（Frigo等人。，2012年）和数据流算法（McGregor，2014年）。实际上，大量分布式框架使程序员能够轻松地将算法在数十万台上部署到数千台机器。算法，这些框架对其计算表达能力有限制，以帮助确保程序有效地平行。
![arXiv:2011.10395v1 [quant-ph] 2020 年 11 月 20 日](/simg/g:\will\search\icon\source\c\cabf7c5a9ab0c33e6e466917c97b343fbd319d0a.webp)
arXiv:2011.10395v1 [quant-ph] 2020 年 11 月 20 日
我们提出了一种量子算法来求解非线性微分方程组。使用量子特征图编码，我们将函数定义为参数化量子电路的期望值。我们使用自动微分将函数导数以解析形式表示为可微分量子电路 (DQC)，从而避免使用不准确的有限微分程序来计算梯度。我们描述了一种混合量子经典工作流程，其中 DQC 经过训练以满足微分方程和指定的边界条件。作为一个特定的例子，我们展示了这种方法如何实现一种在高维特征空间中求解微分方程的谱方法。从技术角度来看，我们设计了一个 Chebyshev 量子特征图，它提供了一组强大的拟合多项式基集，并具有丰富的表达能力。我们模拟该算法来解决 Navier-Stokes 方程的一个实例，并计算收敛-扩散喷嘴中流体流动的密度、温度和速度分布。
doi：10.31557/apjcp.2020.21.11.34441用药物Arglabin用于乳腺癌的Neoadjuvant疗法，表达H-RAS癌蛋白
背景：在乳腺癌中，RAS信号传导的阻塞和H-RAS的抑制是非常有希望的。H-RAS可能成为Farnesyl转移酶抑制剂的靶标，并且与其他免疫组织化学因子结合使用，这将有助于乳腺肿瘤的发展。目的：这项研究的目的是评估新辅助治疗对乳腺癌的有效性，其中包括法素转移酶抑制剂，Arglabin会干扰H-RAS癌蛋白的表达和浓度。方法：取决于西部印迹杂交后H-RAS癌蛋白的存在，将患者划分为H-RAS组的阴性和阳性表达。结果：用于确定H-RAS癌蛋白的表达能力和浓度的方法的相关分析（免疫组织化学和西部印迹分析）显示出实质性的统计关系Rs = 0.71，p = 0.03。接受“ Arglabin”或标准AC方案的患者不存在H-RAS癌蛋白。然而，在AC + Arglabin组中，H-Ras癌蛋白的阳性浓度不同（Kruskal-Wallis = 6.92; P = 0.03）。结论：这些结果表明Arglabin减弱了H-RAS癌蛋白的表达，这是乳腺癌的有希望的治疗靶标。
基于变分测量的生成建模量子计算
基于测量的量子计算 (MBQC) 为设计量子算法提供了一种独特的范式。事实上，由于量子测量固有的随机性，MBQC 中的自然操作不是确定性和单一的，而是增加了概率副产品。然而，到目前为止，MBQC 的主要算法用途是完全抵消这种概率性质，以模拟电路模型中表达的单一计算。在这项工作中，我们建议设计包含这种固有随机性的 MBQC 算法，并将 MBQC 中的随机副产品视为计算资源。作为随机性可以带来好处的自然应用，我们考虑生成建模，这是机器学习中以生成复杂概率分布为中心的任务。为了完成这项任务，我们提出了一种变分 MBQC 算法，该算法配备了控制参数，允许人们直接调整计算中允许的随机性程度。我们的代数和数值结果表明，这种额外的随机性可以显著提高某些生成建模任务的表达能力和学习性能。这些结果凸显了利用 MBQC 固有随机性的潜在优势，并激发了对基于 MBQC 的算法的进一步研究。
粒子轨迹重建的混合量子经典图形神经网络
摘要将升级欧洲核研究组织（CERN）的大型强生对撞机（LHC），以进一步提高粒子碰撞（发光度）的瞬时速率，并成为高光度LHC（HL-LHC）。这种发光度的增加将显着增加与检测器相互作用的颗粒数量。颗粒与检测器的相互作用称为“命中”。HL-LHC将产生更多的检测器命中，这将通过使用重建算法来确定这些命中的粒子轨迹构成组合挑战。这项工作探讨了将新颖的图神经网络模型转换的可能性，该模型可以最佳地考虑到跟踪探测器数据的稀疏性质及其复杂的几何形状，并将其带入混合量子古典图神经网络，该图从使用各种量子层中受益。我们表明，这种混合模型可以执行类似于经典方法。此外，我们还探索具有不同表达能力和纠缠能力的参数化量子电路（PQC），并比较其训练性能以量化预期收益。这些结果可用于构建未来的路线图，以进一步开发基于电路的混合量子古典图神经网络。
XAI 的符号 AI：评估 LFIT 归纳编程以实现公平且可解释的自动招聘
机器学习方法在生物识别和个人信息处理（例如法医、电子医疗、招聘和电子学习）领域的重要性日益增加。在这些领域，基于机器学习方法构建的系统的白盒（人类可读）解释可能变得至关重要。归纳逻辑编程 (ILP) 是符号 AI 的一个子领域，旨在自动学习有关数据处理的声明性理论。从解释转换中学习 (LFIT) 是一种 ILP 技术，可以学习与给定黑盒系统等同的命题逻辑理论（在特定条件下）。本研究通过检查 LFIT 在特定 AI 应用场景中的可行性，迈出了将准确的声明性解释纳入经典机器学习的通用方法的第一步：基于使用机器学习方法生成的自动工具进行公平招聘，用于对包含软生物特征信息（性别和种族）的简历进行排名。我们展示了 LFIT 对这个特定问题的表达能力，并提出了一个可应用于其他领域的方案。
mwg-unet：肺场的混合深度学习框架和胸部X射线图像中的心脏分割
摘要：深度学习技术已在医疗计算机视觉和图像处理的领域取得了突破性的研究结果。生成对抗网络（GAN）已证明了图像产生和表达能力的能力。本文提出了一种称为MWG-UNET的新方法（多个任务Wasserstein生成对抗网络U形网络）作为肺场和心脏细分模型，它具有注意机制的优势，以提高发电机的细分精度，从而提高了性能。尤其是，所提出的方法的骰子相似性，精度和F1得分优于其他模型，分别达到95.28％，96.41％和95.90％，而特定的五城市则超过了0.28％，0.90％，0.24％和0.24％和0.90％的模型。但是，IOU的值不如最佳模型0.69％。结果表明，所提出的方法在肺场分割中具有相当大的能力。我们的心脏的多器官分割结果实现了骰子相似性，而IOU值为71.16％和74.56％。对肺场的分割结果实现了骰子相似性，而IOU值为85.18％和81.36％。
土地保有权专家 - 顾问名册日期
坚定地致力于通过确保获得土地，为世界上最贫困的人们创造更美好、更安全的未来。 强大的解决问题能力。 强大的口头表达能力和在捍卫政策建议时快速反应的能力。 熟悉可以应用于农村发展的概念。 能够制定具体的工作计划和管理要素，以便根据商定的预算和计划开展工作。 能够管理文件和通信、跟踪和报告项目劳动力，并高效、常规地执行其他行政任务，并符合 Landesa 标准和程序。 能够与各级人员合作，包括来自东道国政府和非政府组织以及其他同行、客户和资助者的人员。 能够表现出跨文化敏感性、机智和沉着。 能够作为团队成员领导和合作，无论在团队中担任什么角色，通过建立共识、沟通和领导。 具有出色的英语书面和口头交流能力。 最好具备法语、西班牙语和/或葡萄牙语技能；其他语言技能也欢迎，例如斯瓦希里语和印地语。 能够根据情况和受众，区分和使用交流类型、频率、基调和水平。 在被派遣国有合法工作权利。
数字艺术设计和媒体实践集成了CAD和Virtual
摘要。数字媒体艺术是一种新兴的媒体和大众艺术形式，由于其全面的技术手段和跨媒体特征，绘画，舞蹈和电影等传统艺术形式都超过了传统的艺术形式。近年来，计算机信息技术的开发，尤其是图形和图像表达能力的增强以及越来越丰富的处理方法，为数字媒体艺术创建提供了广泛的表达空间。图形艺术计算机辅助设计（CAD）和由虚拟现实（VR）代表的多媒体技术的组合为人类提供了实现真正沉浸式艺术形式的可能性。本文将重点介绍虚拟现实技术下的数字媒体艺术设计和创新。VR作品的最大特征不仅是为观众提供参与和与“真实”作品进行互动的经验，而且还依靠技术手段来强调艺术作品的性别和情感，从而增强了观众对目标的吸引力。该系统通过覆盖虚拟数字信息（例如大墙3D模型以及在真实场景中的音频和视频）以及添加交互式功能来弥补传统演示模式的缺点。在增加兴趣的同时，它可以更好地传播中国历史的辉煌文化，使文化文物说得更好，并告诉人们历史的智慧。
使用神经网络进行定量验证
我们提出了一种数据驱动的方法，用于概率程序和随机动力学模型的定量验证。我们的方法利用神经网络计算紧密和声音的边界，以使随机过程在有限的时间内达到目标状况的可能性。此问题涵盖了各种定量验证问题，从离散时间随机动力学模型的可及性和安全性分析到对概率计划的断言和末端分析的研究。我们依靠神经网络代表产生这种概率界限的超级智能证书，我们使用反例引导的电感综合循环对其进行计算：我们在使用随机优化的状态限制的概率上训练神经证书，然后使用随机优化的状态进行拧紧的概率，然后我们正式使用所有可能的状态，使用所有可能的状态使用满足性模量，以实现证书的有效性；如果我们收到反例，我们将其添加到我们的样本集中，然后重复循环，直到确认有效性。我们在各种基准基准上证明，由于神经网络的表达能力，我们的方法比现有的符号方法在所有情况下都产生的概率范围更小或可比，并且我们的方法在模型上完全取得了成功，这些模型完全超出了此类替代技术的范围。