XiaoMi-AI文件搜索系统
World File Search System计算速度
在量子计算的不同数据模型中编码和配置数据
量子计算机具有比古典计算机快得多的计算速度。它们可以在各种应用领域（例如优化，机器学习或搜索算法）中使用，仅命名一些示例[1，2]。根据概率，与经典计算机相比，可以假定多项式或指数加速度[3]。这是最重要的数学优势。这是因为将量子计算机嵌入数据库景观或软件架构时，必须克服一般挑战。嵌入的主要原因是，从数据驱动的用例和参数进行处理以计算量子计算机上的解决方案的数据是在数据库系统中管理的。以下两个挑战与嵌入：挑战1：量子计算机无法直接从数据库系统访问数据和信息[4]。但是，量子算法假定其数据已经以合适的形式访问[5]。挑战2：在不同的结构和模型中存在的数据必须相应地编码，然后才能在量子计算机上使用。数据的有效编码也是一个挑战[5，6]和研究主题[1]。原因是相应的编码例程的高时间征收，这在最坏情况下是指数的[4，7]。
在CPU和FPGA
序列比对（SA）是生物信息学领域的一个基本方面，对于各种应用至关重要，例如DNA测序和蛋白质结构预测。它涉及将新基因组序列与先前存储在数据库中的序列进行比较的过程。但是，史密斯 - 水手对齐的计算需求可能是很大的，尤其是在分析大型基因组数据集时。为了应对这一挑战，我们提出了一项全面的比较研究，该研究使用不同的硬件平台探索史密斯 - 水手序列对齐的加速度：中央处理单元（CPU）和现场可编程的门阵列（FPGAS。在这项研究中，考虑到基于CPU和基于FPGA的实施，我们评估和对比了这些平台上史密斯 - 水手对齐的性能和可扩展性。我们评估了他们的计算能力和记忆要求，以针对各种序列长度和评分参数。通过广泛的基准测试和序列分析，尤其是在异质的CPU + FPGA平台分析上，我们提供了对每个平台的优势和局限性的见解，从而阐明了计算速度和硬件成本之间的权衡。
![arXiv:2412.16261v1 [q-bio.QM] 2024 年 12 月 20 日](/simg/g:\will\search\icon\source\2\29652486afa6ba46a12ba35d68d9c06c60c3671c.webp)
arXiv:2412.16261v1 [q-bio.QM] 2024 年 12 月 20 日
摘要。体力活动对人患 2 型糖尿病的影响是多方面的。常微分方程组在模拟这一进程中至关重要。然而，这样的模型通常在多个时间尺度上运行，这使得它们在模拟长期影响时计算成本高昂。为了克服这个问题，我们提出了一个双时间尺度模型的均质化版本，该模型可以捕捉体力活动对血糖调节的短期和长期影响。通过将体力活动会话的均质化贡献引入长期影响，我们将整个模型从 12 个状态变量减少到 7 个，同时保留了其关键动态。均质模型提供了超过 1000 倍的计算速度，因为数值求解器可以在长期影响的尺度上采取时间步骤。我们证明均质化引入的误差随时间有界，并通过模拟研究验证了理论结果。计算时间的大幅减少为同质化模型在医疗决策支持系统中的应用打开了大门。它支持制定个性化的体育锻炼计划，从而有效降低罹患 2 型糖尿病的风险。
基于FPGA实现的连续变量量子密钥分发高速后处理
摘要 —在连续变量量子密钥分发（CV-QKD）系统中，后处理过程（包括信息协调（IR）和隐私放大（PA））的计算速度不可避免地影响实际密钥速率。IR 和 PA 可以分别使用低密度奇偶校验（LDPC）码和哈希函数并行实现。利用现场可编程门阵列（FPGA）卓越的并行处理能力，在FPGA上实现了高斯符号的高速硬件加速后处理过程。为此，开发并采用了适应FPGA特点的和积算法解码器和改进的LDPC码构造算法。设计了复用和非复用两种不同的结构来实现FPGA速度和面积之间的权衡，以便根据实际系统的要求采用最佳方案。仿真结果表明，最大吞吐量可以达到100 M 符号/秒。我们在装有 Virtex-7 XC7VX690T FPGA 的 Xilinx VC709 评估板上验证了后处理程序的正确性，并提供了在有更先进的 FPGA 可用时获得更好性能的一些可能的解决方案。该方案可轻松应用于实时密钥提取，并有效降低 CV-QKD 系统的功耗。
多元图像分析（MIA）简介
图像在科学领域已有很长的使用历史，而且使用越来越广泛。代表复杂系统的大量数据只能通过图像可视化来表示。多元图像的来源多种多样。有些是传统意义上的图像（例如卫星数据），而有些则不是（二次离子质谱，SIMS）。几乎所有物理单位都可用于制作图像和多元图像：温度、重力场、阻抗、磁场、电场、质量、波长、超声波长、极化、电子能量等。科学成像领域的一个粗略但实用的细分是卫星成像、医学（临床）成像和显微镜。最简单但有意义的多元图像有两个像素索引（例如图像平面中的宽度和高度）和一个变量索引，组成一个三向数组。从模拟场景或物体到数字图像的一个重要方面是分辨率。多元图像具有空间、强度、光谱和时间（时间）分辨率。典型的旧卫星图像有 512x512 像素，7 个波长带，强度分辨率为 256 级灰度。高空间和强度分辨率是理想的，这使得阵列相当大，计算速度很慢。
多元图像分析（MIA）简介
图像在科学领域已有很长的使用历史，而且使用越来越广泛。代表复杂系统的大量数据只能通过图像可视化来表示。多元图像的来源多种多样。有些是传统意义上的图像（例如卫星数据），而有些则不是（二次离子质谱，SIMS）。几乎所有物理单位都可用于制作图像和多元图像：温度、重力场、阻抗、磁场、电场、质量、波长、超声波长、极化、电子能量等。科学成像领域的一个粗略但实用的细分是卫星成像、医学（临床）成像和显微镜。最简单、有意义的多元图像有两个像素索引（例如图像平面中的宽度和高度）和一个变量索引，组成一个三向数组。从模拟场景或物体到数字图像的一个重要方面是分辨率。多元图像具有空间、强度、光谱和时间（时间）分辨率。典型的旧卫星图像有 512x512 像素，7 个波长带，强度分辨率为 256 级灰度。高空间和强度分辨率是理想的，这使得阵列相当大，计算速度很慢。
找到能量系统建模的紧密而紧凑的模型
要在2050年实现气候目标，需要准确的能源系统优化（MIP）模型来帮助决策者制定投资计划。为了提高这些MIP模型的准确性，需要在时间和空间维度上进行高分辨率，以及有关能量发生器的运行能力的许多细节。但是，这会导致大规模模型，其中最佳解决方案无法在任何刻薄的计算时间内获得，甚至是使用最佳求解器的超级计算机。因此，研究人员经常寻求计算障碍和准确性之间的正确权衡。仍然忘记，从紧密度和紧凑性方面改善现有模型配方已经可以提高计算速度。如果LP - 放射率更接近MIP模型的凸壳，则配方的紧密度会发生。公式的紧凑性取决于约束矩阵中约束，变量和非零元素的（相对）数量。在我的演讲中，我想分享不同的方法来获取和证明紧密而紧凑的MIP模型，以改善大规模优化问题的计算障碍，并就我们如何自动进行更广泛的规模进行讨论，并就我们如何更自动地进行此操作。
量子神经网络的力量
容错量子计算机有望通过加快计算速度或提高模型可扩展性来大幅提高机器学习水平。然而，在短期内，量子机器学习的好处并不那么明显。理解量子模型（尤其是量子神经网络）的可表达性和可训练性需要进一步研究。在这项工作中，我们使用信息几何工具来定义量子和经典模型的可表达性概念。有效维度取决于 Fisher 信息，用于证明新的泛化界限并建立可表达性的稳健度量。我们表明，量子神经网络能够实现比同类经典神经网络更好的有效维度。为了评估量子模型的可训练性，我们将 Fisher 信息谱与贫瘠高原（梯度消失问题）联系起来。重要的是，某些量子神经网络可以表现出对这种现象的适应性，并且由于其有利的优化景观（由更均匀分布的 Fisher 信息谱捕获）而比经典模型训练得更快。我们的工作首次证明，精心设计的量子神经网络通过更高的有效维度和更快的训练能力比经典神经网络具有优势，我们在真实的量子硬件上对此进行了验证。
扩散的语音增强和覆盖...
摘要 - 在这项工作中，我们基于以前的出版物和基于Iffusion的GenerativeModelsForsPeechenHancement。我们介绍了基于随机微分方程的扩散过程的详细概述，并深入研究了其含义的广泛理论研究。与通常的有条件生成任务相反，我们不会从纯高斯噪声中开始反向过程，而是从嘈杂的语音和高斯噪声的混合物开始。这与我们的前进过程相匹配，该过程通过包括一个漂移术语从干净的语音到嘈杂的语音。我们表明，此过程仅使用30个扩散步骤来生成高质量的干净语音估计。通过调整网络架构，我们能够显着提高语音增强性能，表明网络而不是形式主义是我们原始范围的主要限制。在广泛的跨数据库评估中，我们表明，改进的方法可以与最近的判别模型竞争，并在评估与培训不同的语料库时可以更好地概括。我们使用现实世界的嘈杂录音和听力实验的仪器评估来补充结果，其中我们提出的方法是最好的。检查以解决反向过程的不同采样器配置，使我们能够平衡性能和计算速度驱动量。此外，Weshowthatthatthatthatthatthepropsed方法也适用于消耗，因此不限于添加背景噪声的去除。
应用的改进的智慧边缘检测用于诊断人脑肿瘤的医学图像
医疗图像处理已成为诊断过程的关键要素之一，因为最近医疗成像的使用增加，而临床医生在诊断患者中对这种计算机处理的医学图像的依赖。由于传统的Canny Edge检测算法对噪声很敏感，因此在滤除噪声时会很容易丢失弱边缘信息，并且其固定参数的适应性差。建议的算法引入了图像块强度操作员的概念，以替换图像梯度。此外，建议的算法的计算速度相对较快，因为它可以通过块而不是像素来构图，而不是像素。提出了两种自适应阈值选择方法，一种基于图像梯度幅度的中值累积直方图，另一个基于两种类型的图像像素的标准偏差（一个具有较小的边缘信息，另一个带有丰富的边缘信息）。所提出的算法可以分为四个阶段：输入医学数字图像，将颜色的医学图像转换为灰度，应用改进的Canny Edge检测，然后计算MSE＆PSNR测量，此外，肿瘤学家进行了视觉问卷，以找出使医疗图像增强的方法清晰。