XiaoMi-AI文件搜索系统
World File Search System误差率
GlioMod：利用深度编码器-解码器网络进行时空感知的多形性胶质母细胞瘤肿瘤生长建模
多形性胶质母细胞瘤是一种侵袭性脑肿瘤，由于其侵袭性生长动力学，其存活率是所有人类癌症中最低的。这些动力学导致复发性肿瘤袋隐藏在医学影像之外，而标准的放射治疗和手术边缘无法覆盖这些肿瘤袋。通过偏微分方程 (PDE) 对肿瘤生长进行数学建模是众所周知的；然而，由于运行时间长、患者间解剖差异大以及忽略患者当前肿瘤的初始条件，它仍未在临床实践中采用。本研究提出了一种多形性胶质母细胞瘤肿瘤演化模型 GlioMod，旨在学习肿瘤浓度和大脑几何形状的时空特征，以制定个性化治疗计划。使用基于 PDE 的建模，从真实患者解剖结构生成 6,000 个合成肿瘤的数据集。我们的模型采用图像到图像回归，使用一种新颖的编码器-解码器架构来预测未来状态下的肿瘤浓度。 GlioMod 的测试是模拟肿瘤生长和重建患者解剖结构，在 900 对未见脑几何结构上与 PDE 求解的未来肿瘤浓度相对应。我们证明，通过神经建模实现的时空背景可以产生针对患者个性化的肿瘤演化预测，并且仍然可以推广到未见解剖结构。其性能在三个方面衡量：(1) 回归误差率、(2) 定量和定性组织一致性，以及 (3) 与最先进的数值求解器相比的运行时间。结果表明，GlioMod 可以高精度地预测肿瘤生长，速度提高了 2 个数量级，因此适合临床使用。GlioMod 是一个开源软件包，其中包括我们研究中从患者生成的合成肿瘤数据。
使用概率神经网络解码脑电图运动图像的有效连通性
摘要：在过去几年中，基于运动图像（MI）的大脑 - 计算机界面引起了很多关注。他们提供了通过使用大脑活动来控制外部设备的能力，例如假肢和轮椅。一些研究人员报告了运动任务期间多个大脑区域的交流，因此很难隔离发生运动活动的一个或两个大脑区域。因此，对大脑神经模式的更深入的了解对于BCI来说很重要，以便提供更有用和有见地的特征。因此，大脑连接性提供了一种有希望的方法，可以通过在运动想象中考虑通道间/区域关系来解决所述的缺点。这项研究以部分定向相干性（PDC）和定向传递函数（DTF）为大脑中的有效连通性，作为运动成像（MI）分类的非常规的特征集。进行了基于MANOVA的分析以识别统计上显着的连接对。此外，该研究试图通过使用四种分类算法（SVM，KNN，决策树和概率神经网络）来预测MI模式。研究使用从Physionet EEG数据库中提取的两类MI数据对所有分类方法进行了比较分析。基于概率神经网络（PNN）作为分类器和PDC作为特征集的提议技术优于其他分类，并且具有较高分类精度和较低差异率的其他分类和提取技术。研究发现表明，当PDC用作特征集时，PNN的总体平均准确性最高98.65％，而同一分类被用于达到DTF的最大精度为82.81％。本研究通过与常规特征相比，通过大脑连通性获得更好的分类结果来验证运动任务期间多个大脑区域的激活。由于PDC的表现优于DTF作为具有出色分类精度和低误差率的特征集，因此它具有在基于MI的脑部计算机接口中应用的巨大潜力。
引用原始发表的论文（记录的版本）：Xiong，B.，Tang，J.，Li，Y。等（2023）。 Vanadi
钒氧化还原流量电池（VRB）系统涉及复杂的多物理和多时间尺度相互作用，其中电解质流速在静态和动态性能中起关键作用。传统上，固定流量已用于操作方便。但是，在当今高度动态的能源市场环境中，根据运营条件调整流量可以为提高VRB能源转换效率和成本效益提供显着优势。不幸的是，将电解质流速纳入传统的多物理模型对于VRB管理和控制系统来说过于复杂，因为实时操作要求用于船上功能的低计算和低复杂模型。本文介绍了一种新型的数据驱动方法，该方法将流速集成到VRB建模中，增强了数据处理能力和VRB行为的预测准确性。所提出的模型采用封闭式复发单元（GRU）神经网络作为其基本框架，在捕获VRB的非线性电压段方面表现出了非凡的熟练程度。GRU网络结构经过精心设计，以优化模型的预测能力，流速被视为关键输入参数，以解释其对VRB行为的影响。模型改进涉及分析在VRB操作中在各种流速下获得的精心设计的模拟结果。还设计和进行了实验室实验，涵盖了电流和流速的不同条件，以验证所提出的数据驱动的建模方法。对几种最新算法进行了比较分析，包括等效电路模型和其他数据驱动的模型，证明了考虑流速的基于GRU的VRB模型的优越性。由于GRU在处理时间序列数据方面的出色能力，该模型在宽范围内提供了令人印象深刻的准确终端电压预测，低误差率不超过0.023 V（1.3％）。这些结果表明了所提出的方法的功效和鲁棒性，突出了对管理和控制系统设计的准确VRB建模中流速的新颖性和重要性。
是什么限制了量子计算机的模拟？
量子计算的最终目标是执行超出任何古典计算机的计算。因此，必须非常难以经典地模拟有用的量子计算机，否则可以将经典计算机用于量子设想的应用程序。完美的量子计算机毫无疑问地很难模拟：所需的经典资源随量子数n或电路的深度D的数量成倍增长。这个困难触发了最新的实验，旨在证明量子设备可能已经执行超出经典计算范围的任务。这些实际量子计算设备受到许多破坏性和不精确来源的损失，这些来源限制了实际上可以达到其理论最大的一部分的纠缠程度。它们的特征是指数衰减的保真度f〜ð1 -ϵ nd，误差率为每次操作，对于具有数十个Qubits的电流设备，每次操作的每次操作小于1％，对于较小的设备而言较小。在这项工作中，我们通过证明可以以一台完美的量子计算机所需的一小部分成本进行模拟，从而为真实量子计算机的计算功能提供新的见解。我们的算法使用矩阵乘积状态来压缩量子波函数的表示，该矩阵产品状态能够非常准确地捕获低至中度纠缠的状态。此压缩引入了有限的错误率ϵ，因此算法紧密模仿了实际量子计算设备的行为。我们的算法的计算时间仅与N和D形成鲜明对比的N和D与精确的模拟算法形成鲜明的呈线性增加。我们使用在一维晶格中连接的Qubit的随机电路进行了模拟来说明我们的算法。我们发现，计算功率中的多项式成本可以降低至最小误差ϵ∞。以下低于ϵ∞需要计算资源，以指数增加ϵ∞ = ϵ。对于二维阵列N¼54QUAT和具有控制Z门的电路，可以在几个小时内在笔记本电脑上获得比最先进设备的错误率。对于更复杂的门（例如交换门），然后进行受控旋转，对于类似的计算时间，错误率增加了因子3。我们的结果表明，尽管量子设备达到了高忠诚度，但实际上仅利用了希尔伯特空间的系统的一小部分ð〜10-8Þ。
计量学 101：校准直流分流器
前几天晚上，我和妻子 Sita 就她测量客厅长度的方法的准确性发生了激烈的争论。她不想下楼去找卷尺，于是在地上躺了四次，用猫玩具标记她的脚/头落在地板上的位置。考虑到各种变量，她的方法不准确，她无视我的抗议：她身高 5 英尺半英寸，猫玩具宽约 2 英寸。好吧，在我拿到卷尺后，结果发现她测量的 20 英尺只差了一英寸半——误差率为 0.625%±。我完全赞成跳出思维定势，利用手头上的一切来回答一个棘手的问题，但说到测量，我无法摆脱计量学家的思维定势……她的方法让我很不舒服，让我怒不可遏。但是，为了世界和平，我不得不对她的成果表示赞赏。我在这个行业工作了 15 年，我知道如果我们增加 ±1 Sita 的分辨率贡献者，我们就能看出我对她的方法有多么不确定。但我确实喜欢计量学，因为它影响一切；我可以将我作为计量学家的职业生涯与几乎所有职业联系起来。多样性令人惊叹……只需看看我们在本期中的论文即可。大多数人将 X 射线与一两根骨折联系在一起，但很少有人知道使用另一种需要计量的技术来窥视皮肤下方需要什么。在本期中，我们介绍了“学习将计量原理应用于 500 eV 至 110 keV 能量范围内的 X 射线强度测量”，这是一篇由 National Security Technologies LLC 撰写的论文。加利福尼亚州费尔菲尔德的 Bryza 风实验室总裁 Rachael Coquilla 撰写了她关于“空气速度校准质量”的文章，重点介绍了风洞是否符合风传感器校准测试的要求。只需一点风洞计量就能影响从建筑物到喷气式飞机等所有事物的设计和工程。在本期《计量学入门》文章中，Ohm-Labs 的 Jay Klevens 就“校准直流分流器：技术和不确定性”贡献了自己的专业知识。这篇文章对于计量学入门来说可能有点高级，但电流分流器校准并不简单。随着当今行业的发展以及向 17025 和 z540.3 的推进，了解造成不确定性的因素对于我们的测量至关重要。我希望能在加利福尼亚州萨克拉门托的 NCSLI 大会（展位 623）或在阿纳海姆的 AUTOTESTCON 楼上见到大家，所以请务必前来并告诉我们我们的进展以及您希望在杂志中看到什么。
使用UAV多光谱图像的葡萄园冠层检测的不同计算机视觉方法的比较
在葡萄栽培中，通过超高的空间分解图像快速而准确地获取了冠层光谱信息以进行决策支持。普遍的做法涉及使用从纯藤冠像素获得的光谱数据创建活力图。基于对象的图像分析（OBIA）在常规方法中表现出由于其特征提取的功能而在树冠分类中表现出合理的效率。近年来，深度学习（DL）技术在果园监测中表现出了巨大的潜力，并利用了它们自动学习图像特征的能力。这项研究评估了不同方法的性能，包括掩盖R-CNN，U-NET，OBIA和无监督方法，以识别纯冠类像素。比较了阴影和背景检测方法的有效性以及错误分类像素对NDVI的影响。将结果与2021年和2022年生长季节进行的农艺调查进行了比较，重点是两个不同的物候阶段（BBCH65-BBCH85）。蒙版R-CNN和U-NET在整体准确性（OA），F1得分和与联合（IOU）相交方面表现出卓越的性能。在OBIA方法中，高斯混合模型（GMM）被证明是冠层分割的最有效的分类器，并且支持向量机（SVM）也表现出合理的稳定性。相反，随机森林（RF）和K-均值的准确性和较高的错误率产生了较低的误差率。由于准确性有限，因此在葡萄园行高的葡萄园排被高估了，而对于高活力的檐篷，NDVI被低估了。可显着提高确定系数，以进行总叶面积（TLA）与源自蒙版R-CNN和U-NET得出的NDVI数据之间的比较。还发现了来自GMM和SVM算法的NDVI数据的正相关性。关于叶叶绿素（CHL）和NDVI相关性，蒙版R-CNN和U-NET方法显示出较高的性能。此外，TLA和投影冠层区域（PCA）之间的关系得到了U-NET和Mask R-CNN的明显代表，而不建议使用PCA来估计叶绿素含量。这项调查确定，改善了葡萄树冠划界的贡献，可改善葡萄园活力监测，为葡萄酒生长提供了更准确，更可靠的农艺信息，以进行管理决策。
12 量子计算机上的量子化学
在经典计算机上精确模拟量子系统（包括量子化学中的量子系统）在计算上非常困难。问题在于描述所研究系统所需的希尔伯特空间的维数实际上会随着系统的大小而呈指数增长，如图 1 所示。无论我们模拟动态还是计算某些静态属性（例如能量），这个限制始终存在。理查德·费曼提出了一种替代经典模拟的方法 [1]。他的想法是将上述量子系统的缺点转化为其优点。他建议将所研究量子系统的希尔伯特空间映射到另一个量子系统上（它们都呈指数级大），从而有效地在一个量子系统上模拟另一个量子系统（即在量子计算机上）。虽然开发小型量子计算机已经花了 30 多年的时间，但我们可能很快就会从费曼的建议中受益。 1 事实上，量子化学被认为是小型噪声量子计算机（称为噪声中型量子 (NISQ) 设备）的首批实际应用之一 [4]。此外，人们相信量子计算机最终将使我们能够解决化学、物理学和材料科学中的经典难题 [5–7]。特别是，强关联系统，如催化剂或高温超导体，属于具有高度社会经济重要性的问题，这些问题可以借助量子硬件得到解决。到目前为止，已经提出了几种量子算法来有效地解决化学中的计算难题（即在多项式时间内使用多项式资源，相对于所研究系统的规模和精度）。其中一些也已通过实验得到证实 [6]。然而，由于量子硬件能力有限，这些实验“仅仅”代表了小型化学系统的原理验证模拟，我们可以轻松地用经典方式模拟这些系统。为了使它们具有可扩展性，需要进行量子误差校正，这需要比目前更低的误差率，而且还需要数量级更多的（物理）量子比特。另一方面，这个领域发展非常迅速，我们可能在不久的将来看到分子的误差校正数字量子模拟。如上所述，已经提出了几种可以解决化学中不同类型问题的量子算法[6]。事实上，量子计算化学[5]在过去的15年里取得了巨大的进步。2 在本章中，我们提到了一些算法，但大多数时候都局限于分子汉密尔顿量的电子结构问题，即寻找分子低能谱的问题。这些算法可以作为几何优化、光学特性计算或反应速率测定的子程序[5]。此外，这里阐述的方法可以很容易地应用于其他问题（例如振动分析）。我们专注于数字量子模拟（模拟量子模拟是另一章的主题），这意味着