XiaoMi-AI文件搜索系统
World File Search System质心
质心运动的相位相干传感捕获离子晶体
捕获离子是激发离子运动的弱力和电场的灵敏探测器。这里报告了与施加的弱外力相位一致的捕获离子晶体质心运动的测量结果。这些实验是在大约 100 个离子的二维捕获离子晶体上远离陷阱运动频率进行的，并确定了我们的协议的基本测量不精确度，不受与质心模式相关的噪声的影响。通过使用振荡自旋相关光偶极力将离子晶体运动与离子的内部自旋自由度耦合来检测晶体的驱动正弦位移。由此产生的诱导自旋进动与晶体的位移幅度成正比，并以近投影噪声限制的分辨率进行测量。在一次实验测定中检测到 49 pm 的位移，信噪比为 1，这比以前的相位不相干实验提高了一个数量级。该位移幅度比零点波动小 40 倍。在我们的重复率下，8 。4 pm / √
囚禁离子量子计算机上的最近质心分类
近年来，量子机器学习在理论和实践方面取得了长足的发展，已成为量子计算机在现实世界中应用的有希望的领域。为了实现这一目标，我们结合了最先进的算法和量子硬件，为量子机器学习应用提供了实验演示，并可证明其性能和效率。具体来说，我们设计了一个量子最近质心分类器，使用将经典数据高效加载到量子态并执行距离估计的技术，并在 11 量子比特离子阱量子机上进行了实验演示，其准确度与经典最近质心分类器的准确度相当，可用于 MNIST 手写数字数据集，并可实现 8 维合成数据的准确度高达 100%。
使用聚类和2D区域生长方法剥去MRI
我们开始特定的质心，并执行2D区域的生长过程，直到它触及另一个质心为止。然后将第二个质心用于进一步的区域生长。我们重复了这个2D区域的生长过程，该过程将所有质心连接起来，在大脑周围具有轮廓，边框厚度约为5像素宽度。然后，我们在轮廓周围形成滑动线。在每个像素上，位于水平线中的像素的平均值并具有质心的值±3的值，最接近平均值作为边界点固定。在每个像素的轮廓周围都重复这一点。连接在每个水平线上选择的点，从而为大脑提供了线边界。该边界被用作标记，并且封闭面罩内部的区域给出了大脑部分。
量化行为以了解大脑
动物质心、椭圆和身份。最粗略地说，动物行为可以通过估计其质心（即中点或重心）随时间的位置来量化。这些质心轨迹被量化为图像坐标序列，反映了动物在其环境中的运动，可用于测量空间导航或运动行为。质心将动物视为一个点，无法捕捉其方向，但可以通过找到环绕动物的椭圆的长轴和短轴来增强这种描述（图 1b）。这是一种方便的通用描述，因为大多数具有中枢神经系统的动物都有相似的身体结构，其中脊髓或腹神经索在细长身体的中心形成一条线。估算质心和椭圆的经典方法主要依赖于背景减法，该算法识别属于动物（即前景）的图像像素，通过找到它们坐标的中点即可计算出质心。当背景与动物形成对比时（例如在背光场所），可以通过对图像强度进行简单的阈值处理来执行背景减法。如果背景是静态的，则可以通过查找中值图像帧来建模；但是，如果动物长时间不动，此方法通常会失败。经典方法采用稳健的算法来建模背景 1 ，但较新的方法已开始使用深度学习来更好地处理更复杂的背景，从而能够在更自然的条件下追踪动物 2 。将椭圆追踪扩展到多种动物使行为描述更加丰富，其中可以使用相对距离和方向等量来推断复杂的社会
双光点源的自适应量子态估计
区分两个光学点源是光学领域的一个重要课题，有望应用于天文观测和生物成像。然而，传统方法有一个称为瑞利诅咒 [1] 的缺陷，当两个点源彼此靠近时，很难区分它们。这个问题可以转化为估计两个点源的质心和分离的问题，瑞利诅咒表示当两个点源彼此靠近时难以估计分离。最近，Tsang 等人 [1] 在量子理论框架下研究了这个问题，并表明有可能以与它们相距较远时相同的精度估计两个靠近的点源之间的分离。此外，他们设计了一种称为空间模式解复用（SPADE）的测量方案，当预先知道两个点源的质心时，该方案可以达到这种精度。 SPADE 方案可以让我们准确估计分离，但它需要事先知道质心。因此，Grace 等人 [2] 提出了一个两步程序，其中首先要估计质心。与此同时，Parniak 等人 [3] 和 Bao 等人 [4] 研究了同时估计质心和分离，但他们没有考虑测量的最优性。
统计流体力学：动力学方程和线性响应
目前，基于纳维-斯托克斯方程的主流流体力学尚未考虑具有随机热运动的离散流体分子的统计性质，其中流体被视为连续体，分解为许多宏观上无限小（但微观上足够大）的质量单元，其运动仅以质心速度为特征。在这里，我们通过考虑宏观上无限小体积单元内离散分子的统计速度分布及其质心速度，提供了一种解决流体动力学的统计力学方法。提出了控制物理变量演变的动力学方程，获得了格林函数，并应用线性响应理论研究了外部热扰动的物理情况。发现热的传播、质心运动和声音在统计流体动力学中是内在集成的。这项工作为统计流体力学的应用奠定了基础。
