XiaoMi-AI文件搜索系统
World File Search System连续变量
物理评论A 103，012408（2021）挤压...
连续变量代码是用于量子信息处理和涉及光网络的量子通信的方便解决方案。在这里，我们表征了挤压梳子，这是在线上挤压相干状态的有限叠加，其属性是逻辑量子器的连续变量编码选择。挤压梳子是Gottesman等人提出的理想代码的现实近似。[D. Gottesman，A。Kitaev和J. Preskill，物理。修订版A 64，012310（2001）]，它受到全面保护，免受连续变量系统中量子噪声类型引起的误差：阻尼和扩散。对于有限挤压梳子的代码空间不再是这种情况，而噪声稳健性至关重要地取决于编码参数。我们分析了相位空间中的有限梳子状态，突出了它们复杂的干扰特征，并在暴露于振幅阻尼和高斯扩散噪声过程时表征了它们的动态。我们发现，挤压梳状状态在暴露于阻尼时更合适，容易发生误差，这反对采用线性扩增的标准误差校正策略，以将阻尼转换为更易于描述的各向同性扩散噪声。
F-16 地面防撞验证挑战...
基准测试提案：F-16 战鹰是一种机动性极强的飞机，自 20 世纪 70 年代开始生产。从那时起，已有多项研究和书籍对飞机的性能进行了调查，并创建了仿真模型。在本文中，我们将其中一些模型作为验证挑战，提供 MATLAB 和 Python 代码来模拟 F-16 执行地面防撞以及其他自主机动。飞机模型和内环控制器具有 16 个连续变量和分段非线性微分方程。自主机动由外环控制器使用有限状态机执行，其中保护涉及连续变量。根据飞机飞行限制和模型边界提供通过/失败规范。该模型旨在成为分析航空航天系统详细行为的起点。
DAGBagM：学习混合变量的有向无环图并应用于识别卵巢癌的预后蛋白生物标志物
动机：通过将有向无环图 (DAG) 模型应用于蛋白质组数据推断出的有向基因/蛋白质调控网络已被证明可有效检测临床结果的因果生物标志物。然而，在 DAG 学习中仍然存在尚未解决的挑战，即联合建模临床结果变量（通常采用二进制值）和生物标志物测量值（通常是连续变量）。因此，在本文中，我们提出了一种新工具 DAGBagM，用于学习具有连续和二进制节点的 DAG。通过为连续和二进制变量使用适当的模型，DAGBagM 允许任一类型的节点在学习图中成为父节点或子节点。DAGBagM 还采用了引导聚合策略来减少误报并实现更好的估计精度。此外，聚合过程提供了一个灵活的框架，可以稳健地整合边缘上的先验信息以进行 DAG 重建。结果：模拟研究表明，与常用的将二进制变量视为连续变量或离散化连续变量的策略相比，DAGBagM 在识别连续节点和二进制节点之间的边方面表现更好。此外，DAGBagM 的表现优于几种流行的 DAG
对埃塞俄比亚亚的斯亚贝巴特定当地市场水果的细菌和寄生虫污染进行评估
方法：本研究采用横断面研究，研究对象为从亚的斯亚贝巴当地市场采集的水果。采用方便抽样。假设每个摊主提供 30 个样品，共采集了 120 个水果样品。水果样品收集在已消毒的塑料袋中，然后带到实验室进行细菌和寄生虫学调查。所有样品均进行了肠道寄生虫和细菌污染检查。使用 SPSS 软件版本 25 分析数据。使用 Pearson 卡方检验评估分类变量。使用学生 t 检验比较连续变量，连续变量以平均值±标准差表示。使用单变量和多变量分析，计算优势比 (OR) 和 95% 置信区间 (CI)。统计学显著性定义为 P < 0.05。
机器学习与回归脑损伤的预后：队列差异主导
2.2。模型规范预测的结果是6个月的死亡率和不利的结果（格拉斯哥成果量表<3或格拉斯哥成果量表 - 扩展<5）。模型中包含的预测因子是影响实验室模型的11个预测因子[25]。连续变量作为连续变量包括在模型中（无分类）。所包含变量及其规格的概述如表1所示。基线GCS得分定义为急诊室的最后一个GC（“稳定后”）。如果缺少此分数，则使用较早时刻的最接近的GC。总共包括11个预测因子，代表19个参数（或自由度[DF]）。在死亡率的情况下，我们的数据库中平均存在3491个事件（或每个参数的184个事件）。变量被标准化或单热编码，因为这是使用梯度下降优化的训练算法的标准实践。
登革热患者的心脏表现
统计分析：根据先前的研究，心脏表现的患病率为15-50％，精度为5％，置信度为95％，所需的样本量为385。使用SPSS版本25.0分析数据。分类变量表示为频率和百分比，而连续变量则表示为平均值±标准偏差或中位数（IQR），具体取决于数据的分布。使用卡方检验或Fisher的精确测试用于比较组之间的分类变量（患有和没有心脏表现的患者，严重和非重度登革热）。学生的T检验或Mann-Whitney U测试用于连续变量。p值<0.05被认为具有统计学意义。进行了多元逻辑回归分析，以识别登革热患者心脏表现的独立预测指标。在单变量分析中具有p值<0.1的变量。
玻色子量子计算优势资源
量子计算机有望大幅超越其经典计算机。然而，实现这种计算优势的非经典资源很难确定，因为这些潜在优势的产生并非单一资源，而是多种资源的微妙相互作用。在本信中，我们表明，每个玻色子量子计算都可以重铸为连续变量采样计算，其中所有计算资源都包含在输入状态中。利用这种简化，我们推导出一种用于强模拟玻色子计算的通用经典算法，其复杂性与输入状态和测量设置的非高斯恒星等级成比例。我们进一步研究了有效模拟相关连续变量采样计算的条件，并基于缺乏被动可分离性确定了非高斯纠缠的操作概念，从而阐明了压缩、非高斯性和纠缠等玻色子量子计算资源的相互作用。
引用文献 Goncharov RK、Kiselev AD、Samsonov EO、Egorov VI 连续变量量子密钥分发：信任安全分析
量子密钥分发 (QKD) [1] 是在双方 Alice 和 Bob 之间生成安全密钥的一种特殊方法，该方法可确保量子计算机时代传输信息的隐私。从历史上看，最早提出的协议是离散变量 (DV) 协议 [2, 3]，其中信息以单个光子的状态进行编码：偏振、相位或时间箱。然而，随着时间的推移，连续变量 (CV) 协议 [4–6] 被引入，由于使用同差/异差检测系统代替单光子探测器，这些协议被认为更高效、速率更高且具有成本效益。考虑 QKD 系统的安全性时，必须考虑到它们中的每一个都具有并不理想的有限物理实现，这为窃听者 Eve 提供了进行多次攻击并提取部分密钥的机会。为了防止这种威胁，针对每个协议，正在开发一个复杂的系统来评估 Eve 可用的信息和可接受的错误水平。目前，已经提出了相当多的工作，涵盖 CV-QKD 协议的安全性主题 [7–14]。在最适合实际实施的协议中，GG02 协议 [6,15] 脱颖而出，考虑到有限密钥效应，该协议的安全性已证明可以抵御相干（一般）攻击。此外，还考虑了不受信任和受信任的硬件噪声模型 [12]。后者是可取的，因为许多安全级别意味着 Eve 无法访问 Alice 和 Bob 的块，而且，考虑到不受信任的噪声会使协议基本上无法使用。因此，本文将在具有受信任硬件噪声的实际实施中提供针对一般攻击的 CV-QKD 的完整安全性证明。在第 2 节中，我们描述了 CV-QKD 方案的光学配置；在第 3 至第 5 节中，我们给出了可信噪声场景中协议的描述，并考虑了超出一般安全证明框架的特定攻击的可能性。在第 6 节中，我们提供了一种评估和监控实验参数的技术；在第 7 节中，我们阐明了安全性分析并估计了有限长度安全密钥的生成率。在第 8 节中，我们讨论了结果并得出了适当的结论。
使用嵌入在零差探测器中的可调光学滤波器抵消连续变量量子密钥分发中的饱和攻击
量子密钥分发 (QKD) 允许两个合法实体 Alice 和 Bob 共享一组密钥，但可能会被窃听者 Eve 操纵 [1–5]。目前，离散变量 (DV) QKD 已经得到发展，但它在源准备、检测成本和密钥速率方面仍然面临挑战 [6,7]。连续变量 (CV) QKD 是实现 QKD 的另一种方法 [8–13]。它具有实现方便的优势，因为它可以使用多种源，如相干态 [14] 和压缩态 [15]。尽管如此，CVQKD 也面临着实际安全性的威胁 [16–18]，原因是设备不完善、技术缺陷和操作不完善 [10,19,20]。例如，Eve 可以通过控制波长相关分束器 (BS) 的透射率来执行波长攻击 [21-23]。校准攻击可以通过修改本振 (LO) 脉冲的形状来实施 [24]。因此，已经提出了多种对策来抵消 LO 校准攻击和波长攻击的影响 [25-27]。在 CVQKD 的实际实现中，相干探测器变得脆弱。目前，在窃听零差探测器中的不完美电子时已经执行了饱和攻击 [2, 28]。它可以用于攻击系统的实际设备，因此它唤醒了实际的安全性，因为相干探测器具有有限线性域，可以通过移动接收到的正交的平均值将其驱动到外部（如果没有被监控）。此外，Eve 可以执行异差检测来测量截获的正交 X 和 P，从而为伪造相干态做准备 [28, 29]。为了抵消这种攻击，我们可以在同差探测器中采用嵌入式可调光滤波器 (AOF)，用于实时补偿强接收光功率导致的潜在饱和。基于检测响应的反馈，可以使用支持 AOF 的检测来抵消这种饱和攻击，这是雪崩光电二极管 (APD) 的实际增益调整。
![arXiv:2011.00904v1 [quant-ph] 2020 年 11 月 2 日](/simg/g:\will\search\icon\source\9\984089093ef6f037c7705d0d1f5a28519954da8e.webp)
arXiv:2011.00904v1 [quant-ph] 2020 年 11 月 2 日
摘要。生成建模已成为近期量子计算机的一个有前途的用例。特别是，由于量子力学的根本概率性质，量子计算机自然地建模和学习概率分布，可能比传统方法更高效。Born 机就是这种模型的一个例子，很容易在近期的量子计算机上实现。然而，在其原始形式中，Born 机只能自然地表示离散分布。由于连续性质的概率分布在世界上很常见，因此必须有一个能够有效表示它们的模型。文献中提出了一些建议，用额外的功能补充离散 Born 机，以便更容易学习连续分布，然而，所有这些都不可避免地在一定程度上增加了所需的资源。在这项工作中，我们提出了基于连续变量量子计算的替代架构的连续变量 Born 机，它更适合以资源最少的方式对此类分布进行建模。我们提供的数值结果表明该模型能够学习量子和经典连续分布，包括在存在噪声的情况下。