- 稀缺时间动力学数据的热力学优化超分辨率
使用具有热力学感知能力的神经网络,通过增加物理系统的测量分辨率并预测其时间演化。该方法使用对抗自编码器将完全有序模型的维数降低到一组隐变量中,并确保这些变量符合先验(例如正态分布)。然后,利用第二个神经网络学习隐变量的物理结构和预测其时序演 - 混合噪声和条件深度推理网络的后验估计
通过期望最大化算法,我们提出使用条件归一化流来近似后验概率,在贝叶斯逆问题中联合估计后验和噪声参数,应用于间接测量和纳米计量领域,该模型能够整合多种测量信息。
- MM无纠缠下的 Pauli 通道学习的严格界限
展示了不利用纠缠态的学习算法需要 Theta (2^nε^-2) 轮测量来估计 n-qubit 保利(Pauli)通道的每个特征值到 ε 误差,并对不使用纠缠态的学习算法的紧密下界进行了证明。
- EMNLP语言模型是否理解计量单位?
本文研究了预训练语言模型在理解数字和测量值上的能力,并提出了一种嵌入策略来更好地区分数字和单位,以提高模型性能。
- ACLUPB 参加 SemEval-2021 任务 8:作为多回合问答的测量语义信息提取
该研究旨在通过语义信息提取对科学文献中的计量和计数进行分析,并提供数据集以培训模型提取科学文本中的测量信息,并通过五个子任务来构建,并采用多回合问答的方法解决前三个子任务,最终在测试集上获得了 36.91%的重叠 F1 分数。
- 从少量测量中预测量子系统的多种属性
本文提出了一种高效的方法 —— 使用极少量的量子态测量来构建量子系统的经典阴影,以预测量子态的各种性质,并支持其理论发现与大量数值实验。
- 在两个基础上的测量足以证明高维量子纠缠
用精心构造的两个基(其中一个非正交)中的测量方法可以有效、有效地证明任何物理平台上双方高维状态及其纠缠度,并在光子轨道角动量中演示。
- 从噪声动态中重构有向网络中的链接
本文提出了一种对于测量数据的协方差,结合网络结构进行有向网络链接重建的通用方法。
- 压缩感知中的概率重构:算法、相图和阈值实现矩阵
本论文详细介绍了一种新型的压缩感知策略,使用概率方法进行信号重建和最大化信号模型参数,并探讨了不同信号分布的相应相图的渐近分析及最佳重建性能。
- 量子网络的理论框架
本文基于量子组合和链接积的概念,提出了一种处理量子网络及其所有可能变换的框架,包括量子态、测量、信道的克隆、识别、估计和重构等。从构造性和公理性两个角度研究了量子网络,并证明了其量子记忆信道的普适性。
- 复杂网络的特征分析:度量方法调查
本文对复杂网络的测量进行了综述,包括对其特征的一般考虑、主要模型的简要回顾和主要现有的测量的介绍。同时,本文讨论了复杂网络在多种测量空间下的轨迹表示、传统测量之间的相关性分析、紊动分析以及多元统计用于特征选择和网络分类等相关问题。根据具体的