405905 research outputs found
Sort by
Does the Default Mode Network mediate the relation between Life Satisfaction and Cognitive Processing in Healthy Aging?
No full textInfluence of Hydraulic Conductivity Conceptualization and Unsaturated Flow Parameters for an Integrated Hydrological Model
No full textMultiqubit Rydberg Gates for Quantum Error Correction
No full textMultiqubit gates that involve three or more qubits are usually thought to be of little significance for fault-tolerant quantum error correction because single gate faults can lead to high-weight correlated errors. However, recent works have shown that multiqubit gates can be beneficial for measurement-free fault-tolerant quantum error correction and for fault-tolerant stabilizer readout in unrotated surface codes. In this work, we investigate multiqubit Rydberg gates that are useful for fault-tolerant quantum error correction in single-species neutral-atom platforms and can be implemented with a single, non-addressed laser pulse. We develop an open-source Python package to generate analytical, few-parameter pulses that implement the desired gates while minimizing gate errors due to Rydberg-state decay. The tool also allows us to identify parameter-optimal pulses, characterized by a minimal parameter count for the pulse ansatz. Measurement-free quantum error correction protocols require CCZ gates, which we analyze for atoms arranged in symmetric and asymmetric configurations. We investigate the performance of these schemes for various single-, two-, and three-qubit gate error rates, showing that break-even performance of measurement-free QEC is within reach of current hardware. Moreover, we study Floquet quantum error correction protocols that comprise two-body stabilizer measurements. Those can be realized using global three-qubit gates, and we show that this can lead to a significant reduction in shuttling operations. Simulations with realistic circuit-level noise indicate that applying three-qubit gates for stabilizer measurements in Floquet codes can yield competitive logical qubit performance in experimentally relevant error regimes
Entwicklung einer automatisierten Testumgebung zur Analyse von Node-Sharing-Szenarien
No full textDas Jülich Supercomputing Centre (JSC) betreibt Höchstleistungsrechner, die darauf ausgelegt sind, Jobs auf vielen Rechenknoten gleichzeitig auszuführen. Da einzelne Jobs die Ressourcen eines Knotens – wie CPUs, GPUs oder Speicher – oft nicht vollständig auslasten, scheint Node-Sharing ein vielversprechender Ansatz zur Verringerung der Unterauslastung zu sein. Dabei teilen sich mehrere Anwendungen einen Rechenknoten, was jedoch zu gegenseitiger Konkurrenz um Ressourcen und Leistungseinbußen führen könnte.Ziel dieser Arbeit war die Entwicklung einer Testumgebung zur Simulation und Analyse verschiedener Node-Sharing-Szenarien. Die Umgebung erlaubt es, typische Anwendungssituationen zu modellieren und Auswirkungen von Node-Sharing zu erkennen.Erste exemplarische Analysen auf dem Höchstleistungsrechner JURECA demonstrieren die Funktionalität der Testumgebung und liefern erste Einblicke in die Auswirkungen von Node-Sharing auf die Leistung ausgewählter Anwendungen. Die entwickelte Umgebung bildet damit die Grundlage für weiterführende, systematische Untersuchungen von Node-Sharing auf Höchstleistungsrechnern
Current Compliance‐Driven Morphological Evolution of Conductive Filaments in ECM Cells: Mechanisms, Switching Regimes, and Thermal Effects
No full textAnthropocentric bias in language model evaluation
No full textEvaluating the cognitive capacities of large language models (LLMs) requires overcoming not only anthropomorphic but also anthropocentric biases. This article identifies two types of anthropocentric bias that have been neglected: (i) overlooking how auxiliary factors can impede LLM performance despite competence, which we call auxiliary oversight, and (ii) dismissing LLM mechanistic strategies that differ from those of humans as not genuinely competent, which we call mechanistic chauvinism. Mitigating these biases necessitates an empirically-driven, iterative approach to mapping cognitive tasks to LLM-specific capacities and mechanisms, which can be done by supplementing carefully designed behavioral experiments with mechanistic studies.Paper coauthored with Raphaël Millière
Decision Making. Fundamentals and Applications
No full textThis book offers a comprehensive review of current topics in decision making. It covers new findings relating to foundations, mechanisms, and consequences of decisions, shedding light on the cognitive processes from different disciplinary perspectives. Chapters report on psychological studies of the cognitive mechanisms of decision making, neuroimaging studies on the neural correlates, studies of patient populations to characterize alterations in decision making in specific diseases, as well as discussions concerning philosophical and ethical issues
Künstliche Intelligenz in der Radiologie: Von der experimentellen Phase zur produktiven Anwendung
No full textDie Diskussion um den Einsatz von Künstlicher Intelligenz (KI) in der Medizin und speziell in der Radiologie wird seit Jahren intensiv geführt. Geoffrey Hinton behauptete im Jahr 2016, dass die Ausbildung von Radiologinnen und Radiologen eingestellt werden sollte, da KI diese in fünf bis zehn Jahren überflüssig machen werde [1]. Im Jahr 2023 hat Hinton seine frühere Einschätzung teilweise zurückgenommen und bemerkt, er habe etwa um den Faktor 3 falsch gelegen. Er sei aber immer noch davon überzeugt, auf lange Sicht recht zu behalten [2]. Seit Hintons erster Äußerung hat sich vieles verändert. Während damals kaum KI-basierte Anwendungen verfügbar waren, gibt es mittlerweile eine Vielzahl zugelassener Medizinprodukte, die KI beinhalten. Ende 2024 führte die US-amerikanische Food and Drug Administration (FDA) auf ihrer Website 1 026 zugelassene KI-basierte Medizinprodukte – 777 davon entfielen auf den Bereich der Radiologie [3]. KI-Anwendungen in der Radiologie sind damit keine Spekulation mehr, sondern haben die klinische Praxis erreicht. Beispiele für relevante Anwendungsfelder sind unter anderem die KI-gestützte Frakturerkennung in Röntgenbildern [4] oder die Röntgen-Thorax-Diagnostik, bei der unter anderem eine Verbesserung der Detektionsrate relevanter Lungenrundherde [5] und eine Verkürzung der Befundungszeiten [6] belegt werden konnten. Dennoch ist festzustellen, dass die Verwendung radiologischer KI-Anwendungen in der medizinischen Routine, zumindest gemessen am Angebot, bislang wenig verbreitet ist. Gründe hierfür sind unter anderem finanzielle Faktoren [7] sowie die spärliche Validierung eines Mehrwerts [8]. Zudem hält die Implementierung mit der rasanten Entwicklung immer weniger Schritt. Schon jetzt lassen neue Möglichkeiten großer Sprachmodelle [9] sowie sogenannter „foundation models“ [10] die bestehende KI-Integration anachronistisch erscheinen. Parallel zur technischen Entwicklung haben sich die regulativen Rahmenbedingungen für medizinische KI in den vergangenen Jahren erheblich verändert, nicht zuletzt mit der KI-Verordnung der Europäischen Union von 2024. Dessen ungeachtet sind viele ethische und rechtliche Aspekte der Implementierung noch offen, und die Frage der Akzeptanz von KI-basierten Anwendungen in der Medizin ist bislang nur ansatzweise beantwortet. Der bekannte Gartner Hype Cycle [11] unterscheidet fünf Phasen der Aufmerksamkeit auf eine Technologie: Einem technologischen Auslöser folgen demnach zunächst ein Gipfel der überzogenen Erwartungen und ein Tal der Enttäuschungen, bevor der Pfad der Erleuchtung schließlich auf das Plateau der Produktivität führt. Ob wir uns langsam diesem Plateau annähern, wird man erst in Zukunft retrospektiv beurteilen können – dennoch scheint es sinnvoll, eine Zwischenbilanz zu ziehen
