CN114550816A - 基于光子芯片病毒变异概率的预测方法 - Google Patents
基于光子芯片病毒变异概率的预测方法 Download PDFInfo
- Publication number
- CN114550816A CN114550816A CN202210194876.9A CN202210194876A CN114550816A CN 114550816 A CN114550816 A CN 114550816A CN 202210194876 A CN202210194876 A CN 202210194876A CN 114550816 A CN114550816 A CN 114550816A
- Authority
- CN
- China
- Prior art keywords
- layer
- prediction
- nodes
- layers
- prediction layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Data Mining & Analysis (AREA)
- Bioethics (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Genetics & Genomics (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Micro-Organisms Or Cultivation Processes Thereof (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于光子芯片病毒变异概率的预测方法,属于光芯片技术领域。因为在本发明所涉及的基于光子芯片病毒变异概率的预测方法中,通过在光子芯片上建立多个预测层和通过层,并赋予每个预测层中的任一分割节点发生变异的概率值,使得光束在具有一个分割节点的预测层射入,并在与最末端的预测层相耦合的连接层输出一系列通过节点,通过分析该一系列通过节点透射出来的光束的强度,进而可以同时输出病毒中变异位点发生变异的所有可能性。所以,本发明提供的方法无需进行大量的模型训练过程,并且可以同时输出病毒发生变异位点的所有可能性,大大提高了病毒变异位点的预测速率。
Description
技术领域
本发明涉及光芯片技术领域,具体涉及一种基于光子芯片病毒变异概率的预测方法。
背景技术
新冠病毒变异的演化趋势是目前急需研究和解决的重大难题,通过研究新冠病毒中蛋白变异的位点,进而预测出在新冠病毒法上发生变异位点的所有概率。现有技术中是通过机器学习,来模拟得到新冠病毒变异位点的概率。但是在模拟过程中,需要对训练样本进行大量的训练,尤其对于庞大的数据集,需要耗费大量时间,并且每次训练仅能得到一个变异位点的概率,因此,如何快速获取新冠病毒变异位点的概率,并且不需要经过大量的训练过程,就可以同时得到新冠病毒变异位点的所有可能性显得至关重要。
光子芯片一般是采用InP(磷化铟)/GaAs/In InGaAsP等III-V族发光材料制作而成,其中硅光子芯片一般是硅和其它III-V族发光材料混合集成,其基本工作原理是当给磷化铟施加电压的时候,产生持续的激光束,进而驱动其他的硅光子器件。现有技术中,光子芯片可以解决简单的数学问题,但是对于新冠病毒变异位点的概率预测和所有变异可能性分析的问题还没有人对此进行实验研究。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种基于光子芯片病毒变异概率的预测方法。
本发明提供了一种基于光子芯片病毒变异概率的预测方法,具有
这样的特征,包括如下步骤:在光子芯片上建立多个预测层L1、L2……LK,每个预测层具有一个或多个分割节点,K为大于1的正整数;多个预测层L1、L2……LK中,越靠后的预测层中分割节点的数目多于靠前的预测层中的分割节点的数目;对任一分割节点分配一个概率值;在预测层LK后设置与之相耦合的一个末端连接层,该末端连接层具有一系列通过节点,该一系列通过节点透射出来的光线的强度的概率之和为100%;该一系列通过节点中任一通过节点透射出来的光线的强度代表一个预测层或多个预测层的组合发生变异的概率;从预测层L1输入光束,根据该一系列通过节点透射出来的光线的强度,从而分析病毒变异的概率和所有可能性。
本发明提供的基于光子芯片病毒变异概率的预测方法中,还具有这样的特征:在前后相邻的两个预测层之间设置一个或多个通过层,通过层用于将前后相邻的两个预测层中前一个预测层中透射出来的光束引导射向后一个预测层。
本发明提供的基于光子芯片病毒变异概率的预测方法中,还具有这样的特征:若任一分割节点透射出的光束不发生偏移,则表征该分割节点不发生变异;若任一分割节点透射出的光束以被给定的概率值发生偏移,则表征该分割节点发生变异。
本发明提供的基于光子芯片病毒变异概率的预测方法中,还具有这样的特征:前后相邻的两个预测层La、Lb之间设置有单个通过层时,该单个通过层中通过节点的数目比预测层La中分割节点的数目多1,比预测层Lb中分割节点的数目少1,其中,a<b<K。
本发明提供的基于光子芯片病毒变异概率的预测方法中,还具有这样的特征:前后相邻的两个预测层Lc、Ld之间设置有多个通过层时,靠近预测层Lc的通过层中通过节点的数目比预测层Lc中分割节点的数目多1,靠近预测层Ld的通过层中通过节点的数目比预测层Ld中分割节点的数目少1,其中,c<d<K。
本发明提供的基于光子芯片病毒变异概率的预测方法中,还具有这样的特征:在预测层Lc与预测层Ld之间设置的相邻两个通过层中,靠近预测层Lc的通过层比远离预测层Lc的通过层的通过节点的数目少1。
本发明提供的基于光子芯片病毒变异概率的预测方法中,还具有这样的特征:在预测层LK与末端连接层之间设置多个中间连接层,前后相邻的两个中间连接层中靠近预测层LK的中间连接层比远离预测层LK的中间连接层的通过节点的数目少1。
本发明提供的基于光子芯片病毒变异概率的预测方法中,还具有这样的特征:预测层LK中分割节点的数目比该预测层LK后的中间连接层中的通过节点的数目少1。
本发明提供的基于光子芯片病毒变异概率的预测方法中,还具有这样的特征:多个预测层L1、L2……LK中每个预测层中分割节点的数目以2N的增长方式进行递增,其中,N为自然数。
本发明提供的基于光子芯片病毒变异概率的预测方法中,还具有这样的特征:预测层L1中分割节点的数目为1。
发明的作用与效果
根据本发明所涉及的基于光子芯片病毒变异概率的预测方法,因为本发明提供的方法通过在光子芯片上建立多个预测层和通过层,并赋予每个预测层中的任一分割节点发生变异的概率值,使得光束在具有一个分割节点的预测层射入,并在与最末端的预测层相耦合的连接层输出一系列通过节点。通过分析该一系列通过节点透射出来的光束的强度,进而可以同时输出病毒中变异位点发生变异的所有可能性。所以,本发明提供的方法无需进行大量的模型训练过程,并且可以同时输出病毒发生变异位点的所有可能性,大大提高了病毒变异位点的预测速率。
附图说明
图1是本发明的实施例中光子芯片的截面示意图;
图2是本发明的实施例中基于光子芯片病毒变异概率的位点示意图;
图3是图2中分割节点发生变异的方向指示示意图;
图4是图2中10的结构示意图;
图5是图2中30的结构示意图;
图6是图2中50的结构示意图;
图7是本发明的实施例中突刺蛋白变异位点的筛选结果示意图;
图8是图7中每个变异位点发生变异的概率统计表;
图9是本发明的实施例提供的基于光子芯片病毒变异概率的输出结果统计表。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下结合实施例及附图对本发明一种基于光子芯片病毒变异概率的预测方法作具体阐述。
<实施例>
图1是本发明的实施例中光子芯片的截面示意图。
本实施例提供的基于光子芯片病毒变异概率的预测方法是在图1所示的光子芯片中进行病毒变异概率的预测,同时本实施例以新冠病毒上的突刺蛋白变异位点为例,进而预测在突刺蛋白发生变异位点的所有可能性。另外,本实施例中以光束进入光子芯片的入射方向规定编号小的预测层为前,编号大的预测层为后。
图2是本发明的实施例中基于光子芯片病毒变异概率的位点示意图。
如图2所示,本实施例提供的基于光子芯片病毒变异概率的预测方法如下:
在光子芯片上建立四个预测层L1、L2、L3、L4,每个预测层具有一个或多个分割节点;四个预测层L1、L2、L3、L4中,越靠后的预测层中分割节点的数目多于靠前的预测层中的分割节点的数目;对任一分割节点分配一个概率值;在预测层L4后设置与之相耦合的一个末端连接层,该末端连接层具有一系列通过节点,该一系列通过节点透射出来的光线的强度的概率之和为100%;该一系列通过节点中任一通过节点透射出来的光线的强度代表一个预测层或多个预测层的组合发生变异的概率;从预测层L1输入光束,根据该一系列通过节点透射出来的光线的强度,从而分析病毒变异的概率和所有可能性。
图3是图2中分割节点发生变异的方向指示示意图。
如图3所示,分割节点呈六边形,若任一分割节点不发生变异,则透射过该分割节点的光束不发生偏移,并竖直射出;若该分割节点发生变异,则透射过该分割节点的光束以被分配的概率偏移射出。在本实施例中,分割节点的偏移与不偏移通过三维分束器实现。
图2中的通过节点呈圆形,任一通过节点仅能保持光束透射的初始方向继续前进,并且任一通过节点自身不能使透射的光束发生偏移。
如图2所示,本实施例提供的基于光子芯片病毒变异概率的预测方法的具体过程如下:
在图1的光子芯片的横截面上建立4个预测层L1、L2、L3、L4以及多个通过层M1、M2……M12,并对每个预测层中的任一分割节点分配概率值。
第一预测层L1为首层,该层具有一个分割节点,光束从第一预测层L1中的分割节点射入,在本实施例中,第一预测层L1中的分割节点发生变异的概率为62.5%,不发生变异的概率值为37.5%。
第二预测层L2设置在第一预测层L1的后面,第二预测层L2具有两个分割节点。在本实施例中第一预测层L1与第二预测层L2之间不设置通过层。
图4是图2中10的结构示意图。
如图4所示,记第一预测层L1中的分割节点为11,第二预测层L2中的两个分割节点分别为分割节点为12、分割节点为13。进入光子芯片的光束从分割节点11射入,若分割节点11不发生变异,则从分割节点11透射出的光束以被分配的37.5%的不变异的概率直射入分割节点12;若分割节点11发生变异,则从分割节点11透射出的光束以被分配的62.5%的变异概率偏移射向分割节点13。
第一通过层M1设置在第二预测层L2的后面,第一通过层M1具有三个通过节点。在本实施例中,第一通过层M1中的前两个通过节点分别与分割节点11、分割节点21位于同一直线上,第一通过层M1中的第三个通过节点位于分割节点11与分割节点13的延长线上。
第三预测层L3设置在第一通过层M1的后面,第三预测层L3具有四个分割节点。
第四预测层L4具有八个分割节点,第三预测层L3与第四预测层L4之间设置有三个通过层,依次为第二通过层M2、第三通过层M3以及第四通过层M4。第二通过层M2中具有五个通过节点,第三通过层M3中具有六个通过节点,第四通过层M4中具有七个通过节点。
图5是图2中30的结构示意图。
如图5所示,记第三预测层L3中的第一个分割节点为31,第二通过层M2中的第一个通过节点为32,第二通过层M2中的第二个通过节点为33。具体地,当从第一通过层M1透射出的光束射向分割节点31时,若分割节点31不发生变异,则从分割节点31透射出的光束以不变异的概率31.4%竖直射向通过节点32;若分割节点31发生变异,则从分割节点31透射出的光束以变异的概率68.6%偏移射向通过节点33。
图6是图2中50的结构示意图。
如图6所示,记第三通过层M3的第三个通过节点为51,第四通过层M4的第三个通过节点为52,第四个通过节点为53。参考图5可知,若第三预测层L3中的分割节点31发生变异,则从该分割节点31透射出来的光束依次偏移射向通过节点33、通过节点51、通过节点53。若第三预测层L3中的第三个分割节点不发生变异,则从第三预测层L3中的第三个分割节点透射出来的光束竖直依次射向通过节点51、通过节点52。
第四预测层L4后面设置有八个连接层,其中,最后一个为末端连接层M12,第四预测层L4与末端连接层M12之间设置有七个中间连接层,其中,第四预测层L4后的第一个中间连接层具有九个通过节点,末端连接层M12前面的中间连接层具有十五个通过节点。前后相邻的两个中间连接层中,后一个中间连接层所含的通过节点的数目比前一个中间连接层的数目多1。
末端连接层M12具有十六个通过节点,每一个通过节点透射出来的光线的强度代表一个预测层或多个预测层的组合发生变异的概率,十六个通过节点透射出来的光线的强度的概率之和为100%。
图7是本发明的实施例中突刺蛋白变异位点的筛选结果示意图。
在本实施例中,基于GISAID数据库中提供的新冠变种样本,对突刺蛋白变异位点进行筛选和统计,得到数据集,并对得到数据集借助现有的数据处理软件进行筛选、噪声过滤,从而得到突刺蛋白中单个位点发生变异的概率值。
如图7所示,在突刺蛋白上共计得到19个发生变异的单个变异位点,在第23604位,有两个变异位点。在图7中,pos表示位点,prop表示概率。
图8是图7中每个变异位点发生变异的概率统计表。
图9是本发明的实施例提供的基于光子芯片病毒变异概率的输出结果统计表。
图9中的第一预测层L1、第二预测层L2、第三预测层L3、第四预测层L4中的任一分割节点分别对应图8与图7的第21618位点、第21765位点、第21846位点以及第21987位点。
结合图2与图9,以输出5为例,对输出第一预测层L1与第三预测层L3发生变异的可能性进行具体描述。由图2可知,当第一预测层L1中的分割节点11发生变异时,该分割节点11偏移射向分割节点13(参见图4)。分割节点13不发生变异,从分割节点13透射出的光束竖直射向第三预测层L3的第二个分割节点(在第三预测层L3中从左到右依次为第一分割节点、第二分割节点),该第二个分割节点发生变异,透射过该第二个分割节点的光束偏移射向第四预测层L4中的第六个分割节点(在第四预测层L4中从左到右依次为第一分割节点、第二分割节点)。该第六个分割节点不发生变异,透射过该第六个分割节点的光束竖直射向末端连接层M12的第五个通过节点。通过从末端连接层M12的第五个通过节点透射出来的光束的强度,从而分析得到在第一预测层L1与第三预测层L3发生的概率。本实施例仅以输出数字5为例,进行了详细描述,对于其他数字的输出,均可按照上述描述方式得到,进而分析出病毒变异的概率和可能性。
本实施例中以图5为例,对透射过任一分割节点的光束以被赋予的概率发生偏移射出和不偏移射出的原理进行以下说明。
如图5所示,分割节点31通过3D分束器进行分束从而发生偏移和不偏移。具体地,透射过分割节点31的光束的两个波导首先逐渐耦合,然后其中一个波导向上爬升进行解耦,也即发生偏移,另一个波导继续保持初始方向不变,也即图中通过节点32与通过节点33,从而使得透射过分割节点31的光束按照被赋予的概率值进行光的分束。
实施例的作用与效果
根据本实施例所涉及的基于光子芯片病毒变异概率的预测方法,因为本实施例提供的方法通过在光子芯片上建立多个预测层和通过层,并赋予每个预测层中的任一分割节点发生变异的概率值,使得光束在具有一个分割节点的预测层射入,并在与最末端的预测层相耦合的连接层输出一系列通过节点。通过分析该一系列通过节点透射出来的光束的强度,进而可以同时输出病毒中变异位点发生变异的所有可能性。所以,本实施例提供的方法无需进行大量的模型训练过程,并且可以同时输出病毒发生变异位点的所有可能性,大大提高了病毒变异位点的预测速率。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。
Claims (10)
1.一种基于光子芯片病毒变异概率的预测方法,其特征在于,包括如下步骤:
在光子芯片上建立多个预测层L1、L2……LK,每个所述预测层具有一个或多个分割节点,K为大于1的正整数;
多个所述预测层L1、L2……LK中,越靠后的预测层中分割节点的数目多于靠前的预测层中的分割节点的数目;
对任一所述分割节点分配一个概率值;
在预测层LK后设置与之相耦合的一个末端连接层,该末端连接层具有一系列通过节点,该一系列通过节点透射出来的光线的强度的概率之和为100%;
该一系列通过节点中任一通过节点透射出来的光线的强度代表一个预测层或多个预测层的组合发生变异的概率;
从预测层L1输入光束,根据该一系列通过节点透射出来的光线的强度,从而分析病毒变异的概率和所有可能性。
2.根据权利要求1所述的基于光子芯片的病毒变异概率的预测方法,其特征在于:
在前后相邻的两个预测层之间设置一个或多个通过层,所述通过层用于将所述前后相邻的两个预测层中前一个预测层中透射出来的光束引导射向后一个预测层。
3.根据权利要求1所述的基于光子芯片的病毒变异概率的预测方法,其特征在于:
若任一分割节点透射出的光束不发生偏移,则表征该分割节点不发生变异;
若任一分割节点透射出的光束以被给定的概率值发生偏移,则表征该分割节点发生变异。
4.根据权利要求2所述的基于光子芯片的病毒变异概率的预测方法,其特征在于:
前后相邻的两个预测层La、Lb之间设置有单个通过层时,该单个通过层中通过节点的数目比预测层La中分割节点的数目多1,比预测层Lb中分割节点的数目少1,
其中,a<b<K。
5.根据权利要求2所述的基于光子芯片的病毒变异概率的预测方法,其特征在于:
前后相邻的两个预测层Lc、Ld之间设置有多个通过层时,靠近预测层Lc的通过层中通过节点的数目比预测层Lc中分割节点的数目多1,
靠近预测层Ld的通过层中通过节点的数目比预测层Ld中分割节点的数目少1,
其中,c<d<K。
6.根据权利要求5所述的基于光子芯片的病毒变异概率的预测方法,其特征在于:
在所述预测层Lc与所述预测层Ld之间设置的相邻两个通过层中,靠近所述预测层Lc的通过层比远离所述预测层Lc的通过层的通过节点的数目少1。
7.根据权利要求1所述的基于光子芯片的病毒变异概率的预测方法,其特征在于:
在所述预测层LK与所述末端连接层之间设置多个中间连接层,前后相邻的两个中间连接层中靠近所述预测层LK的中间连接层比远离所述预测层LK的中间连接层的通过节点的数目少1。
8.根据权利要求7所述的基于光子芯片的病毒变异概率的预测方法,其特征在于:
所述预测层LK中分割节点的数目比该预测层LK后的中间连接层中的通过节点的数目少1。
9.根据权利要求1所述的基于光子芯片的病毒变异概率的预测方法,其特征在于:
多个所述预测层L1、L2……LK中每个预测层中分割节点的数目以2N的增长方式进行递增,
其中,N为自然数。
10.根据权利要求9所述的基于光子芯片的病毒变异概率的预测方法,其特征在于:
预测层L1中分割节点的数目为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210194876.9A CN114550816B (zh) | 2022-03-01 | 2022-03-01 | 基于光子芯片病毒变异概率的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210194876.9A CN114550816B (zh) | 2022-03-01 | 2022-03-01 | 基于光子芯片病毒变异概率的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114550816A true CN114550816A (zh) | 2022-05-27 |
CN114550816B CN114550816B (zh) | 2022-11-04 |
Family
ID=81661806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210194876.9A Active CN114550816B (zh) | 2022-03-01 | 2022-03-01 | 基于光子芯片病毒变异概率的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114550816B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106461556A (zh) * | 2014-05-08 | 2017-02-22 | 米特奇有限公司 | 等离子体光子芯片及使用其的癌症疾病的利用荧光图像以及拉曼光谱的诊断方法 |
US20170058365A1 (en) * | 2015-09-01 | 2017-03-02 | Seven Bridges Genomics Inc. | Systems and methods for analyzing viral nucleic acids |
CN113337639A (zh) * | 2021-05-28 | 2021-09-03 | 天津金匙医学科技有限公司 | 一种基于mNGS检测COVID-19的方法及其应用 |
CN113593639A (zh) * | 2021-08-05 | 2021-11-02 | 湖南大学 | 一种用于病毒基因组变异分析、监测方法和系统 |
-
2022
- 2022-03-01 CN CN202210194876.9A patent/CN114550816B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106461556A (zh) * | 2014-05-08 | 2017-02-22 | 米特奇有限公司 | 等离子体光子芯片及使用其的癌症疾病的利用荧光图像以及拉曼光谱的诊断方法 |
US20170058365A1 (en) * | 2015-09-01 | 2017-03-02 | Seven Bridges Genomics Inc. | Systems and methods for analyzing viral nucleic acids |
CN113337639A (zh) * | 2021-05-28 | 2021-09-03 | 天津金匙医学科技有限公司 | 一种基于mNGS检测COVID-19的方法及其应用 |
CN113593639A (zh) * | 2021-08-05 | 2021-11-02 | 湖南大学 | 一种用于病毒基因组变异分析、监测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114550816B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7593905B2 (en) | Method of combinatorial multimodal optimisation | |
CN112313678B (zh) | 模拟和分析量子电路的系统和方法 | |
JP7324274B2 (ja) | アプリケーションまたはアルゴリズムに固有の量子回路設計 | |
US7877724B2 (en) | Decision tree representation of a function | |
CN108171617A (zh) | 一种电网大数据分析方法及装置 | |
Shakhovska et al. | Big data processing technologies in distributed information systems | |
Paquot et al. | Reservoir computing: a photonic neural network for information processing | |
US5742803A (en) | Method of performing a compilation process for determining a branch probability and an apparatus for performing the compilation process | |
Coudert et al. | Lightpath assignment for multifibers WDM networks with wavelength translators | |
CN114550816B (zh) | 基于光子芯片病毒变异概率的预测方法 | |
Li et al. | Visual analytics techniques for exploring the design space of large-scale high-radix networks | |
Gonzalez Izquierdo et al. | Advantage of pausing: Parameter setting for quantum annealers | |
Bhore et al. | Parameterized algorithms for queue layouts | |
Ajwani et al. | Generating synthetic task graphs for simulating stream computing systems | |
Bentley et al. | A general class of resource tradeoffs | |
Gourgoulis et al. | Creating scalable traffic simulation on clusters | |
KR102294173B1 (ko) | 구조적 정보제어넷 기반 프로세스 마이닝 시스템 및 방법 | |
Mumcuyan et al. | Optimally bipartitioning sparse matrices with reordering and parallelization | |
Rodriguez-Cristerna et al. | A mutation-selection algorithm for the problem of minimum brauer chains | |
CN110569978A (zh) | 量子滑梯及与非逻辑算法器件及其实现方法 | |
Fallah et al. | A parallel hybrid genetic algorithm for solving the maximum clique problem | |
JP7402359B1 (ja) | 表形式データ生成システム | |
CN117352533B (zh) | 发光二极管及制备方法 | |
Nikolić et al. | Timing-driven placement for FPGA architectures with dedicated routing paths | |
CN112685922B (zh) | 一种两层级联的实验方案设计方法与系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |