XiaoMi-AI文件搜索系统
World File Search System低阶
模拟格子施温格模型的量子算法
Schwinger 模型（1+1 维量子电动力学）是研究量子规范场论的试验平台。我们给出了可扩展的显式数字量子算法来模拟 NISQ 和容错设置中的格子 Schwinger 模型。具体而言，我们使用最近推导的交换子界限对 Schwinger 模型的低阶 Trotter 公式模拟进行了严格分析，并给出了两种情况下模拟所需资源的上限。在格点中，我们发现在 N/2 个物理点上具有耦合常数 x − 1 / 2 和电场截止 x − 1 / 2 Λ 的 Schwinger 模型可以在量子计算机上使用 e O ( N 3 / 2 T 3 / 2 √ x Λ) 中的多个 T 门或 CNOT 进行模拟，时间为 2 xT，操作数为固定算子误差。这种使用截断 Λ 的缩放效果优于量子比特化或 QDRIFT 等算法的预期效果。此外，我们给出了可扩展的测量方案和算法来估计可观测量，这些可观测量在 NISQ 和容错设置中都是通过假设一个简单的目标可观测量（平均对密度）来计算的。最后，我们将通过模拟估计此可观测量的均方根误差限制为理想和实际 CNOT 通道之间的菱形距离的函数。这项工作提供了对模拟 Schwinger 模型的严格分析，同时还提供了可以测试后续模拟算法的基准。
社交媒体对小型和...
航天器的操作需要一个至关重要的控制方案来加以执行任务。因此，滑动模式控制（SMC）是能够满足航天器控制操作要求的Ro-Bust Control方法之一。经典SMC在控制输入中会产生chat不休，这可能会导致移动机械部件的磨损，例如执行器。因此，许多研究人员在SMC中引入了修改，以减轻chat不休的缺点。SMC控制开发可以分为两组；低阶滑动模式控制（LOSMC）和高阶滑动模式控制（HOSMC）。详细说明，HOSMC需要与LOSMC相比具有复杂的控制算法，但具有更明显的动态响应。因此，需要一个新的LOSMC，产生与HOSMC相似的结果，但在对照算法中的复杂性较小。sev-sever选定的SMC方法；航天器的态度和orientation模型（SAOM）和航天器会合和对接演习（SRDM）。此分析是评估新的LOSMC控制开发的现有SMC技术，优势和劣势的重要媒介。首先，在SAOM和SRDM上分析了所提出的LOSMC，其中结果与HOSMC进行了比较。然后，在新的LOSMC和HOSMC上实现了优化技术（粒子群优化（PSO））。PSO帮助SAOM和SRDM改善了瞬态轨迹。新的LOSMC是设计的，并且可以作为具有低复杂性算法的HOSMC执行。最后，这将及其在SAOM和SRDM上的表现提供有用的SMC控制策略信息。
高级认知受到信息丰富但可压缩的大脑活动模式的支持
大脑活动模式高度灵活，通常是复杂的，但也高度结构化。6在这里，我们研究了大脑活动模式的基本特性与正在进行的7个认知过程之间。为此，我们将降低算法和模式8分类器应用于功能性神经成像数据，因为参与者听了一个故事的故事，该故事是故事的故事的9个故事，或进行了静止状态扫描会议。这10个实验条件旨在需要处理的深度，并激发11个不同水平的认知参与度。我们考虑了数据的两个主要方面。首先，我们将参与者的最大可实现的解码精度视为记录模式的“信息性”的指标。第二，我们处理了达到阈值解码精度所需的特征14（组件）的数量，以作为神经模式的“压缩 - 15同一性”的代理（其中较少的组件表示更大的压缩）。总的来说，16我们发现，在完整的（未散布）故事聆听条件下，峰值解码准确性（可实现而无需限制fea-17 tures的数量）是最高的。但是，在完整的19个故事聆听条件下，实现可比较分类精度所需的功能的数字也最低。23在一起，我们的工作表明，根据持续的任务需求，我们的大脑网络灵活地重新配置了，并且与与低阶任务相关的活动模式相比，与21种高阶认知和高参与度相关的活动模式都更具信息性和可压缩性22。
通过拓扑高阶功能连通性阐明精神分裂症中精神分裂症的整合 - 隔离失衡
背景：脑疾病的发生与脑连接学专业化中可检测的功能障碍相关。广泛的研究探讨了这种关系，但考虑到低阶网络的局限性，缺乏研究专门研究精神病脑网络之间的统计相关性。此外，这些功能障碍被认为与大脑功能中的信息失衡有关。但是，我们对这些失衡如何引起特定的精神病症状的理解仍然有限。方法：本研究旨在通过研究健康个体的专业化和被诊断为精神分裂症的人的拓扑高阶水平的变化来解决这一差距。采用图理论大脑网络分析，我们系统地检查静止状态功能性MRI数据，以描绘大脑网络连通性模式中的系统级别区分。Results: The findings indicate that topological high-order func- tional connectomics highlight differences in the connectome between healthy controls and schizophrenia, demonstrating increased cingulo-opercular task control and salience interac- tions, while the interaction between subcortical and default mode networks, dorsal attention and sensory/somatomotor mouth decreases in schizophrenia.另外，与健康对照组相比，精神分裂症患者中脑系统的隔离和脑部整合减少可能是早期精神分裂症的新指标此外，我们观察到与精神分裂症患者相比，健康控制中脑系统的分离降低，这意味着在精神分裂症中逐渐隔离和脑网融合之间的平衡在精神分裂症中破坏了，这表明可以恢复这种平衡来治疗这种疾病。
基于智能纳米复合材料的三维材料建模......
智能复合材料 (SC) 用于执行器和能量收集器等机电系统。通常，薄壁部件（例如梁、板和壳）被用作结构元件，以实现这些复合材料所需的机械行为。SC 表现出各种高级特性，从压电和压磁等低阶现象到挠电和挠磁等高阶效应。最近在智能复合材料中发现的挠磁现象是在有限条件下进行研究的。对现有文献的回顾表明，当存在挠磁效应 (FM) 时，缺乏对 SC 的三维 (3D) 弹性分析的评估。为了解决这个问题，控制方程将包含项 ∂ / ∂ z ，其中 z 表示厚度坐标。变分技术将指导我们进一步开发这些控制方程。我们将利用各种假设和理论，如3D梁模型、von K'arm'an应变非线性、Hamilton原理以及成熟的正、逆FM模型，推导出厚复合梁的本构方程。进行3D分析意味着应变和应变梯度张量必须以3D形式表示。加入项∂/∂z需要构建不同的模型。值得注意的是，目前的商用有限元代码无法准确、充分地处理微米和纳米级固体，因此使用这些程序来模拟挠磁复合结构是不切实际的。因此，我们将推导出的特征线性三维弯曲方程转换为3D半解析多项式域以获得数值结果。这项研究证明了进行三维力学分析对于探索智能结构中多种物理现象的耦合效应的重要性。
使用线性数据驱动模型
摘要 - 模型预测控制（MPC）已广泛应用于自主驾驶的不同方面，通常采用非线性物理派生的模型进行预测。但是，反馈控制系统本质上正确正确地正确正确，因此在许多应用程序中，使用线性时间不变（LTI）模型进行控制设计是足够的，尤其是在使用可靠的控制方法时。这种方法的理念似乎在当前的无人驾驶汽车研究中被忽略了，这是我们旨在在这里解决的研究差距。也就是说，我们没有衍生出相应的最佳控制问题的车辆动力学的细致的非线性物理模型，而是识别低阶数据驱动的LTI模型并通过可靠的线性MPC方法来处理其不确定性。我们基于管MPC（TMPC）为无人驾驶汽车开发了两步控制方案，该方案引入了结构鲁棒性，尽管在数据驱动的预测模型中对错误进行了建模，但仍确保了约束依从性。此外，我们采用了旨在利用线性MPC问题的特殊结构的快速优化方法。我们使用从现实世界数据中识别的车辆模型以及IPGCARMAKER中的仿真来评估所提出的控制方案，在该模型中，该车辆的模型固有地是非线性的，并使用了详细的3D物理学。我们的结果表明，可以有效地使用LTI模型来实现车道维护任务，TMPC可以防止车道出发和由于模型不确定性而导致的碰撞，并且线性模型允许与NAIVE MPC实现相比，可以通过数量级来减少计算时间的算法改进。
vprom：一种新颖的变异自动编码器增强的减少...
减少的订单模型（ROM）在计算时间带来困难的许多工程领域都非常重要。已建立的方法采用基于投影的减少，例如正交分解。该运算符的线性性质的限制通常是通过局部还原子空间库来解决的，该库需要众多本地ROM来解决参数依赖性。我们的工作试图定义参数输入和减少基础之间的更广泛的映射，以实现生成建模的目的。我们建议使用变分自动编码器（VAE）代替典型使用的聚类或互插操作，以推断基本向量，称为模式，该模式近似于任何和每个参数输入状态的模型响应的流形。衍生的ROM仍然依赖于投影库，该投影库是基于全订单模型模拟而构建的，从而保留了刻痕的物理内涵。但是，它另外利用了系数的矩阵，该矩阵将每个局部样品响应和动力学与参数输入域之间的全局现象相关联。VAE方案用于近似任何输入状态的这些系数。这种耦合导致高精油的低阶表示，这特别适合模型依赖性或激发性状导致动态行为跨越多个响应制度的问题。对VAE表示的概率处理允许在还原碱基上进行不确定性定量，然后可以将其传播到ROM响应中。在具有磁滞和多参数依赖性的开放式仿真基准和以非线性材料行为和模型不确定性为特征的大型风力涡轮机塔上，在开放式仿真基准上进行了验证。
大型域大小的采样lov。
𝑝代表每个约束的最大违规概率，而𝐷代表依赖关系程度，由约束可以与之共享变量的其他约束的最大约束数量给出。此情况（1）后来证明本质上是紧密的[SHE85]。随后的算法LOV'ASZ Local Lemma的工作试图通过有效的算法建设性地找到CSP解决方案。这导致了一系列研究[BEC91，ALO91，MR99，CS00，SRI08，MOS09，MT10]，最终在算法中达到了有效找到CSP解决方案（1）中的条件。在一起，这些贡献为CSP解决方案的存在/构建建立了尖锐的阈值。On the other hand, a considerable amount of work has been focused on the counting/sampling Lov ´ asz local lemma [ BGG + 19 , HSZ19 , Moi19 , GLLZ19 , FGYZ21a , FHY21 , JPV21a , JPV21b , HSW21 , GGW22 , QWZ22 , FGW22 , HWY22 , HWY23A，QW24]，旨在表征局部引理类型制度，在该方案下（大约）计数或（几乎均匀）采样CSP溶液的问题是可以处理的。硬度在[BGG + 19，GGW22]中导致表明，LLL的计数/采样变体需要更严格的条件𝑝𝐷2≲1，其中≲隐藏了低阶因子和构成。即使仅限于CSP的某些规范子类，例如𝑘 -CNF或HyperGraph Colorings也是如此。关于上限，当前的最新[HWY23A]表明，在条件𝑝𝐷5≲1的情况下，计数/采样CSP溶液可有效地求解。但是，计数/采样LLL的正确阈值尚不清楚。以下问题是我们对计数和采样CSP解决方案的关键现象的理解至关重要的：
使用医学成像进行脑血液动力学预测的物理信息的神经网络
摘要 - 确定脑血流动力学在诊断和治疗各种脑血管疾病中起着至关重要的作用。在这项工作中，我们提出了一个具有物理信息的深度学习框架，该框架通过一维（1D）降低阶模型（ROM）模拟来增强稀疏的临床测量，以生成具有高时空分辨率的物理一致的脑血液动力学参数。经颅多普勒（TCD）Ul-Trasound是当前临床工作流中最常见的技术之一，可以使大脑动脉内血流速度进行非侵入性和无创的评估。然而，由于颅骨的声窗受到限制的可访问性，因此在空间上仅限于脑桥一次的少数位置。我们的深度学习框架在大脑的几个位置使用了体内实时TCD速度测量，结合了从3D血管造影图像获得的基线容器横截面区域，并提供了整个大脑脉管中的速度，面积和压力的高分辨率图。我们验证了通过四维（4D）流磁共振成像（MRI）扫描获得的体内速度测量值的预测。然后，我们通过成功预测基于相应的稀疏速度测量值的血管痉挛局部血管直径的变化来展示该技术在诊断脑血管痉挛（CVS）中的临床意义。我们通过在各种狭窄水平的大脑血管痉挛后产生合成的血流数据来显示这种能力。在这里，我们证明了基于物理学的深度学习方法可以估计和量化特定于主体的大脑血液动力学变量，尽管缺乏对入口和让边界条件的了解，但这是常规纯粹基于物理学模型的准确性的显着限制。
Lagrangian操作员推断通过结构增强...
复杂的机械系统通常由于能量耗散机制，材料本构关系或几何/连通性机制中存在非线性而表现出强烈的非线性行为。这些系统的数值建模导致具有潜在拉格朗日结构的非线性全阶模型。这项工作提出了一种通过结构化的机器学习来增强Lagrangian运算符推理方法，以学习非线性机械系统的非线性降低阶模型（ROM）。这种两步方法首先通过拉格朗日操作员推断学习了最合适的线性拉格朗日ROM，然后提出了一种具有结构的机器学习方法，以学习减少空间中的非线性。所提出的方法可以完全从数据中学习具有结构性的非线性ROM，这与现有的操作员推理方法需要了解非线性术语的数学形式。从机器学习的角度来看，它通过提供知情的先验（即线性Lagrangian ROM结构）来加速培训结构的神经网络，并通过在减少空间上运行来降低网络培训的计算成本。该方法首先在两个模拟示例中证明：保守的非线性棒模型和具有非线性内部阻尼的二维非线性膜。最后，该方法在实验数据集中证明了该方法，该数据集由从圈接头束结构中获得的数字图像相关测量值组成，从中可以从中获得预测模型，该模型可以准确地捕获幅度依赖性频率和阻尼特性。数值结果表明，所提出的方法产生可概括的非线性ROM，这些ROM表现出有界的能量误差，可靠地捕获非线性特征，并在训练数据制度之外提供准确的长期预测。