XiaoMi-AI文件搜索系统
World File Search System分布式系统
分布式集成模块化航空电子设备的系统架构框架
�� ... ���������� ���������� ���� �������� �������� �������� ���������� ������������ ���� ������ ����������� ��� …………………………………………………………………………………………………………………………………………………………………………………………………… �������������������������������������������������������������������������������������������������������� ��������� ���� ��������� �������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������� ……………………………………………………………………………………………………………………………………………………………………………………………… ������������������������������������������������������������������������������������������������������������������������������������ ������������������������������������������������������������������������������������������������������������ � ��� ������������������
基于残基号系统（RNS）的分布式量子添加
摘要 - Quantum Arithmetic facecent face face face of当前嘈杂的中间量表量子（NISQ）ERA量子计算机中的噪声和资源限制。我们建议使用分布式量子计算（DQC）通过将更高的深度量子添加电路替换为基于残基号系统（RNS）的量子模量加法器来克服这些局限性。基于RNS的分布式量子添加电路具有较低的深度，并分布在多个量子计算机/作业中，从而产生较高的噪声弹性。我们提出了基于RNS工具（QSMART）的量子上级模量，该量子可以基于多个因素（例如深度，范围和效率）生成RNS集合。我们还提出了一种新颖的量子设计设计的新设计，即Modulo（2 N + 1）加法器（QDMA），该设计形成了基于RNS的分布式量子添加和QSMART工具的关键部分。我们通过进行基于Quantinuum的H1 ION陷阱量子计算机建模的模拟基于残留的量子系统（RNS）的分布式量子添加的较高噪声弹性。我们的仿真表明，基于RNS的分布式量子添加的添加比6位至10位非分布式量子完整添加器的输出概率高11.36％至133.15％，表明噪声效率更高。此外，我们提出了一种可扩展的方法，可以实现比限制20量的量子范围H1更高的分布式量子添加方法。索引术语 - Quantum电路，量子计算，量子加法器，量子Modulo Adder，NISQ，FTQ
使用分布式系统中的可观测性数据的机器学习和人工智能技术
机器学习模型可用于分析可观测性数据，以提高系统的可靠性、性能和安全性。以下是使用可观测性数据的机器学习模型的用例：• 异常检测：机器学习模型可用于检测可观测性数据中的异常，例如 CPU 使用率或内存使用率的突然飙升。这有助于在潜在问题导致停机或性能问题之前识别它们。• 根本原因分析：机器学习模型可用于使用可观测性数据来识别问题的根本原因，以加快故障排除过程并防止问题再次发生。• 预测性维护：ML 模型可以预测设备何时可能出现故障。这有助于在问题发生之前安排维护，从而防止停机和停机。
项目名称：分布式系统加速器实时边缘人工智能（READS）
简介和动机 在过去十年中，机器学习 (ML) 技术逐渐进入加速器社区。近年来，深度学习的快速发展，特别是用于控制系统应用的强化学习以及深度学习在嵌入式硬件中的可访问性，重新引起了人们的兴趣并催生了大量应用 [ 1 ]。费米实验室加速器综合体（如图 1 所示）已为高能物理 (HEP) 实验提供了近五十年的质子束。该实验室目前的重点是其世界一流的强度前沿实验项目。虽然增加光束强度确实有其自身的挑战，但在很多方面，保持光束大小同时最大限度地减少光束损失（通过与光束真空管相互作用而损失的粒子）才是主要挑战。加速器通过数十万个设备的复杂系统进行控制。使用 ML 方法实现对其参数的微调和实时优化并超越人类操作员基于经验的推理是未来强度升级成功的关键。我们的目标是将 ML 集成到加速器操作中，此外，提供一个可访问的框架，该框架也可被具有动态调整需求的其他广泛加速器系统使用。为了成功最大限度地发挥 ML 的应用优势，我们将考虑以下几点：实时边缘 ML 系统优化：加速器涉及电源、射频和其他控制系统的复杂调节回路阵列。调节回路的增益针对操作进行手动优化和修复。实际上，光束分布和强度是在加速过程中变化的动态量。因此，这些动态系统理想情况下应该以近乎实时的方式重新检查操作条件。这需要一个能够在足够短的毫秒时间尺度上对系统变化做出反应的 ML 模型。快速、智能的分布式系统：由于粒子加速器的物理规模很大，控制系统往往分布在整个设施中。因此，优化每台机器的性能以及综合体的整体性能意味着需要一个快速的数据传输系统，允许子系统、机器和负责运行 ML 算法的计算机资源之间进行实时通信。我们的项目 Accelerator READS 将开发 ML 方法及其在大型加速器系统中的边缘实现。费米实验室在开发用于系统控制的实时嵌入式边缘 ML 设备方面处于领先地位，并利用 ML 提高了 HEP 实验的效率和准确性，例如紧凑型μ子螺线管 (CMS) 实验 [ 2 ]。利用内部实验室指导的研究和开发 (LDRD) 计划，费米实验室已经证明单个 ML 系统可以提高加速器性能。然而，将嵌入式 ML 系统连接在一起以协调分析和控制多个复杂结构尚未实现。将这项技术应用于加速器将使费米实验室加速器设施向快速、分布式和高性能控制和操作迈进。加速器 READS 产生的方法和工具将与各种复杂和分布式控制器的设计相关。我们将通过两个重要的实验来证明我们提案的有效性：Mu2e 溢出调节系统和主喷射器 (MI) 和循环器环 (RR) 光束损耗的去混合。
分布式发动机控制案例涡轴发动机系统
NASA STI 计划由 NASA 首席信息官主持。该计划负责收集、组织、归档和传播 NASA 的 STI。NASA STI 计划提供对 NASA 航空航天数据库及其公共接口 NASA 技术报告服务器的访问，从而提供世界上最大的航空航天科学 STI 集合之一。结果在非 NASA 渠道和 NASA 的 NASA STI 报告系列中发布，其中包括以下报告类型：• 技术出版物。已完成的研究或重要研究阶段的报告，介绍 NASA 计划的结果，并包含大量数据或理论分析。包括被认为具有持续参考价值的重要科学和技术数据和信息的汇编。NASA 同行评审的正式专业论文的对应文件，但对手稿长度和图形演示范围的限制不那么严格。
2023 年国家电网 DSIP 更新 - 分布式系统实施计划
回复：案件 14-M-0101 – 关于委员会关于改革能源愿景的动议的审理案件 16-M-0411 – 关于分布式系统实施计划的事宜 尼亚加拉莫霍克电力公司 d/b/a 国家电网 – 2023 年分布式系统实施计划（“DSIP”）更新 尊敬的菲利普斯部长： 尼亚加拉莫霍克电力公司 d/b/a 国家电网（“国家电网”或“公司”）特此根据委员会 2016 年 4 月 20 日的命令提交其 2023 年 DSIP 更新，该命令在案件 14-M-0101 和 16-M-0411 中采用分布式系统实施计划指导，指示公司每两年提交一次单独的 DSIP。 1 有关此文件的任何问题，请直接发送至：Matthew LaFlair 综合规划和解决方案总监 国家电网 300 Erie Boulevard West Syracuse, New York 13202 电话：315-428-6344 手机：315-317-2264 电子邮件：Matthew.LaFlair@nationalgrid.com
scalo：可扩展的脑部计算机接口的富含加速器的分布式系统
scalo是第一个分布式的脑部计算机界面（BCI），用于放置在不同大脑区域上的多个无线网络植入物。Scalo解锁了新的治疗方法，用于破坏性神经系统疾病和对脑部网络行为的新研究。实现实时处理所需的快速和低功率通信，历史上将BCI限制在单个大脑部位。Scalo还遵守紧密的功率，但可以实现快速分布的处理。Scalo效率的核心是它的意识到具有富含加速器的计算的完整堆栈分布式脑植入物。scalo平衡模型系统分层与积极的跨层硬件软件共同设计，以集成计算，网络和存储。恢复是通过从头开始设计具有硬件加速器的能节能网络分布式系统的课程。
船舶分区多微电网系统分布式实时功率管理方案
海上运输对降低燃料消耗的需求日益增加，这推动了高燃料效率发电厂的使用和电源管理系统 (PMS) 的开发。目前对船上 PMS 的研究大多属于集中式，这种系统易于实施，能够收敛到全局最优解。然而，集中式技术可能存在计算负担过重和单点故障的问题。考虑到船舶未来向区域电力分配 (ZED) 发展的趋势，分布式 PMS 正成为一种替代选择。为了在高波动推进负载下实现船舶高燃料效率运行，本文开发了一种实时分布式 PMS，它可以获得与集中式 PMS 一样好的燃油经济性，但计算速度更快。分布式 PMS 以高度计算高效的方式结合了基于过滤器、基于规则和基于优化的方法，基于三层构建，不仅可以保证高燃料效率，还可以在不同航行模式甚至故障条件下保留足够的能量。通过收敛测试和多个案例研究，证明了所提出的 PMS 在收敛速度快、燃油效率高和弹性增强方面的有效性。
分布式相位估计算法和分布式Shor算法
Shor算法是量子算法中最重要的一个，可以在多项式时间内以一定的成功概率对大整数进行因式分解，但在NISQ（Noisy Intermediate-scale Quantum）时代，Shor算法需要的量子比特数量难以承受。为了减少Shor算法所需的资源，本文首先提出了一种新的分布式相位估计算法，该算法不需要量子通信，与传统相位估计算法（非迭代版）相比，减少了单个节点的量子比特数。然后，我们应用该分布式相位估计算法，形成Shor算法的分布式寻阶算法。与传统Shor算法（非迭代版）相比，单个节点寻阶所需的最大量子比特数
