XiaoMi-AI文件搜索系统
World File Search System劳伦斯
劳伦斯伯克利国家实验室
免责声明 本文件是作为美国政府资助工作的记录而编写的。尽管我们认为本文件包含正确的信息，但美国政府及其任何机构、加利福尼亚大学董事会或其任何员工均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构或加利福尼亚大学董事会对其的认可、推荐或支持。本文表达的作者的观点和意见不一定表明或反映美国政府或其任何机构或加利福尼亚大学董事会的观点和意见。
劳伦斯·伯克利国家实验室
1案例西部储备大学生物医学工程系，俄亥俄州克利夫兰，俄亥俄州，44106，2 2号神经外科系，斯坦福大学，斯坦福大学，斯坦福大学，加利福尼亚州斯坦福大学94035，3史坦福大学，斯坦福大学，斯坦福大学，加利福尼亚州斯坦福大学，CA 94035，44035，44035，44035，44035，44035 RI 02912, 6 Robert J. and Nancy D. Carney Institute for Brain Sciences, Brown University, Providence, RI 02912, 7 VA RR&D Center for Neurorestoration and Neurotechnology, Providence, RI 02912, 8 Department of Neurological Surgery, University Hospitals Cleveland Medical Center, Cleveland, OH 44106, 9 Department of Neurological Surgery, Case Western Reserve School of Medicine School俄亥俄州克利夫兰，俄亥俄州克利夫兰44106，大学医院神经病学系10，克利夫兰医学中心，俄亥俄州克利夫兰医学中心，俄亥俄州克利夫兰，44106，11 11，布朗大学，普罗维登斯，RI 02912，12912，12 02114, 14 Department of Bioengineering, Stanford University, Stanford, CA 94035, 15 Department of Neurobiology, Stanford University, Stanford, CA 94035, 16 Howard Hughes Medical Institute at Stanford University, Stanford, CA 94035, 17 Wu Tsai Neuroscience Institute, Stanford University, Stanford, CA 94035, and 18 Bio-X Program,斯坦福大学，斯坦福大学，加利福尼亚州94035
劳伦斯伯克利国家实验室
摘要 — 我们提出了一种可组合的设计方案，用于开发用于量子模拟应用的混合量子/经典算法和工作流程。我们的面向对象方法基于构建一组富有表现力的通用数据结构和方法，这些结构和方法可以对各种复杂的混合量子模拟应用程序进行编程。我们方案的抽象核心是从对当前量子模拟算法的分析中提炼出来的。随后，它允许通过扩展、专业化和动态定制由我们的设计定义的抽象核心类来合成新的混合算法和工作流程。我们使用与硬件无关的编程语言 QCOR 将我们的设计方案实现到 QuaSiMo 库中。为了验证我们的实现，我们在 IBM 的商业量子处理器上测试并展示了它的实用性，运行了一些原型量子模拟。索引术语 — 量子计算、量子编程、编程语言
一目了然：劳伦斯·利弗莫尔国家...
s＆t任务 - 这是劳伦斯·利弗莫尔国家实验室（LLNL）的标志。在为DOE/国家核安全管理局（NNSA）和其他联邦机构服务中，LLNL开发和应用世界一流的S＆T，以确保该国核威慑的安全，安全和可靠性。成立于1952年，LLNL还采用S＆T来面对从核扩散和恐怖主义到能源短缺以及威胁国家安全和全球稳定的气候变化的危险。使用涵盖科学和工程学的所有学科以及利用无与伦比的设施的多学科方法，实验室推动了界限，为反恐和不扩散，国防和智力以及能源和环境安全提供突破性。
劳伦斯伯克利国家实验室
直接从神经信号解码行为、感知或认知状态对于脑机接口研究至关重要，也是系统神经科学的重要工具。在过去十年中，深度学习已成为从语音识别到图像分割等许多机器学习任务的最新方法。深度网络在其他领域的成功引发了神经科学领域新一轮的应用浪潮。在本文中，我们回顾了深度学习的神经解码方法。我们描述了用于从从脉冲到 fMRI 的神经记录模式中提取有用特征的架构。此外，我们探索了如何利用深度学习来预测包括运动、语音和视觉在内的常见输出，重点是如何将预训练的深度网络作为复杂解码目标（如声学语音或图像）的先验。深度学习已被证明是一种有用的工具，可用于提高广泛任务中神经解码的准确性和灵活性，我们指出了未来科学发展的领域。
劳伦斯伯克利国家实验室
摘要 中国电力系统约占全球能源相关二氧化碳排放量的 13%，已开始实施市场化电力行业改革。本文模拟了中国南方电网地区的电力系统调度，并研究了市场化运营的经济和环境影响。我们发现，市场化运营可以提高南方电网所有省份的效率并降低成本——与 2016 年基线相比，整个地区的批发电力成本最多可降低 35%。大约 60% 的潜在成本降低可以通过在该地区建立独立的省级市场来实现，其余的可以通过建立不扩大输电范围的区域市场来实现。批发市场收入足以收回发电厂的固定成本；然而，可能需要对目前的支付机制进行财务重组。电力市场还可以通过提高热电调度效率和避免水电/可再生能源削减来减少南方电网高达 10% 的二氧化碳排放量。随着中国可再生能源发电量的增加，扩大输电范围的区域电力市场的好处可能会增加。
劳伦斯伯克利国家实验室
本文件是作为美国政府资助工作的记录而编写的。尽管我们认为本文件包含正确的信息，但美国政府及其任何机构、加利福尼亚大学董事会及其任何员工均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务，并不一定构成或暗示美国政府或其任何机构或加利福尼亚大学董事会对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构或加利福尼亚大学董事会的观点和意见。
劳伦斯·伯克利国家实验室
自1800年代后期的电流战争以来，交替的电流（AC）主导了电源分布。近年来，直流电流（DC）已经复兴挑战AC。由DC源的使用增加（光伏，电池存储），DC End用途（电子，电动汽车，固态照明）和电力电子技术的进步，建筑物中的DC电源分布是为了实现更大的效率，成本储蓄，以及在过渡建筑物的过渡中的稳定性。通过电力损失模拟估计了许多研究（Gerber等人。2018; Denkenberger等。2012; Fregosi等。2015）或实际测量值（Boeke and Wendt 2015; Noritake等人2014）建筑物中DC分布的势能节省，现场直流电，存储和负载。
劳伦斯伯克利国家实验室
自 19 世纪末的“电流之战”以来，交流电 (AC) 一直主导着配电。然而，近年来，直流电 (DC) 再次兴起，挑战了交流电。随着直流电源（光伏、电池存储）的使用增加、直流终端用途（电子产品、电动汽车、固态照明）以及电力电子技术的进步，建筑物中的直流配电已被提议作为一种在转型中的建筑行业中实现更高效率、成本节约和弹性的方法。许多研究通过功率损耗模拟（Gerber 等人，2018 年；Denkenberger 等人，2012 年；Fregosi 等人，2015 年）或实际测量（Boeke 和 Wendt，2015 年；Noritake 等人，2014 年）估计了在具有现场直流发电、存储和负载的建筑物中直流配电的潜在节能效果。
劳伦斯·伯克利国家实验室
量子计算中的挑战之一是将单一操作员合成为具有多组栅极复杂性的量子电路。通用单位的确切合成通常需要大量的门。我们通过放松统一的约束并通过块编码将其互换为Ancilla Qubits互换来提出一种新型的近似量子电路合成技术。这种方法结合了较小的块编码，易于合成，将其合成为较大的操作员的量子电路。由于使用块编码，我们的技术不仅限于统一操作员，还可以应用于任意操作员的合成。我们表明，在某些假设下，可以用Polyrogarithmic Gate的复杂性合成可以通过规范多地表表达近似的运算符。