XiaoMi-AI文件搜索系统
World File Search System反馈控制
![用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。](/simg/d/d0b24e3de4e984953fcbe1080336ba472eefd4f9.png)
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。
评论：阿尔法同步和空间注意力的神经反馈控制
α 波段活动是一种神经特征，长期以来人们推测它与使神经处理偏向于所关注的信息有关（参见 Van Diepen 等人，2019 年）。许多研究提出 α 侧化，即一个半球的 α 波段功率同时下降而另一个半球的 α 波段功率增加，是视觉空间注意力转移的神经标志。在最近的研究中，Bagherzadeh 等人 (2019) 研究了 α 波段调节对视觉空间注意力部署的潜在因果作用。在一项神经反馈任务中，参与者学会了上调顶叶 α 波段幅度侧化，同时测量了注意力转移的标志。至关重要的是，左侧和右侧顶叶 MEG 传感器的 α 侧化增强有利于在方向匹配样本任务中取得好成绩，因为它增加了要记忆的刺激的对比度。核心问题是上调的 alpha 侧化是否会导致相应的视觉空间注意转移。通过不同的测量方法，提供了这种转移的证据：（1）对于神经反馈任务，作者报告了与半球对侧的探测相关诱发反应增强，而 alpha 被下调。在神经反馈任务中，（2）alpha 波段功率和（3）反应时间仍然描绘了后续波斯纳范式中性试验的侧化。最后，（4）凝视方向转移到半球对侧，在自由观看任务中显示 alpha 降低。这些测量使作者得出结论，神经反馈期间 alpha 侧化的增加导致了空间注意的转移（见图 1A）。但是，声称 alpha 侧化导致注意力反向转移，即部署隐蔽空间注意以增加 alpha 侧化的策略，必须排除。在我们看来，作者的论证思路存在一些缺陷，数据确实提供了一些证据，表明受试者使用空间注意力（通过关注中枢刺激的侧化方面）来改变他们的 alpha 侧化（图 1B）。作者表示，目前尚不清楚参与者使用了哪些策略来侧化 alpha 幅度，并提出转移注意力本身对于该任务来说并不是必需的，因为它只涉及一个中枢呈现的刺激，因此参与者依赖于偶然反馈来学习改变 alpha 侧化。尽管如此，隐性转移注意力代表了一种有效的策略，可以产生可靠的可测量 alpha 波段活动调节，这种调节通常在 BCI 中得到利用（Jensen 等人，2011；Treder 等人，2011）。为了控制受试者确实避免使用与空间注意相关的策略，作者比较了微扫视的方向作为隐性空间注意的标志
单光子相干反馈控制与滤波
如果一个光场恰好包含 k 个光子，则它处于 k -光子态。由于其高度量子化的特性，光子态在量子通信、计算、计量和模拟方面有着广阔的应用前景。最近，人们对各种光子态的产生和操纵的兴趣日益浓厚。控制工程领域的一个新的重要问题是：如何分析和合成由光子态驱动的量子系统以实现预定的控制性能？在本综述中，我们引入了单光子态，并展示了量子线性系统如何处理单光子输入，以及如何使用线性相干反馈网络来塑造单光子的时间脉冲。我们还介绍了一种单光子滤波器。（本综述的扩展版本可在 arXiv:1902.10961 找到。）
不稳定飞机动力学的多变量反馈控制
Theta ...................................................................................................................................... 39
检流计的全状态反馈控制...
音圈致动器是一种用于以极高的加速度移动惯性负载并在有限的行程范围内以微米为单位重新定位它的装置。产生的运动可能是线性的或旋转的，行程时间可能是毫秒级或更短。这些致动器可应用于计算机磁盘驱动器、高速镜头聚焦、伺服阀和激光扫描工具
离散量子反馈控制的热力学第二定律
其中 FS 是初始和最终热力学平衡态之间的亥姆霍兹自由能差。在不同的背景下，量子反馈控制因控制和稳定量子系统而引起了相当大的关注 [16-22]。例如，它可以应用于压缩电磁场 [18]、自旋压缩 [20] 和稳定宏观相干性 [22]。虽然作为随机动态系统的量子反馈控制理论框架已经很完善，但量子反馈控制可能带来的热力学增益尚未完全了解。在本文中，我们推导出一个新的热力学不等式，它对可从具有离散量子反馈控制的多热浴中提取的功设置了基本极限 [7, 23]，包括量子测量 [23, 24] 和取决于测量结果的机械操作。最大功的特征是热力学系统与反馈控制器之间的广义互信息量。我们将其称为 QC 互信息量，其中 QC 表示被测系统是量子的，测量结果是经典的。在经典测量的情况下，QC 互信息量简化为经典互信息量 [25]。在没有反馈控制的情况下，新的不等式
h-infinity 输出反馈控制：应用于无人驾驶
5.6 带控制器的环路形状对象................................................................................. 81 5.7 环路增益奇异值图............................................................................................... 82 5.8 湍流模型仿真................................................................................................ 83 5.9 随机速度扰动矢量................................................................................................. 84 5.10 对单位倾斜角阶跃命令的闭环横向状态响应......................................................................... 86 5.11 对单位倾斜角阶跃命令的闭环纵向状态响应......................................................................................... 87 5.12 对单位倾斜角阶跃需求的控制历史............................................................................. 88 5.13 对单位俯仰角阶跃命令的闭环纵向状态响应......................................................................................... 89 5.14 对单位俯仰角阶跃命令的闭环横向状态响应......................................................................................... 90 5.15 对单位俯仰角阶跃需求的控制历史............................................................................. 91 5.16 控制器结构................................................................................