XiaoMi-AI文件搜索系统
World File Search System启发式
玻色子量子处理器上量子启发式的数值门合成
最近，人们对量子最优控制和变分量子算法相互作用的兴趣和见解激增。我们在量子比特的背景下研究该框架，例如，量子比特可定义为与传输器耦合的超导腔系统的可控电磁模式。通过采用 (Petersson and Garcia, 2021) 中描述的最新量子最优控制方法，我们展示了对多达八个状态的单量子比特操作和两个量子比特操作的控制，分别映射到谐振器的单个模式和两个模式。我们讨论了对参数化门的封闭系统进行数值脉冲工程的结果，这些门可用于实现量子近似优化算法 (QAOA)。结果表明，对于大多数研究案例，在足够的计算努力下，可以实现高保真度 (> 0.99)，并且可以扩展到多种模式和开放的噪声系统。定制的脉冲可以被存储起来并用作电路量子电动力学 (cQED) 系统中未来编译器的校准原语。
对辐射生存能力的电子设备中最脆弱区域的启发式检测
随着电子系统变得更大，更复杂，对辐射暴露最脆弱的区域（MVR）的检测变得更加困难和耗时。我们提出了一种启发式方法，其中利用设备的机械和热方面来快速识别MVR。我们的方法涉及两个设备条件的拓扑映射。第一个条件通过热波探测和相位分析确定具有最高机械应变或界面密度的区域。第二条件识别具有高电场的区域。可以假设，具有最高热波穿透性和电场的区域将对单个事件的传入辐射表现出最高的敏感性，并且可能会表现出可能的总电离剂量。我们的方法实现了一种简单的设计，该设计将分析时间提高了约2 - 3个数量级，而不是当前的辐射灵敏度映射方法。该设计在经过良好研究的操作放大器LM124上进行了证明，该扩展显示了与文献的一致性，即识别敏感的晶体管（QR1，Q9和Q18），具有相对较高的相值（> 70％）和δT百分位数（> 50％）（> 50％），满足辐射辐射升高的条件。这是关于静态随机访问存储器（HM-6504）和芯片上的Xilinx Artix-7 35 T系统的实验结果。©2022电化学学会（“ ECS”）。由IOP Publishing Limited代表EC出版。[doi：10.1149/2162-8777/ac861a]
返回传统：通过古典机器学习学习可靠的启发式方法
当前的计划学习方法尚未在几个领域对古典计划者的竞争性能，并且总体绩效较差。在这项工作中，我们构建了提起计划任务的新图形表示形式，并使用WL算法从中生成效率。这些功能与经典的学习方法一起使用，这些方法的参数最多要少2个，并且比对计划模型的最先进的深度学习更快地训练了3个较高的速度。我们的新颖方法WL-goose可靠地从头开始学习启发式方法，并在公平的竞争环境中优于H FF启发式。它还在覆盖范围中的10个域中的4个域中的4分，在计划质量上的10个域中有7个域中的表现或与喇嘛的联系。wl-goose是实现这些壮举的计划模型的第一个学习。此外，我们研究了新颖的WL特征代理方法，以前的理论上的学习构造与计划的逻辑特征之间的联系。
启发式知识的机器人在线路径计划使用pre-...
摘要 - 为了有效计算动态变化的环境中的无机器人运动轨迹，我们介绍了一种新型的启发式启发式启发式方法的方法的结果。将机器人环境分为静态和动态元素，我们使用静态零件来初始化确定性路线图，该路线图提供了最终路径成本的下限，如知情的启发式方法，用于快速路径找到。这些启发式方法指导搜索树以探索运行时的路线图。搜索树使用有关动态环境的模糊碰撞检查检查边缘。最后，启发式树利用了从模糊碰撞检查模块中提供的知识，并更新了路径成本的下限。正如我们在现实世界实验中所证明的那样，这三个组件形成的闭环会显着加速计划程序。另一个回溯步骤可确保所得路径的可行性。模拟和现实世界中的实验表明，Hiro可以发现无碰撞的路径比有或没有对环境的先验知识的基线方法快得多。
博弈论反潜战任务规划器（基于启发式，完全支持 Excel）
估计此次信息收集的公共报告负担平均每份回应需要 1 小时，其中包括审查说明、搜索现有数据源、收集和维护所需数据以及完成和审查信息收集的时间。请将关于此负担估计或此信息收集的任何其他方面的评论（包括减少此负担的建议）发送至华盛顿总部服务部、信息运营和报告理事会，地址：1215 Jefferson Davis Highway, Suite 1204, Arlington, VA 22202-4302，以及管理和预算办公室、文书工作减少项目 (0704-0188) Washington DC 20503。1.仅供机构使用（留空） 2.报告日期 2009 年 9 月 3.报告类型和涵盖日期 硕士论文
对现实世界工程问题的元启发式算法的贡献
许可论文涉及元启示术，这是启发式方法的集合。可以说升华是经验法则或辅助方法，该方法被算法用来有效达到解决方案。只是元启发术是指导不同的优化技术，并且最近受到了很多关注。这种关注的原因是荟萃奴术促进复杂和大规模问题的解决方案的能力，尤其是在经典算法试图更准确地解决问题的情况下，很难遇到困难。几种荟萃方法基于自然界中发生的各种过程。这些包含各种SO所谓的进化方法以及基于身体和人类行为的方法。这些事实证明，这些问题对于解决了许多条件，解决问题的优化问题非常有用，因此要解决的问题非常广泛，因此计算很重。在云计算（云计算）中，我们在SO称为云中实现计算，即通过Internet，而不是直接在我们自己的计算机上执行这些计算。在进行云计算的情况下，元启发式学很有用。这样做的原因是，在工业和科学中，无论是在个人计算机上进行的计算和其他工作还是其他工作，都已经转移到云中。这意味着在云中计算中常见的各种操作，例如有效安排了不同的计算和资源分配，以避免可能的绩效损失。这些观察是许可论文提出的研究的动机。许可论文研究了不同的新优化方法，以及这些方法如何通过研究如何改善绩效和资源管理来改善绩效和资源管理，还可以通过研究如何培训计算的成本来提高绩效和资源管理。许可论文分为两个部分，第一部分涉及理论背景，在这些背景中，准备了不同的理论优化方法和工程问题。本节还提出了有关在云上下文中与调度有关的当前挑战的讨论。论文的第二部分由三项已发表的研究组成，这些研究涉及不同方法的实际影响以改善云中的计算操作。总而言之，可以说，许可论文涉及优化驱动的计划，例如，我们如何在云中更有效地执行计算。
基于认知状态的反馈控制启发式策略，加速人类学习
2019）。在某些情况下，自动化专门用于培训人类获得新技能或执行新任务（Manzey 等人，2011；Kanu-muri 等人，2008）。通常，基于绩效的反馈用于使自动化适应人类（Wright 等人，2018；Kaber 和 Endsley，2004）。现有系统，例如智能辅导系统 (ITS)，已经依靠人类绩效反馈来预测决策行为（Woolf，2008；Wright 等人，2018；Kaber 和 Endsley，2004）。然而，研究也表明，包括自信在内的认知因素在设计有效的人机交互 (HAI)（Peters 等人，2015 年；Hussein 等人，2020 年；Lee 和 See，2004 年；Gao 和 Lee，2006 年）以及人类如何学习（Woolf，2008 年；Akbari 和 Sahibzada，2020 年；Arroyo 等人，2009 年；Tao 等人，2020 年）中发挥着重要作用。
特邀论文：6G 无线通信的启发式量子优化
I. 引言随着无线网络通过 5G 不断发展，通过使用毫米波频段、大规模 MIMO 和密集小区来提高频谱密度，网络设计人员正在展望 6G 发展路线图，预计社会将更加数据驱动，无线脑机接口、扩展现实和互联机器人将推动 6G 网络处理比 5G 快 10 到 1,000 倍的数据速率 [1]。为了提高频谱效率，设计人员将考虑实施超大规模 MIMO 阵列、创新的空中接口复用技术、更强大的前向纠错编码等技术，甚至在更高载波频率的更宽带宽中部署更高密度的网络。随着频谱效率的提高，6G 系统设计人员将努力提高关键性能指标 (KPI)，例如终端和基站的延迟、可靠性和能源效率，同时也会尽量不牺牲一个 KPI 来实现另一个 KPI。 6G 算法的实施可以优化数据吞吐量、频谱效率、用户密度、可靠性和延迟，并在更宽的带宽下运行，这将导致比当前 5G 系统更多的计算量。在基站和蜂窝基础设施中，5G RF 调制解调器信号处理基于经典计算概念，这些概念通常在 ASIC、FPGA 和 GPU/CPU 结构中实现。然而，经典计算性能的改进并没有像过去几年那样呈指数级增长，而是由于晶体管达到原子极限而趋于稳定 [2]。由于高效快速计算结构的设计现在与无线通信竞争，成为许多高容量无线通信系统面临的最重大挑战，因此硅片能否实现实现 6G KPI 所需的高频谱性能、低延迟和高可靠性优化算法值得怀疑。随着 6G 路线图的发展，量子计算是一种潜在的宝贵工具，可以解决未来性能、延迟和可靠性之间的权衡。如果量子计算能够为目前限制可实现网络吞吐量的复杂优化问题提供最佳算法，那么频谱效率将受益匪浅。能够进行量子信息处理的众多硬件平台可以与其他可扩展技术（如毫米波和小型蜂窝）相结合，进一步提高频谱效率。由于量子力学的线性，量子计算从根本上受限于可逆操作，这些操作不会散发热量，除了计算的初始化和读出阶段。虽然嘈杂的量子计算具有不可逆性元素，但从长远来看，量子计算原则上可以达到任意低的功耗，而如果以传统方式执行，这些计算将耗电。在过去几年中，由于纳米技术和工程技术的进步，现实世界的量子计算机已经可以商业化使用。对于无线网络，最近的研究首先利用了量子退火器，这是一种模拟量子计算处理器，并展示了集中式无线接入网络（C-RAN）中基于量子的多输入多输出（MIMO）检测器 [3] 和基于量子的低密度奇偶校验（LDPC）错误控制解码 [4] 的良好结果，为如何使用机器和基线性能指标提供了指导。在无线网络中，存在代表性的优化问题，包括但不限于先前研究的应用，这些问题受到众所周知的吞吐量和复杂性之间的传统权衡，其中最佳求解器是已知的，但考虑到可用的硬件和处理时间限制，实际实施起来非常困难。我们期望克服
炒作还是启发式？加入订单优化的量子加固学习
摘要 - 识别最佳加入订单（JOS）在数据库研究和工程中引人注目。由于较大的搜索空间，已建立的经典方法依赖于近似和启发式方法。最近的努力成功地探索了JO的强化学习（RL）。同样，RL的量子版本也受到了相当大的科学关注。然而，如果他们能够通过改进的量子处理器获得可持续的总体实践优势，这是一个悬而未决的问题。在本文中，我们提出了一种新的方法，该方法基于混合变量量子ANSATZ，使用量子增强学习（QRL）。它能够处理一般的灌木丛树木，而不是根据基于量子（ - 启发）优化的方法来求助于更简单的左底变体，但需要多个幅度较少的量子，即使对于nisq后系统来说，这也是一个稀缺的资源。尽管电路深度中等，但ANSATZ超过了当前的NISQ功能，这需要通过数值模拟进行评估。虽然QRL在解决结果质量方面解决JO问题（尽管我们看到奇偶校验）可能并没有明显超过分类方法，但我们发现所需的可训练参数的大幅度降低。此优势实际上相关的方面，从较短的培训时间到经典的RL，涉及的经典优化通过或更好地使用可用培训数据，并且适合数据流和低延迟处理方案。索引术语 - Quantum机器学习，加固学习，查询优化，数据库管理系统我们的全面评估和仔细的讨论对可能的实际量子优势提供了平衡的观点，为将来的系统性处理提供了见解，并允许定量评估数据库管理系统最关键问题之一的量子方法的权衡。
返回传统：通过古典机器学习学习可靠的启发式方法
当前的计划学习方法尚未在几个领域对古典计划者的竞争性能，并且总体绩效较差。在这项工作中，我们构建了提起计划任务的新图形表示形式，并使用WL算法从中生成效率。这些功能与经典的学习方法一起使用，这些方法的参数最多要少2个，并且比对计划模型的最先进的深度学习更快地训练了3个较高的速度。我们的新颖方法WL-goose可靠地从头开始学习启发式方法，并在公平的竞争环境中优于H FF启发式。它还在覆盖范围中的10个域中的4个域中的4分，在计划质量上的10个域中有7个域中的表现或与喇嘛的联系。WL-goose是实现这些壮举的首个计划模型学习。此外，我们研究了新颖的WL特征代理方法，以前的理论上的学习构造和描述用于计划的逻辑特征之间的联系。