XiaoMi-AI文件搜索系统
World File Search System多体系统
Boltzmann发电机和多体系统中计算采样的新边界
在探究No´e等人对论文的讨论之前。[1]，必须首先概述其寻求解决的主要挑战。在数值原子模拟的域内，两个重要的问题经常主导计算复杂性：第一个是求解电子schr¨odinger方程的计算“诅咒”，禁止对大分子的化学准确的第一原理研究。第二个是所谓的抽样问题：即使使用预测机学到的电势，也就是电子电位或更常规的力场的数据驱动和成本效益近似，不可能到达许多化学和生物过程所需的时间尺度。虽然机器学习的能量[2]或力[3-6]甚至高度精确的量子标签比数值解决方案更快
在非平衡量子多体系统中轻松访问能量波动
在这里，我们引入了一种强大的方法，可以在不平衡的量子演化中实验多体系统的能量弹性。更具体地说，我们展示了如何重建过渡概率P M | n在决定量子闪光的驱动方案的初始特征和最终特征状态之间。然后，我们使用矩阵来重构量子工作概率分布。也可以用来重建其他数量的统计数据，例如没有工作。在将多体系统应用于多体系统时，出于此目的的先前方法非常苛刻，因为它们涉及受控操作，就像[13，14]中提出的干涉方法一样。实际上，到目前为止，它们已在具有一体的NMR经验中使用（即两个级别）量子系统，例如参考文献。[15 - 18]或在非相互作用的两级原子系统合奏中实施的量子工作表中[19]。一项有效的方案，可以在一般的范围内超平衡多体系统中表达能量爆发，这仍然是一个挑战：这封信的目的是通过引入新的AP-PRACH来迈向这一目标。以前我们开发了受
具有完整和非完整约束的液压驱动多体系统的有效而准确的线性化方法
摘要 在重型机械应用中，液压通常用于驱动机构。本文提出了一种用于液压驱动多体系统的线性化方法。该方法允许线性化具有完整和非完整约束的一般多体系统的运动方程，并增加液压子系统的液压方程。这种线性化方法的推导在许多应用中都很有趣，例如执行线性稳定性分析。使用液压驱动四杆机构的三维多体模型测试了该程序。通过线性和非线性系统的正向动力学模拟来验证该方法。结果显示了该方法的强大功能
量子多体系统配分函数的经典算法、相关衰减和复零点
我们提出了一个准多项式时间经典算法，用于估计在热相变点以上温度下量子多体系统的配分函数。众所周知，在最坏情况下，同样的问题在该点以下是 NP 难的。结合我们的工作，这表明量子系统相位的转变也伴随着近似难度的转变。我们还表明，在相变点以上的 n 个粒子系统中，距离至少为 Ω（log n）的两个可观测量之间的相关性呈指数衰减。当哈密顿量具有交换项或在一维链上时，我们可以将 log n 的因子改进为常数。我们结果的关键是用配分函数的复零点来表征相变和系统的临界行为。我们的工作扩展了 Dobrushin 和 Shlosman 的开创性工作，该工作涉及经典自旋模型中相关性衰减与自由能解析性之间的等价性。在算法方面，我们的结果扩展了 Barvinok 提出的一种用于解决量子多体系统经典计数问题的新方法的范围。
机器学习随机微分方程用于经典多体系统平衡态和非平衡态序参量的演化
摘要。我们开发了一种机器学习算法来推断控制多体系统序参量演化的随机方程。我们训练我们的神经网络来独立学习作用于序参量的定向力以及有效扩散噪声。我们使用具有 Glauber 动力学的经典 Ising 模型和接触过程作为测试案例来说明我们的方法。对于代表典型平衡和非平衡场景的两种模型，可以有效地推断出定向力和噪声。Ising 模型的定向力项使我们能够重建序参量的有效势，该序参量在临界温度以下形成特征性的双阱形状。尽管它具有真正的非平衡性质，但这种有效势也可以用于接触过程，并且其形状表示相变到吸收状态。此外，与平衡 Ising 模型相反，吸收状态的存在使噪声项依赖于序参量本身的值。
使用强化学习设计多体系统中低推力进入周期性轨道的方法
I. 引言随着火星立方体一号 (MarCO) 任务的成功和小型化技术的进步，小型卫星不再局限于在低地球轨道 (LEO) 运行。相反，通过低推力小型卫星进行深空探索、技术演示和有针对性的科学任务可能很快就会成为现实。事实上，即将到来的任务，如月球冰立方、LunaH-map 和 NEA Scout，将把小型卫星作为次要有效载荷搭载在 Artemis 1 上，部署到多体重力环境内的各种位置[1-3]。然而，混沌多体系统中航天器的轨迹和机动设计本质上是一个高维问题，而且由于结合了与低推力小型卫星相关的约束而变得更加复杂：有限的推进能力、运行调度约束以及固定但不确定的初始条件。虽然存在多种基于最优控制和动态系统理论 (DST) 的数值方法，用于在多体系统的近似动力学模型中构建低推力轨迹和机动剖面，但自主和稳健设计策略的开发需要一种替代方法。强化学习 (RL) 是天体动力学界越来越感兴趣的一类用于实现轨迹和机动设计的自主性的算法。RL 算法通常涉及代理与环境交互，通过对动态状态采取行动来最大化奖励函数。代理会探索环境，直到确定了决定每个状态下最佳动作的策略。如果制定得当，这些算法可以探索许多状态-动作对以确定最佳动作，同时限制对次优动作的探索。RL 方法已用于天体动力学中各种应用和动力学模型的轨迹和机动设计。例如，Dachwald 探索使用人工神经网络和进化算法设计配备低推力航天器到水星的转移 [ 4 ]。Das-Stuart、Howell 和 Folta 近期提出的方法利用 RL 和基本动力学结构来设计圆形限制三体问题 (CR3BP) 中周期轨道之间的复杂转移轨迹 [ 5 ]。此外，Scorsoglio、Furfaro、Linares 和 Massari 还使用演员-评论家深度强化学习 (DRL) 方法来开发地月空间近直线轨道航天器的对接机动 [ 6 ]。最近，Miller 和 Linares 应用著名的近端策略优化 (PPO) 算法来设计地月系统中遥远逆行轨道之间的转移，通过 CR3BP 进行建模 [ 7 ]。这些研究的成功为天体动力学界继续探索和扩展 RL 在多体轨迹设计策略中的应用奠定了宝贵的基础。具体来说，本文以这些先前的研究为基础，重点关注实施基于 RL 的轨迹设计方法的一个重要组成部分：制定一个奖励函数，该函数既反映了设计目标，也反映了影响恢复机动轮廓操作可行性的约束。该分析是在低推力 SmallSat 的轨迹设计背景下进行的，以快速访问位于与 CR3BP 中的周期轨道相关的稳定流形上的附近参考轨迹。
量子多体系统的波函数网络描述和柯尔莫哥洛夫复杂性
1 理论物理 III，电子关联与磁学中心，物理研究所，奥格斯堡大学，86135 奥格斯堡，德国 2 PASQAL SAS，7 rue L´eonard de Vinci - 91300 Massy，巴黎，法国 3 Forschungszentrum Jülich GmbH，Peter Grünberg 研究所，量子控制 (PGI-8)，52425 于利希，德国 4 雷根斯堡大学，93053 雷根斯堡，德国 5 索邦大学，CNRS，Mati`ere Condens´ee 理论物理实验室，LPTMC，F-75005 巴黎，法国 6 eXact lab srl，Via Francesco Crispi 56 — 34126 Trieste，意大利 7 Abdus Salam 国际理论物理中心 (ICTP)，Strada Costiera 11, 34151 Trieste, Italy 8 Dipartimento di Matematica e Geoscienze, Universit`a degli Studi di Trieste, via Alfonso Valerio 12/1, 34127, Trieste, Italy 9 巴黎萨克雷大学，光学研究所，CNRS，Laboratoire Charles Fabry, 91127 Palaiseau Cedex，法国 10 加州理工学院，帕萨迪纳，加利福尼亚州 91125，美国 11 杜伦大学物理系，南路，达勒姆 DH1 3LE，英国 12 纳米材料和纳米技术研究中心 (CINN-CSIC)，奥维耶多大学 (UO)，阿斯图里亚斯王子，33940 El Entrego，西班牙 13 SISSA 国际学校高级研究，通过 Bonomea 265, 34136 的里雅斯特, 意大利
利用神经网络量子态寻找量子临界点
摘要：找到量子临界点的精确位置对于表征零温度下的量子多体系统尤为重要。然而，量子多体系统的研究难度非常大，因为它们的希尔伯特空间维数会随着其尺寸的增大而呈指数增长。最近，被称为神经网络量子态的机器学习工具已被证明可以有效且高效地模拟量子多体系统。我们提出了一种使用神经网络量子态、解析构造的固有受限玻尔兹曼机、迁移学习和无监督学习来寻找量子伊辛模型的量子临界点的方法。我们验证了该方法，并与其他传统方法相比评估了其效率和有效性。
利用神经网络量子态寻找量子临界点
摘要：找到量子临界点的精确位置对于表征零温度下的量子多体系统尤为重要。然而，量子多体系统的研究难度非常大，因为它们的希尔伯特空间维数会随着其尺寸的增大而呈指数增长。最近，被称为神经网络量子态的机器学习工具已被证明可以有效且高效地模拟量子多体系统。我们提出了一种使用神经网络量子态、解析构造的固有受限玻尔兹曼机、迁移学习和无监督学习来寻找量子伊辛模型的量子临界点的方法。我们验证了该方法，并与其他传统方法相比评估了其效率和有效性。
高效学习、测试和模拟量子...
本论文主要研究量子信息和量子计算，以及它们在研究量子多体系统中的应用。过去几十年来，计算机科学和量子物理学之间的显著相互作用表明，对相互作用的量子系统的精确控制和操纵使我们能够处理信息并执行超出传统数字计算机能力范围的计算。这种新颖的信息处理形式还产生了一种概念上全新的工具包，用于解决量子多体系统物理学的基本问题。本论文通过计算复杂性和信息论的视角研究了相互作用量子系统的新特征。我们将看到如何利用这些新特征反过来让我们开发出有效的经典和量子算法来学习、测试和模拟量子多体系统。以下是本论文的主要结果：