XiaoMi-AI文件搜索系统
World File Search System时间相关
电路可靠性预测：设备时间相关的可变性特征障碍
I.必须采用一种可靠性的设计（RAD）方法来维持超级CMOS技术节点的系统可靠性。在那里，必须在早期/系统设计阶段进行优化的可靠性以及性能[1，2]。电路可靠性受到基础设备的时间依赖性变异性（TDV）的强烈影响。tdv被观察到设备电特性的移位（例如，测量为阈值电压的变化），与过程相关的偏移一起（即时间零变异性TZV）将对电路性能产生负面影响，并最终可能以电路故障结束[3，4]。因此，为了弥合设备和电路级别之间的缝隙，必须将精确描述设备TDV的紧凑型模型开发并实现到电路仿真工具中[5，6]。实际上，尽管没有完全应对所有挑战[9]，但诸如Relxpert [7]或Mosra [8]等几种CAD商业工具已经评估了IC可靠性。
用于时间相关可解释人工智能的时间 2 型模糊系统
摘要 —可解释人工智能 (XAI) 是一种提供透明模型和决策的范例，非技术受众也易于理解、分析和增强这些模型和决策。基于模糊逻辑系统 (FLS) 的 XAI 可以提供可解释的框架，同时还可以对现实环境中存在的不确定性进行建模，这使其适用于需要可解释性的应用。然而，大多数现实生活中的过程不仅仅是以高度的不确定性为特征；它们本质上也与时间有关，即过程随时间而变化。为了解释与过程相关的时间成分，在本文中，我们为时间相关的 XAI (TXAI) 系统提出了一种基于时间类型 2 FLS 的新型方法，该方法可以使用（测量的）发生频率来解释测量在时间域中发生的可能性。在时间 2 型模糊集 (TT2FSs) 中，开发了一个四维 (4D) 时间相关成员函数，其中关系用于构建论域元素与其出现频率之间的相互关系。使用现实生活中的智能环境数据集通过分步数值示例和实证研究来说明所提出的具有 TT2FSs 的 TXAI 系统，以解决时间相关分类问题（根据一天中特定时间的传感器读数预测房间是否有人）。TXAI 系统性能还与具有不同可解释性水平的其他最先进分类方法进行了比较。 TXAI 系统表现出更好的分类能力，使用 10 倍测试数据集，平均召回率为 95.40%，而标准 XAI 系统（基于非时间一般 2 型 (GT2) 模糊集）的平均召回率为 87.04%。TXAI 的表现也明显优于大多数不可解释的 AI 系统，平均召回率提高了 3.95% 到 19.04%。时间卷积网络 (TCN) 略优于 TXAI（平均召回率提高了 1.98%），尽管计算复杂度较大。此外，TXAI 还可以使用嵌入在 TXAI 模型中的出现频率值概述最可能的时间相关轨迹；即，给定确定时间间隔内的规则，随后时间间隔内最可能的下一个规则是什么。在这方面，提出的 TXAI 系统对于描述现实生活中的时间相关过程（例如行为或生物过程）的演变具有深远的影响。
纳米级时间相关电介质击穿 (nanoTDDB ...
新沉积的介电材料的质量控制是 nanoTDDB 使用的另一个例子。具体来说，当使用原子层沉积 (ALD) 制备薄氧化膜时，需要对该过程进行微调以产生可重复的结果。这里用 ALD 制备二氧化硅膜，并用椭圆偏振法测量其厚度。由于在晶圆的不同位置观察到一些膜厚度变化，因此使用 Jupiter XR AFM 进行 nanoTDDB 测量以测量膜的电性能。使用 AFM 软件中编程的自动程序在晶圆的各个位置进行测量。
利用深度强化学习构建量子控制动力学的时间相关最优场
逆问题持续引起人们的极大兴趣，特别是在量子控制动力学和量子计算应用领域。在此背景下，量子最优控制理论试图构建一个外部控制场 E(t)，使量子系统从已知的初始状态演化到目标最终状态。预测 E(t) 的时间形式对于控制量子计算 [1]、量子信息处理[2–4]、激光冷却[5, 6] 和超冷物理 [7, 8] 中的潜在动力学至关重要。在复杂的多体量子系统中，预测最优 E(t) 场为控制光捕获复合物和多体相干系统中所需的动力学效应提供了关键的初始条件 [9–13]。解决这些量子控制问题的传统方法是使用基于梯度的方法或其他数值密集型方法最大化所需的跃迁概率 [14–17]。这些方法包括量子轨迹上的随机梯度下降 [18]、Krotov 方法 [19]、梯度上升脉冲工程 (GRAPE) [20] 方法和斩波随机基算法 (CRAB) [21] 方法。虽然每种算法都有自己的目的和优势，但大多数方法都需要复杂的数值方法来求解最优控制场。此外，由于这些逆问题的非线性特性，这些算法中的迭代次数和浮点运算次数可能非常大，有时甚至会导致相对简单的一维问题的结果不收敛 [16, 22]）。为了解决前面提到的计算瓶颈，我们小组最近探索了使用监督机器学习来解决这些复杂的逆问题
具有物理信息神经网络的时间相关狄拉克方程：计算和性质
本文研究使用物理信息神经网络 (PINN) 计算时间相关的狄拉克方程，PINN 是科学机器学习中一个强大的新工具，它避免了使用微分算子的近似导数。PINN 以参数化（深度）神经网络的形式搜索解，其导数（时间和空间）由自动微分实现。计算成本的增加源于需要使用随机梯度法求解高维优化问题，并在训练网络中使用大量类似于标准偏微分方程求解器离散化点的点。具体而言，我们推导了一种基于 PINN 的算法，并展示了其应用于不同物理框架下的狄拉克方程时的一些关键基本性质。
量子与时间相关的谐波...
本论文的目的是表明量子和谐振荡器取决于时间是可以准确解决的系统。讨论分为三章：首先，召回了量子和谐无知的理论，以恢复其依赖时间的概念和方法。在第二章中，简要介绍了依赖时间的不变的运营商的理论，我们对它们与施罗格方程解决方案的关系感兴趣。最后，在第三章中，提出了取决于时间的量子艺术振荡器的问题，并讨论了其精确的解决方案。
时间相关横向量子误差校正
其中，如果位串 s 中的 1 的个数为偶数/奇数，则该位串为奇偶校验。我们可以将 | Ψ QRC ⟩ 视为奇偶校验状态：字符串的奇偶性决定系数是 α 还是 β 。这种奇偶校验性质使其很容易根据 Z 测量值进行校正。例如，如果在最后一个量子比特上测量 Z，如果结果为 0，则我们只需保留其他 N − 1 个量子比特中的信息；如果结果为 1，则信息仍存储，但我们需要在最后应用 X 门来恢复原始量子比特。该模型的一个关键缺点是它无法根据哪怕一个 X 测量值进行校正，这会导致整个波函数崩溃。当然，已知更复杂的代码 [ 25 ] 可以同时防止 Z 和 X 错误；其中概念上最简单的是 Shor 9 量子比特代码 [ 26 ]。更实际的可能性包括表面码 [27-31]，它更适合物理实现（并且容错性更强）；表面码中至少需要 9 个数据量子位来保护一个逻辑量子位 [31]。在本文中，我们提出了量子重复码的另一种简单替代方案，它解决了重复码的两个缺点，同时保持了其大部分概念简单性。我们的代码由一维、空间局部、时间相关的横向场伊辛模型 (TFIM) 生成。虽然该模型因与基于马约拉纳量子计算的联系而在量子信息论中有着悠久的历史 [32-36]，但在这里我们将指出一种相当不同的方法，即使用 TFIM 对量子位进行鲁棒编码。与重复码一样，我们的代码受到使用奇偶校验态的启发，可以有效地纠正 Z 测量/误差。事实上，[37-39] 中已经强调了 (随机) 横向场 Ising 模型动力学与重复代码中的量子纠错之间的联系。与依赖于 GHZ 态准备的重复代码不同，我们的奇偶校验态可以在幺正动力学下在恒定时间内准备，并且它可以得到一种可以同时纠正 Z 和 X 错误的代码。我们的代码能够在有限时间幺正动力学之后实现这种纠错奇偶校验态，这可以通过与对称保护拓扑 (SPT) 相的联系来理解 [40-42]，尽管这种代码看起来比许多受凝聚态物理启发的代码要简单。我们提出的 TFIM 代码是利用量子系统控制和操控方面取得的最新进展自然实现的。尤其是里德堡原子光镊阵列，由于能够单独控制原子，已被证明是一种高度可调谐的量子应用系统 [13, 43 – 48]。此外，虽然控制原子的初始空间配置已经是一种强大的工具，但现在还可以在保持量子比特相干性的同时移动原子 [49]。这种高度的控制，在空间和时间上，光镊阵列是近期实验中实现 TFIM 码的绝佳平台。本文的其余部分安排如下：我们将在第 2 部分介绍 TFIM 码。在第 3 部分中，我们描述了传统的基于综合征的量子纠错，并展示了 TFIM 码如何在存在 Z 误差的情况下恢复重复码的更传统现象（在我们的基础上），并且还可以通过纠正 X 误差超越它。我们在第 4 部分给出了数值证据，证明 TFIM 码可以直接用于生成更高深度的码。第 5 部分描述了在超冷原子实验中实现 TFIM 码的可行性。
一种用于实现随机二进制尖峰时间相关可塑性的 CMOS-忆阻器混合系统
本文介绍了一个完全实验性的混合系统，其中使用定制的高阻态忆阻器和采用 180 nm CMOS 技术制造的模拟 CMOS 神经元组装了一个 4 × 4 忆阻交叉脉冲神经网络 (SNN)。定制忆阻器使用 NMOS 选择晶体管，该晶体管位于第二个 180 nm CMOS 芯片上。一个缺点是忆阻器的工作电流在微安范围内，而模拟 CMOS 神经元可能需要的工作电流在皮安范围内。一种可能的解决方案是使用紧凑电路将忆阻器域电流缩小到模拟 CMOS 神经元域电流至少 5-6 个数量级。在这里，我们建议使用基于 MOS 阶梯的片上紧凑电流分配器电路，将电流大幅衰减 5 个数量级以上。每个神经元之前都添加了这个电路。本文介绍了使用 4 × 4 1T1R 突触交叉开关和四个突触后 CMOS 电路的 SNN 电路的正确实验操作，每个电路都有一个 5 个十进制电流衰减器和一个积分激发神经元。它还演示了使用此小型系统进行的一次性赢家通吃训练和随机二进制脉冲时间依赖可塑性学习。
工作负荷的时间相关电迁移建模......
摘要 — 电迁移 (EM) 一直被认为是后端互连的可靠性威胁因素。自旋转移力矩磁性 RAM (STT-MRAM) 是一种新兴的非易失性存储器，近年来备受关注。然而，相对较大的工作电流幅度是这项技术的一大挑战，因此，EM 可能是一个潜在的可靠性问题，即使对于这种存储器的信号线也是如此。工作负载感知的 EM 建模需要捕获存储器信号线中随时间变化的电流密度，并能够预测 EM 现象对互连整个生命周期的影响。在这项工作中，我们提出了一些方法，可以在各种实际工作负载下有效地模拟典型 STT-MRAM 阵列中与工作负载相关的 EM 引起的平均故障时间 (MTTF)。这允许执行设计空间探索以共同优化可靠性和其他设计指标。
利用机器学习对时间相关量子哈密顿量进行断层扫描
相互作用的量子汉密尔顿量是量子计算的基础。时间无关的量子汉密尔顿量的基于数据的断层扫描已经实现，但一个开放的挑战是使用从一小部分自旋局部获取的时间序列测量来确定时间相关的量子汉密尔顿量的结构。物理上，自旋系统在时间相关驱动或扰动下的动态演化由海森堡运动方程描述。受这一基本事实的启发，我们阐明了一个物理增强的机器学习框架，其核心是海森堡神经网络。具体来说，我们根据基于海森堡方程的一些物理驱动损失函数开发了一种深度学习算法，该算法“强制”神经网络遵循自旋变量的量子演化。我们证明，从局部测量中，不仅可以恢复局部汉密尔顿量，而且还可以忠实地重建反映整个系统相互作用结构的汉密尔顿量。我们在各种结构的自旋系统上测试了我们的海森堡神经机。在仅从一次自旋进行测量的极端情况下，实现的断层扫描保真度值可以达到约 90%。开发的机器学习框架适用于任何时间相关系统，其量子动力学演化受海森堡运动方程控制。