XiaoMi-AI文件搜索系统
World File Search System最优控制
脉冲神经网络的最优控制
控制理论提供了一种自然语言来描述多区域交互和灵活的认知任务，例如隐性注意力或脑机接口 (BMI) 实验，这些实验需要找到足够的局部电路输入，以便以上下文相关的方式控制其动态。在最佳控制中，目标动态应该最大化沿轨迹的长期价值概念，可能受控制成本的影响。由于这个问题通常难以处理，因此当前控制网络的方法大多考虑简化设置（例如，线性二次调节器的变体）。在这里，我们提出了一个数学框架，用于对具有低秩连接的随机脉冲神经元的循环网络进行最佳控制。一个基本要素是控制成本，它惩罚偏离网络默认动态（由其循环连接指定），从而促使控制器尽可能使用默认动态。我们推导出一个贝尔曼方程，该方程指定低维网络状态 (LDS) 的值函数和相应的最佳控制输入。最优控制律采用反馈控制器的形式，如果神经元的脉冲活动倾向于将 LDS 移向更高（更低）值的区域，则该控制器向循环网络中的神经元提供外部兴奋性（抑制性）突触输入。我们使用我们的理论来研究将网络状态引导到特定终端区域的问题，这些终端区域可以位于 LDS 中具有慢速动态的区域内或区域外，类似于标准 BMI 实验。我们的结果为一种具有广泛适用性的新方法奠定了基础，该方法统一了神经计算的自下而上和自上而下的视角。
基于...的耦合量子系统的最优控制
本文提出了一种对具有多个耦合自由度的量子系统进行近似最优控制模拟的方法。使用相互作用图中的一阶马格努斯展开来模拟时间演化，其中不同自由度之间的耦合被视为扰动。提出了一种数值实现程序，利用成对耦合和零阶时间演化算子的可分离性来降低计算成本，并根据自由度数对其进行了分析。该公式与无梯度方法兼容，可以优化控制场，并为此采用了随机爬山算法。作为说明，在控制场的影响下，对两个和三个偶极-偶极耦合分子转子系统进行了最优控制模拟。对于双转子系统，优化场以实现取向或纠缠目标。对于三旋翼系统，磁场经过优化，要么使所有三个旋翼朝向同一方向，要么使一个旋翼朝向特定方向，而另外两个旋翼指向相反方向。
通过半自动微分实现量子最优控制
我们开发了一个“半自动微分”框架，将现有的基于梯度的量子最优控制方法与自动微分相结合。该方法几乎可以优化任何可计算函数，并在两个开源 Julia 包 GRAPE.jl 和 Krotov.jl 中实现，它们是 QuantumControl.jl 框架的一部分。我们的方法基于根据传播状态、与目标状态的重叠或量子门正式重写优化函数。然后，链式法则的分析应用允许在计算梯度时分离时间传播和函数的评估。前者可以通过修改的葡萄方案非常高效地进行评估。后者通过自动微分来评估，但与时间传播相比，其复杂性大大降低。因此，我们的方法消除了通常与自动微分相关的高昂内存和运行时开销，并通过直接优化量子信息和量子计量的非解析函数，促进了量子控制的进一步发展，尤其是在开放量子系统中。我们说明并测试了半自动微分在通过共享传输线耦合的超导量子比特上完美纠缠量子门的优化中的应用。这包括对非解析门并发的首次直接优化。
B 4 量子技术的最优控制简介
最优控制的应用并不是一个全新的想法。最早的应用主要是化学，例如激光控制化学反应和磁共振。到目前为止，量子最优控制也应用于大量的现代量子技术（量子 2.0）[1]。这意味着一定的碎片化传统——量子最优控制研究人员往往在数学、化学、计算机科学和物理系，并遵循他们特定的特性 [20]。现代的努力在克服这种碎片化方面已经取得了很大进展，这对相互学习和尊重不同目标大有裨益——例如，复杂反应的量子控制确实需要处理大的希尔伯特空间，而量子计算中的控制则旨在将误差降到足够低，以满足纠错阈值。
非绝热完整量子计算及其最优控制
摘要 几何相具有抵抗某些类型局部噪声的内在特性，因为它只依赖于演化路径的全局特性。同时，非阿贝尔几何相是矩阵形式，因此可以自然地用于实现高性能量子门，即所谓的完整量子计算。本文回顾了非绝热完整量子计算的最新进展，并重点介绍了各种可以提高门性能的最优控制方法，包括门保真度和鲁棒性。此外，我们还特别关注其可能的物理实现和一些具体的实验实现的例子。最后，通过所有这些努力，在最新技术范围内，实现的完整量子门的性能在某些条件下可以优于传统的动态量子门。
随机最优控制指导自适应癌症治疗
图 2：从初始状态 ( q 0 , p 0 ) = (0 . 26 , 0 . 665)（洋红色点）开始的具有确定性最优策略的随机驱动系统：(a) 确定性驱动系统 (2.2) 找到的最优轨迹，成本为 5 . 13；(b) 在确定性最优策略下生成的两个代表性样本路径，但受到随机适应度扰动的影响（较亮的一个成本为 3 . 09，而另一个成本为 6 . 06）；(c) 使用 10 5 随机模拟近似的累积成本 J 的 CDF。在 (a) 和 (b) 中，轨迹/路径的绿色部分表示不开药，轨迹/路径的红色部分表示以 MTD 速率开药。确定性情况下的价值函数的水平集以浅蓝色显示。在 (c) 中，蓝色实线是使用确定性最优策略生成的 CDF。其中位数（蓝色虚线）为 4.94，而成功条件下的平均值是 4.90。绿色实线是使用阈值感知策略生成的 CDF，其中 ¯ s = 4.50；红色实线是使用阈值感知策略生成的 CDF，其中 ¯ s = 4.94。
通过量子学习控制实现线性高斯量子系统的最优控制
有效控制线性高斯量子 (LGQ) 系统是基础量子理论研究和现代量子技术发展中的重要任务。在此，我们提出了一种基于梯度下降算法的通用量子学习控制方法，用于最佳控制 LGQ 系统。我们的方法利用完全描述 LGQ 系统量子态的一阶和二阶矩，灵活地设计用于不同任务的损失函数。我们使用这种方法展示了深度光机械冷却和大型光机械纠缠。我们的方法能够在短时间内对机械谐振器进行快速和深度基态冷却，超越了连续波驱动强耦合机制中边带冷却的限制。此外，即使热声子占有率达到一百，光机械纠缠也可以非常快地产生，并且超过相应稳态纠缠的几倍。这项工作不仅拓宽了量子学习控制的应用范围，而且为 LGQ 系统的最优控制开辟了一条途径。
风力涡轮机群隐式相位协调最优控制
惯性质量，J 101 537 . 5 kg m 2 阻尼，B 100 N ms / rad 极对数，p 2 变速箱速比，N 24 . 12 叶片长度 + 轮毂，R m 13 . 5 m 转子电阻，R r 0 . 007 645 44 Ω 转子电感，L r 0 . 007 067 33 H 定子电阻，R s 0 . 009 585 76 Ω 定子电感，L s 0 . 000 252 35 H 定子电流。 d 轴，isdisd ≥ 0 A 定子频率，ω s ω s ≥ 0 rad / s 初始转子频率，ω r 0 2 rad / s 转子频率，ω r ω r ∈ [ 0 , 9 . 208 ] rad / s 直流母线电压，vv ∈ [ 437 , 483 ] V (460 V ± 5%) 直流母线电阻，R 1000 Ω 直流母线电容，C 0 . 1 F 连接电感，L 0 . 001 H 连接电阻，R 0 . 05 Ω 时间窗口 600 s 直流母线电压，vv ′′ ∈ [ − 20 , 20 ] V / s 2
耗散量子比特的时间最优控制 - UA 存储库。
应用基于庞特里亚金最大值原理的形式化方法来确定时间最优协议，该协议通过具有有限控制的哈密顿量将一般初始状态驱动到目标状态，即存在具有有界振幅的单个控制场。浴槽和量子比特之间的耦合由林德布拉德主方程建模。耗散通常会将系统驱动到最大混合状态，因此通常存在一个最佳演化时间，超过该时间，退相干将阻止系统接近目标状态。然而，对于某些特定的耗散通道，最佳控制可以使系统无限长时间地远离最大熵状态。详细讨论了这种特定情况出现的条件。描述了构建时间最优协议的数值程序。特别是，这里采用的形式化方法可以有效地评估时间相关的奇异控制，这对于控制孤立或耗散量子比特至关重要。