XiaoMi-AI文件搜索系统
World File Search System最优控制
通过统一系统建模和缩小搜索空间实现可重构电池系统的高效最优控制
摘要 —可重构电池系统 (RBS) 正在成为一种有前途的解决方案，可提高容错性、充电和热平衡、能量输送等。为了优化这些性能指标，需要制定和解决高维非线性整数规划问题。在此过程中，需要解决来自非线性电池特性、离散开关状态、动态系统配置以及大型系统固有的维数灾难的多重挑战。因此，我们提出了一个统一的建模框架来适应 RBS 的各种潜在配置，甚至涵盖不同的 RBS 设计，大大促进了 RBS 的拓扑设计和优化问题制定。此外，为了解决制定的 RBS 问题，搜索空间被定制为仅包含可行的 SSV，从而确保系统安全运行，同时大幅减少搜索工作量。这些提出的方法侧重于统一系统建模和缩小搜索空间，为有效制定和高效解决 RBS 最优控制问题奠定了坚实的基础。仿真和实验测试证明了所提出方法的准确性和有效性。
使用最优控制强化学习模型进行 COVID-19 疫苗激励计划
我们将 Covid-19 疫苗接种建模为两个群体之间的强化学习动态：疫苗采用者和疫苗犹豫者。使用疾病控制中心 (CDC) 提供的数据，我们计算出一个控制这两个群体之间动态互动的收益矩阵，并表明他们正在进行一场鹰派-鸽派进化博弈，其内部存在进化稳定的纳什均衡（人群中接种疫苗的渐近百分比）。然后，我们问是否可以通过实施奖励/惩罚疫苗犹豫者的动态激励计划来提高疫苗接种率，如果可以，哪些计划是最佳的，它们的效果如何？什么时候是启动激励计划的最佳时间，激励措施应该有多大？通过使用量身定制的复制器动态强化学习模型和最优控制理论，我们表明精心设计和时间安排的激励计划可以通过在大量人群中向上移动纳什均衡来提高疫苗接种率，但只能达到一定程度，超过一定阈值的激励规模会显示收益递减。
$^{87}$Sr 中十能级核自旋量子点的量子最优控制
我们研究了使用量子最优控制在 87 Sr、ad = 10 维（四进制）希尔伯特空间中实现 I = 9 / 2 核自旋状态的幺正映射的能力。通过核自旋共振和张量交流斯塔克位移的组合，仅通过调制射频磁场的相位，该系统即可实现量子可控。碱土金属原子（例如 87 Sr）由于复合线较窄且激发态的超精细分裂较大，因此具有非常有利的品质因数。我们用数字方式研究了量子速度极限、最优参数以及任意状态制备和完整 SU(10) 映射的保真度，包括由于光移激光引起的光泵浦而产生的退相干。我们还研究了使用稳健控制来减轻由于光移不均匀性而导致的一些失相。我们发现，当 rf Rabi 频率为 rf 且光移不均匀性为 0.5% 时，我们可以在时间 T = 4.5 π/ rf 内制备任意 Haar 随机状态，平均保真度 ⟨ F ψ ⟩= 0.9992，并在时间 T = 24 π/ rf 内制备任意 Haar 随机 SU(10) 映射，平均保真度 ⟨ FU ⟩= 0.9923。
![arXiv:2211.09323v2 [quant-ph] 2023 年 2 月 7 日](/simg/g:\will\search\icon\source\f\fcb3d5544e8c37baf8b9d0f3820150d875d7e5ac.webp)
arXiv:2211.09323v2 [quant-ph] 2023 年 2 月 7 日
考虑具有有界振幅的两量子比特系统中的最优控制问题。研究了两种情况：量子态准备和纠缠产生。针对总持续时间的不同值，分别对成本函数、保真度和并发度进行了优化。对于量子态准备问题，高精度地确定了三个关键时间点，并获得了不同持续时间的最优控制。获得了对量子速度极限的更好估计，从而获得了时间最优控制。对于纠缠产生问题，确定了两个关键时间点，其中一个是从产品状态开始实现最大纠缠（单位并发度）的最短时间。此外，还找到了达到单位并发度的最优控制。
通过逆向工程实现机器学习启发的非绝热几何量子计算的量子最优控制
量子控制在量子计算机的实际应用中起着不可替代的作用。然而，要找到更合适、更多样化的控制参数，必须克服一些挑战。我们提出了一种有前途且可推广的基于平均保真度的机器学习启发式方法来优化控制参数，其中使用具有周期性特征增强的神经网络作为拟设。在通过逆向工程实现猫态非绝热几何量子计算的单量子比特门时，与简单形式的三角函数控制参数相比，我们的方法可以产生保真度明显更高（> 99.99%）的相位门，例如π/ 8门（T门）。单量子比特门对系统噪声、加性高斯白噪声和退相干具有很强的鲁棒性。我们用数字证明了神经网络具有扩展模型空间的能力。借助我们的优化，我们提供了一种在玻色子系统中实现高质量级联多量子比特门的可行方法。因此，机器学习启发的方法在非绝热几何量子计算的量子最优控制中可能是可行的。
量子技术中的量子最优控制。欧洲研究现状、愿景和目标战略报告
1 引言 量子最优控制理论 (QOCT) 是指一套设计和实现外部电磁场形状的方法，这些电磁场以最佳方式操纵原子或分子尺度上的量子动力学过程 [246]。它建立在更通用的控制理论的基础上，控制理论是在应用数学、工程学和物理学交叉领域发展起来的，涉及操纵动态过程以实现特定任务。主要目标是使所研究的动态系统以最优方式运行并达到其物理极限，同时满足现有设备施加的约束。量子过程也不例外，但控制理论的某些方面必须进行调整，以考虑到量子世界的特殊性。过去几年中，QOCT 已成为新兴量子技术不可或缺的一部分 [6]，证明了控制将科学知识转化为技术 [246]：如果叠加原理是量子力学的核心特征，那么量子控制就是叠加原理在起作用。量子技术需要相对隔离良好、特性良好的量子系统。与化学反应动力学等使用 QOCT 的其他领域相比，这一特性使其成为 QOCT 的理想试验台。另一方面，QOCT 已经成熟到如今已可在实验中使用。QOCT 的下一个挑战是成为一种
基于... 的无人机周期控制
如今，无人机 (UAV) 的飞行距离越来越长，任务时间也显著延长。这要求无人机不仅要有长续航能力，还要有远程能力。受鸟类和海洋动物运动模式的启发，它们表现出动力-滑行-动力周期性运动行为，因此提出了一个最优控制问题来研究无人机轨迹规划。微分平坦度的概念用于将最优控制问题重新表述为非线性规划问题，其中平坦输出使用傅里叶级数参数化。P 检验还用于验证是否存在优于稳态运动的周期解。以航空探空仪无人机为例，说明周期性控制方案相对于平衡飞行在续航时间和航程成本方面的改进。[DOI: 10.1115/1.4043114]
利用深度神经网络解决量子动力学中的逆问题：机器学习对时间相关最优控制场的预测 Xi
逆问题在物理科学中持续引起人们的极大兴趣，特别是在控制非平衡系统中所需现象的背景下。在这项工作中，我们利用一系列深度神经网络来预测时间相关的最优控制场 E(t)，从而实现降维量子动力系统中所需的电子跃迁。为了解决这个逆问题，我们研究了两种独立的机器学习方法：(1) 用于预测频域中功率谱的频率和幅度内容的前馈神经网络（即 E(t) 的傅里叶变换）；(2) 用于直接预测时域中的 E(t) 的互相关神经网络方法。这两种机器学习方法都为探索底层量子动力学提供了互补的方法，并且在准确预测最优控制场的频率和强度方面也表现出色。我们为这些深度神经网络提供了详细的架构和超参数，并为每个机器学习模型提供了性能指标。从这些结果中，我们表明机器学习方法，特别是深度神经网络，可以作为一种经济有效的统计方法来设计电磁场，以实现这些量子动力系统中所需的转变。