XiaoMi-AI文件搜索系统
World File Search System概率密度
通过超快衍射进行分子量子态断层扫描
超快电子衍射和时间分辨串行晶体学是持续革命的基础，该革命旨在从原子层面捕捉分子结构动力学的细节。然而，大多数实验仅捕捉核波包的概率密度来确定时间相关的分子结构，而尚未访问完整的量子态。在这里，我们介绍了一种用于制备和从分子旋转波包进行超快相干衍射的框架，并建立了一种用于超快电子衍射的量子态断层扫描的新变体，以表征分子量子态。对于任意自由度的分子，重建密度矩阵（编码波包的振幅和相位）的能力将使我们能够从实验 x 射线或电子衍射数据重建量子分子电影。
Fitzhugh-Nagumo神经网络中的大耦合
摘要。我们考虑了一个空间扩展的Fitzhugh-Nagumo神经网络的中镜模型，并证明在短程相互作用主导的政权中，整个网络中潜力的概率密度集中在狄拉克分布中，其质量中心的质量中心溶解了经典的非宽松反应反应fitzhughugh-usion fitzhugh-nagugh-nagumo fitzhugh-nagumo System。为了重新理解我们对这种制度的理解，我们着重于这种集中现象的爆炸。我们的主要目的是得出两个定量和强的收敛估计，证明了该文件是高斯：L 1功能框架中的第一个，第二个是加权L 2功能设置中的第二个。我们开发了原始的相对熵技术来证明第一个结果，而第二个结果依赖于规律性的传播。
lwir光子的量子点互面带光电检查器
量子纳米结构的开发对于在长波长红外（LWIR）窗口中的光电探测器技术的发展至关重要，尤其是成功实施量子点（QDS）具有可能导致该领域的世代相传的潜力[1]。尽管有承诺，但与最先进的技术相比，基于QD的光电探测器的性能仍然缺乏。我们提出了一种创新的解决方案，可以通过利用量子点局部状态到连续体中的谐振状态的吸收来超过当前的基于QD的检测器，即半导体导带中的状态具有增强的量子点区域的概率密度[2]。这种方法利用了此类状态的独特特性，可以大大增强载体提取，从而克服了基于量子点的红外探测器的最关键缺点之一。
使用随机矩阵的多传感器贝叶斯扩展目标跟踪融合方法
摘要-由于多种现代雷达系统的高分辨率，扩展目标的跟踪吸引了越来越多的文献。在随机矩阵框架中提出了一种完全贝叶斯解决方案。本文分析了多个传感器获得的检测融合。提出了四种不同的方法来跟踪和联合估计运动学和范围参数。它们都使用相同的多传感器运动学矢量测量更新。第一种方法基于范围状态概率密度函数的粒子近似，而其他三种方法基于后者的逆 Wishart 表示。广泛的模拟评估了不同方法的性能。基于粒子滤波器的方法获得了最佳性能，但计算负担增加了。基于多传感器泛化的两种更新具有可比的性能，而基于融合近似的更新获得了最差的性能。
Heisenberg的定量稳定性的简短证明 -
对于满足第二矩缩放的所有概率密度。因此，与信息理论的经典结果相同，在第二刻的约束下，高斯分布最小化了费舍尔的信息。以这种形式，改善这种不平等是信息理论中的一个经典主题，可以追溯到Stam的不平等[9]，也称为熵的等等不平等。我们指的是[4]及其参考文献，以获取有关这种情况下信息理论不平等的更多信息，以及它们与不确定性原则的联系。Stam的不平等也等同于Gross的高斯对数Sobolev不平等[7]，稳定性一直是最近感兴趣的话题，请参见[2，6，5]，并参考其中的参考。在公式（2）中，HPW不等式的证明几乎是立即的。由于第二刻的归一化，因此自然地将相对的Fisher信息引入标准高斯分布，其密度将用γ（x）=（2π）-D / 2 Exp（ - | | x | 2 /2）表示。我们有
使用生成机器学习求解配置空间中的薛定谔方程
图 1：(a) 受限玻尔兹曼机 (RBM) 架构由一个可见输入层和一个二进制值隐藏层组成；对于给定的配置 (v, h)，参数 (a, b, W) 用于定义能量函数 E 和相关的类玻尔兹曼概率密度 P。(b) 例如，RBM 可以在一组手写数字上进行训练，然后用于生成新的真实数字；为此，数字图像被展平为一维二进制向量 v(k)，其中 1 和 0 分别对应数字和背景像素。(c) 配置相互作用 (CI) 方法将分子的波函数展开为激发斯莱特行列式的线性组合，可以表示为一种一维二进制图像。 (d) 本研究中提出的 CIgen 算法以迭代方式训练 RBM 在波函数当前近似中的行列式分布上，然后通过生成新的贡献来扩展它。
通过Schrödinger桥改善基于生成模型的展开
基于机器学习的展开已实现了无链接和高维差异横截面测量值。该研究领域已经出现了两种主要方法。一个基于判别模型和基于生成模型的模型。歧视模型的主要优点是，他们学习对起始模拟的较小校正，而生成模型则可以更好地扩展到相位空间区域，而数据很少。我们建议使用Schrödinger桥和扩散模型来创建Sbunfold，这是一种结合了歧视性和生成模型的优势的展开方法。sbunfold的关键特征是，其生成模型将一组事件映射到另一组事件中，而无需经过已知的概率密度，就像使流量和标准扩散模型的正常情况一样。我们表明，与合成ZÞJETS数据集中的最新方法相比，Sbunfold取得了出色的性能。
超越 PSD 限制的随机振动测试
使用快速傅里叶变换模拟进行随机振动测试的传统方法已经过时，因为这种方法仅限于考虑功率谱密度。后者意味着 FFT 方法基于高斯随机信号模型。但是，MIL-STD- 810F 标准规定“必须小心检查现场测量的非高斯行为概率密度”。现在要求测试工程师“确保在遇到非高斯分布时测试和分析硬件和软件是合适的”。人们普遍认为时间波形复制可以解决非高斯问题。然而，TWR 方法不是模拟，因为复制测试仅代表一个测量的道路样本，而不是像模拟测试那样代表一种道路类型。这里讨论了复制和模拟之间的这种差异。考虑了两种基于峰度和偏度特征的非高斯模拟方法（多项式函数变换和特殊相位选择），并给出了模拟各种现场数据的实例。
分数阶薛定谔方程中双曲势的量子信息熵
摘要：本文通过计算位置熵和动量熵，研究了分数阶薛定谔方程（分数阶导数（0 < n ≤ 2））中两个双曲单阱势的 Shannon 信息熵。我们发现，随着分数阶导数 n 的减小，波函数会向原点移动；在分数阶体系中，即当 n 值较小时，位置熵密度局域化程度越来越严重，而动量概率密度非局域化程度越来越高。然后，我们研究了 Beckner Bialynicki-Birula–Mycieslki（BBM）不等式，发现虽然该不等式随着双曲势 U 1 （或 U 2 ）的深度 u 的增加而逐渐减小（或增大），但 Shannon 熵对于不同的深度 u 仍然满足该不等式。最后，我们还进行了 Fisher 熵的计算，发现 Fisher 熵随势阱深度 u 的增加而增大，分数阶导数n减小。