XiaoMi-AI文件搜索系统
World File Search System模拟退火
使用最大基数匹配问题对量子退火进行基准测试
我们对量子退火 (QA) 与模拟退火 (SA) 进行了基准测试，重点关注问题嵌入到 D-Wave 量子退火器的不同拓扑上的影响。我们研究的一系列问题是最大基数匹配问题的特别设计实例，这些问题很容易通过经典方法解决，但对于 SA 来说很难，而且实验发现，对于 QA 也不容易。除了使用多个 D-Wave 处理器外，我们还通过数值求解时间相关的薛定谔方程来模拟 QA 过程。我们发现嵌入问题可能比非嵌入问题困难得多，并且某些参数（例如链强度）对于找到最佳解决方案可能非常有影响。因此，找到良好的嵌入和最佳参数值可以大大改善结果。有趣的是，我们发现尽管 SA 在解决非嵌入问题方面取得了成功，但与我们在 D-Wave 量子退火器上取得的成果相比，嵌入版本获得的 SA 结果相当差。
宿主细胞丝氨酸蛋白酶抑制剂MM3122对SARS-COV-2的疗效用于治疗和预防COVID-19
DNA纳米结构是一类自组装纳米材料，在生物医学和纳米技术中具有广泛的潜在应用。使用人直觉或简单算法的简单DNA Polyhedra的发展可以追溯到1980年代。今天，该领域以DNA折纸构建体为主导，以至于丢失了用于设计非原虫纳米结构的原始算法。在这项工作中，我们描述了Arktos：一种用于设计简单DNA Polyhedra而无需使用DNA折纸的算法。arktos设计序列被预测使用模拟退火优化折叠成所需的结构。作为概念证明，我们使用Arktos设计了一个简单的DNA四面体。合成了生成的寡核苷酸序列，并通过聚丙烯酰胺凝胶电泳对实验验证，表明它们折叠成所需的结构。这些结果表明，根据研究界的需求，Arktos可用于设计自定义DNA Polyhedra。
强度帕累托进化算法，用于融合风电场和储能系统的动态经济发射问题
I。由于能量短缺和保护环境的增加压力，风能引起了人们的注意。风被认为是清洁能源，可以减轻对化石燃料的依赖。但是，风速的随机特征导致风能输出的波动性和不确定性。因此，风能的高渗透可能会对系统稳定性产生负面影响，并导致侵犯能量平衡约束[1]。实际上，一旦风力渗透成为总能源产量的5％以上，功率质量将受风力发电的不确定性的影响[2]。因此，在风热系统中，重要的是要完美地分配包括风能在内的所有单元的产生，以减轻风力降低。此问题称为功率调度问题。几项研究工作已处理了风热系统的最佳调度。此类问题的解决方案是基于二次编程，遗传算法（GA）[3]，粒子群优化（PSO）[4]，模拟退火[5]，Harmony Search [6]，Firefly AlgorithM [7]，化学反应[8]等，等等。风的不确定性
简历
Arora Sakshi 和 Sunanda，“多播网络中路由发现的遗传 K 均值聚类”，国际控制理论与应用杂志，第 10 卷 (4)，49-56 (2017)。 Arora Sakshi 和 Sunanda，“云环境中的虚拟机可用性和负载平衡”，国际控制理论与应用杂志，第 10 卷 (4)，183-190 (2017)。 Gupta, S.，和 Arora, S. (2017)。“云环境中的数据挖掘问题综述”(320-325)。计算机与数学科学杂志。ISSN 0976 – 5727，第 6 卷，第 9 期。2017。 Gupta, S.，和 Arora S，“云计算中的安全性”，国际科学与工程先进研究杂志No. 5, 280-285 (2016)。 Gupta, S., & Arora, S. (2015)。使用适应度景观参数提升模拟退火以实现更佳优化。国际计算杂志，14(2)，107-112。（h 指数：8）。书籍章节
PCB 和 IC 设计中布局规划的改进接力赛算法
在 SA 中，固体结构的每个状态都对应一个适用的问题解决方案。状态的能量是评估解决方案的成本函数值。最小能量的状态代表具有最佳成本函数值的最优解决方案。SA 是一种具有迭代改进的随机算法。每个重复步骤都包括将当前解决方案更改为新解决方案。此操作称为移动到邻域。状态的当前温度决定了新解决方案的接受概率。温度更新从最高温度到最低温度进行安排，其中较高温度下的接受概率高于较低温度下的接受概率。如果温度快速下降，则称为模拟淬火而不是模拟退火。SA 和模拟淬火之间的主要区别在于用于温度调度的参数。在 SA 中，需要以较慢的速率降低温度才能达到绝对最小能量状态。
使用深度强化学习优化 ZX 图
摘要 ZX 图是一种强大的图形语言，用于描述量子过程，可应用于基础量子力学、量子电路优化、张量网络模拟等。ZX 图的实用性依赖于一组局部转换规则，这些规则可以应用于它们而不改变它们描述的底层量子过程。可以利用这些规则来优化 ZX 图的结构以用于一系列应用。然而，找到最佳的转换规则序列通常是一个悬而未决的问题。在这项工作中，我们将 ZX 图与强化学习结合起来，强化学习是一种旨在发现决策问题中最佳动作序列的机器学习技术，并表明训练有素的强化学习代理可以显著胜过其他优化技术，如贪婪策略、模拟退火和最先进的手工算法。使用图神经网络对代理的策略进行编码，可以将其推广到比训练阶段大得多的图表。
通过LLM驱动的迭代细胞优化 -
我们提出了一种新颖的方式，将灵活的，与上下文相关的约束集成为组合优化，通过将大型语言模型（LLMS）与传统算法一起使用。尽管LLM擅长解释细微的，当地指定的要求，但他们在执行全球组合可行性方面挣扎。为了弥合此间隙，我们提出了一个迭代的微调框架，其中算法反馈逐渐完善了LLM的输出分布。将其解释为模拟退火，我们引入了一个基于“粗糙可学习性”假设的形式模型，为收敛提供了样本复杂性界限。对调度，图形连接和聚类任务的经验评估表明，与基线采样方法相比，我们的框架平衡了本地表达的约束的灵活性和严格的全局优化。我们的结果突出了混合AI驱动组合推理的有希望的方向。项目代码：https：//github.com/pranjal-awasthi/test time-ft
调度橱柜冰箱结合了相变材料以减少其间接环境影响
摘要：冰箱中纳入的相变材料（PCM）可用于将其能源消耗从高峰期转移，当电网能源需求最高，转换为非高峰期。尽管PCM可以使用能源需求曲线，但如果采用了使用时间（TOU）电价，则可以实现经济节省。但是，每小时的碳发射因子通常与小时的关税无关，并且由于冰箱的运行而发射的最终CO 2不会完全优化。在这项工作中，提出了一种基于模拟退火优化技术的方法，以确定嵌入PCM的机柜冰箱的最佳工作时间表，以减少其间接碳排放。使用了具有不同代表性碳强度的国家的数据。归一化的标准偏差和归一化范围是预测拟议解决方案中碳排放减少的最佳统计指数。这些参数证明，算法的应用较高的碳强度变化（乌拉圭，法国，丹麦和德国）的国家受益。成本和降低碳排放量不能同时最大化，并且需要取舍。
根据不同的生命周期步骤，电池对运输应用的环境影响
摘要本文实验研究了与最大基数匹配问题的实例相遇时，通过D波商业化的模拟量子计算机的行为，这些问题被专门设计为难以通过模拟退火而解决。我们在各种尺寸的情况下基准一个D-Wave“华盛顿”（2倍），具有1098个操作码头，并观察到，除了其中最琐碎的最小的所有情况外，它都无法获得最佳的解决方案。因此，我们的结果表明，量子退火至少在D-Wave设备中实现，与类似的退火相同的陷阱，因此提供了其他证据，表明存在多项式的问题，即这种机器无法有效地求解最佳性。此外，我们研究了Qubits互连拓扑的程度，以解释后一种实验结果。特别是我们提供的证据表明，这些拓扑的稀疏性会导致人为膨胀大小的QUBO问题，可以部分解释上述令人失望的观察结果。因此，本文暗示，要释放量子退火方法的潜力，必须使用密度的互连拓扑。
分布式量子计算中的概率感知量子比特到处理器映射
量子计算具有令人兴奋的潜力，但当前的技术障碍在于单个处理器中的量子比特数量有限。解决这一挑战的一种方法是将小型、专用的量子处理器组装成一个更大的计算系统，称为分布式量子计算。在这项工作中，我们专注于分布式量子计算中的一个关键问题：如何将特定量子电路的逻辑量子比特映射到异构量子网络中的不同处理器，以尽量减少总体通信开销。为了解决这个问题，我们制定了一个概率感知的量子比特到处理器映射模型，其中每对处理器之间的通信开销是通过基于链路纠缠生成率的概率分析确定的。我们还在模型中引入了多流路由协议，以提高整体纠缠率。之后，我们采用多级混合模拟退火算法来最小化总通信开销。最后，我们进行了广泛的模拟，以展示我们的解决方案在各种系统设置下的优越性。