XiaoMi-AI文件搜索系统
World File Search System物理的
对撞机物理的量子可观测量
1. Alice 和 Bob 分别测量 sa [ α ] 和 sb [ β ]。重复测量多次并计算 < sa .sb >。 2. 对 a 和 b' 重复 (1)。 3. 对 a' 和 b 重复 (1)。 4. 对 a' 和 b' 重复 (1)。
使用基于物理的无量纲建模的单元
用具有开放电路电势的化学物质量化锂离子细胞中的衰老效应是具有挑战性的。我们实施了一个基于物理学的电化学模型，以跟踪基于钛酸锂细胞的电化学阻抗反应的变化。伪二维模型的频域方程是无量纲的，并使用Levenberg-Marquardt例程估算相应的非二维参数。该模型权衡了扩散变化，电解质相内离子传导的相对贡献与固相电子传导对细胞衰老的相对贡献。固相扩散，电荷转移电阻和在固液界面处的双层电容是在粒子阻抗中的。使用来自1000多个循环的完整单元格的加速循环数据，估计程序常规跟踪无量纲参数。该模型可以在短时间内使用基于物理的模型来进行状态估算，而无需先验了解电池化学，格式或容量。©2023作者。由IOP Publishing Limited代表电化学学会出版。这是根据Creative Commons Attribution 4.0许可（CC by，http://creativecommons.org/licenses/ by/4.0/）分发的开放式访问文章，如果原始工作适当地引用了原始作品，则可以在任何媒介中不受限制地重复使用工作。[doi：10.1149/1945-7111/acf52a]
基于物理的波纹翅片潜热储能系统建模与数据驱动优化
研究了相变材料在带有波纹翅片的矩形外壳中的固液相变。采用基于物理的模型，探索了翅片长度、厚度和波幅对热场和流体流场的影响。将翅片纳入热能存储系统可增加传热表面积和热穿透深度，从而加速熔化过程。波纹翅片比直翅片产生更多的流动扰动，从而提高熔化性能。更长更厚的翅片可提高熔化速度、平均温度和热能存储容量。然而，翅片厚度对热特性的影响似乎微不足道。较大的翅片波幅会增加传热表面积，但会破坏自然对流，从而减慢熔化前沿的进程。开发了一种基于人工神经网络和粒子群优化的替代模型来优化翅片几何形状。与平面翅片相比，优化后的几何形状使每单位质量的热能存储提高了 43%。数据驱动模型预测的液体分数与基于物理的模型的差异小于 1%。所提出的方法提供了对系统行为的全面理解，并有助于热能存储系统的设计。
高能物理的量子计算
1 欧洲核子研究中心 (CERN)，CH-1211 日内瓦，瑞士 2 CQTA，德国电子同步加速器 DESY，Platanenallee 6，15738 Zeuthen，德国 3 塞浦路斯研究所基于计算的科学技术研究中心，20，Constantinou Kavafi str.，2121 尼科西亚，塞浦路斯 4 IBM Quantum，IBM Research – 苏黎世，8803 R¨uschlikon，瑞士 5 塞浦路斯大学物理系，PO Box 20537，1678 尼科西亚，塞浦路斯 6 IBM Quantum，IBM Research - 1101 Kitchawan Rd，Yorktown Heights，NY，美国 7 LBNL 物理部门 - M/S 50A5104 1 Cyclotroner Rd Berkeley，CA，美国 8 德国电子同步加速器 DESY，Notkestrasse 85, 22607 汉堡，德国 9 亚琛工业大学，Templergraben 55, 52062 亚琛，德国 10 TIF 实验室，Dipartimento di Fisica，米兰大学和 INFN Sezione di Milano，意大利米兰 11 柏林洪堡大学物理学研究所，牛顿海峡15，12489 柏林，德国 12 ⟨ aQa L ⟩ 应用量子算法，莱顿，荷兰 13 橡树岭国家实验室物理分部，橡树岭，田纳西州，37831，美国 14 奥维耶多大学科学学院计算机科学系，33007，阿斯图里亚斯，西班牙 15 莱布尼茨汉诺威大学理论物理研究所，30167 汉诺威，德国 16 德国联邦物理技术研究院，38116 不伦瑞克，德国 17 跨学科研究领域“物质构建模块和基本相互作用”（TRA Matter）和亥姆霍兹辐射与核物理研究所（HISKP），波恩大学，Nußallee 14-16，53115 波恩，德国 18 大学理论物理研究所因斯布鲁克大学，6020 因斯布鲁克，奥地利 19 奥地利科学院量子光学与量子信息研究所，6020 因斯布鲁克，奥地利 20 德国慕尼黑大学物理系和阿诺德索末菲理论物理中心 21 德国慕尼黑量子科学与技术中心 22 洛桑联邦理工学院（EPFL）物理研究所，CH-1015 洛桑，瑞士 23 巴黎萨克雷大学，CNRS/IN2P3，IJCLab，91405 奥赛，法国 24 约克大学物理与天文系，加拿大安大略省多伦多，M3J 1P3 25 帕多瓦大学物理与天文系，V. Marzolo 8, I-35131 帕多瓦，意大利 26 INFN - Sezione di Padova，Via Marzolo 8，35131 帕多瓦，意大利 27 Nikhef – 国家亚原子物理研究所，科学园 105，1098 XG 阿姆斯特丹，荷兰 28 马斯特里赫特大学引力波与基础物理系，6200 MD 马斯特里赫特，荷兰 29 东京大学国际基本粒子物理中心 (ICEPP)，7-3-1 本乡，文京区，东京 113-0033，日本 30 IBM Quantum，IBM 德国研究与开发有限公司 - Schoenaicher Str. 220，71032 Boeblingen，德国 31 巴斯克地区大学 UPV/EHU 物理化学系，Box 644，48080 毕尔巴鄂，西班牙 32 多诺斯蒂亚国际物理中心，20018 多诺斯蒂亚-圣塞瓦斯蒂安，西班牙 33 EHU 量子中心，巴斯克大学 UPV/EHU，PO Box 644，48080 毕尔巴鄂，西班牙 34 IKERBASQUE，巴斯克科学基金会，Plaza Euskadi 5，48009 毕尔巴鄂，西班牙 35 特伦托大学物理系，via Sommarive 14, I–38123, Povo, 特伦托，意大利 36 INFN-TIFPA 特伦托基础物理和应用研究所，via Sommarive 14, I–38123，特伦托，意大利 37 Instituto Superior T´ecnico，Dep. F´ısica，葡萄牙里斯本 38 先进材料物理与工程中心 (CeFEMA)，Instituto Superior T´enico，葡萄牙里斯本， 39 材料与新兴技术物理实验室 (LaPMET)，葡萄牙 40 费米国家加速器实验室，Kirk and, Pine St, Batavia, IL 60510, USA 41 Instituut-Lorentz, Universiteit莱顿, PO Box 9506, 2300 RA Leiden, 荷兰
高能物理的量子模拟
1 劳伦斯伯克利国家实验室物理部，加利福尼亚州伯克利 94720，美国 2 马里兰大学物理系，马里兰基础物理中心和 NSF 稳健量子模拟研究所，马里兰州帕克分校，美国 20742 3 威斯康星大学物理系，威斯康星州麦迪逊 53706，美国 4 洛斯阿拉莫斯国家实验室 T-2，新墨西哥州洛斯阿拉莫斯 87545，美国 5 费米国家加速器实验室，伊利诺伊州巴达维亚 60510，美国 6 芝加哥大学恩里科费米研究所，伊利诺伊州芝加哥 60637，美国 7 芝加哥大学卡夫利宇宙物理研究所，伊利诺伊州芝加哥 60637，美国 8 芝加哥大学物理系，伊利诺伊州芝加哥 60637，美国 9 伊利诺伊大学物理系、伊利诺伊州宇宙高级研究中心和伊利诺伊州量子信息科学与技术中心，厄巴纳，伊利诺伊州 61801，美国 10 QuEra Computing Inc，波士顿，马萨诸塞州 02135，美国 11 萨里大学数学系，吉尔福德，萨里 GU2 7XH，英国 12 石溪大学物理与天文系核理论中心，纽约 11794-3800，美国 13 布鲁克海文国家实验室物理系，厄普顿，纽约 11973，美国 14 彭焕武基础理论研究中心，安徽合肥 230026，中国 15 中国科学技术大学理论研究交叉学科中心，安徽合肥 230026，中国 16 芝加哥大学普利兹克分子工程学院、芝加哥量子交换中心和 Kadanoffi 理论物理中心，伊利诺伊州 60637，美国 17 qBraid Co.，哈珀考特5235，伊利诺伊州芝加哥 60615，美国 18 哈佛大学物理系，马萨诸塞州剑桥 02138，美国 19 爱荷华大学物理与天文系，爱荷华州爱荷华市 52242，美国 20 杜克大学杜克量子中心，北卡罗来纳州达勒姆 27701，美国 21 杜克大学电气与计算机工程系，北卡罗来纳州达勒姆 27708，美国 22 杜克大学物理系，北卡罗来纳州达勒姆 27708，美国 23 IonQ，Inc.，马里兰州学院公园 20740，美国 24 莱斯大学物理与天文系，德克萨斯州休斯顿 77005，美国 25 加州理工学院量子信息与物质研究所，加利福尼亚州帕萨迪纳 91125，美国 26 密歇根大学物理系，密歇根州安娜堡 48109，美国 27 理论日本理化学研究所先进研究中心量子物理实验室，日本埼玉县和光市 351-0198 28 日本理化学研究所跨学科理论与数学科学项目 (iTHEMS)，日本埼玉县和光市 351-0198 29 特伦托大学物理系，via Sommarive 14, Povo, Trento I–38123，意大利
通过基于物理的模型探索皮层折叠期间外室室内区域的作用
摘要人的大脑在微观和宏观尺度上具有高度复杂的结构。越来越多的证据表明，机械力在皮质折叠中的作用 - 人脑的经典标志。然而，微观尺度上的细胞过程与宏观上的机械力之间的联系仍未得到充分理解。最近的发现表明，一个额外的增殖区域（OSVZ）对人皮质的特定大小和复杂性是决定性的。为了更好地了解OSVZ如何影响皮层折叠，我们建立了一个多场计算模型，该模型将细胞在不同区域中的细胞增殖和细胞尺度上的迁移与在器官尺度上的生长和皮质折叠结合在一起，通过将对流扩散模型与有限生长理论相结合。我们根据人类胎儿大脑的组织学染色部分的数据来验证我们的模型，并预测3D模式形成。最后，我们解决了有关OSVZ在形成皮质褶皱中的作用的开放问题。所提出的框架不仅可以提高我们对人脑的理解，而且最终可以帮助诊断和治疗因细胞发育中的破坏以及皮质发育的相关畸形而引起的神经元疾病。
通过基于物理的人工智能加速成分复杂的材料的设计
新材料在两个方面至关重要。一方面，它们推动了文明的颠覆性飞跃。例如，早期的陶瓷用于陶器、青铜用于农业、钢材用于机械、水泥用于建筑、铝用于航空、钛用于宇宙飞船、稀土元素用于磁铁、半导体用于计算机芯片、铂族金属用于催化剂以及聚合物用于包装和医药。另一方面，材料生产是温室气体排放、能源消耗和环境污染的最大单一来源，这一事实迫使我们彻底重新思考生产、使用和回收材料的方式 1、2。材料不断改进的动力导致其化学复杂性更高，因为性能的改善通常需要通过调整成分来调整内在的和微观结构主导的特征。例如，超级合金中化学微调的金属间相 3 – 5、高性能铝合金中复杂的沉淀路径 6 – 8 或先进磁体中的界面 9、10。另一个挑战是微电子中多种元素的近原子级混合，其中产品和材料之间的界限变得模糊，例如半导体制造中的 2 纳米工艺。这两种趋势都提高了材料的成分复杂性和高度集成的系统：它们是高级产品性能的先决条件，并为新的固态现象打开了大门 11-14。然而，化学从不孤单：材料的成分复杂性转化为其微观结构 15。化学成分的变化会影响许多缺陷特征，通常具有指数依赖性：例子包括溶质装饰状态和缺陷能量的变化、作用于它们的拖拽力以及缺陷处新相的形成。这意味着化学复杂性的变化与微观结构复杂性的变化有关。后者很重要，因为材料实际上从未在其热力学平衡状态下使用，而是在瞬态下使用，具有复杂的微观结构
基于MOSFET物理的紧凑型模型量产
摘要：随着纳米级半导体器件尺寸的不断缩小，从复杂的物理方程中获取表面势的解析解变得越来越困难，而这正是 MOSFET 紧凑模型的根本目的。在本文中，我们提出了一个通用框架，利用深度神经网络的通用近似能力，自动推导 MOSFET 表面势的解析解。我们的框架结合了物理关系神经网络 (PRNN)，可以从通用数值模拟器并行学习处理复杂的数学物理方程，然后将模拟数据中的“知识”灌输到神经网络，从而生成器件参数和表面势之间的精确闭式映射。本质上，表面势能够反映二维 (2D) 泊松方程的数值解，超越了传统一维泊松方程解的限制，从而更好地说明缩放器件的物理特性。我们在推导 MOSFET 的解析表面电位以及将导出的电位函数应用于 130 nm MOSFET 紧凑模型的构建和电路模拟方面取得了令人鼓舞的结果。这种高效框架能够准确预测器件性能，展现了其在器件优化和电路设计方面的潜力。
基于物理的深度学习，通过像差进行成像
目前，采用光学相干检测的传感器的图像校正框架试图估计数据中的相位误差（如由像差引起的误差），并同时重建数字增强图像。实际上，这些框架很难解释散斑的影响。为了解决这一问题，我们开发了一种称为相干即插即用伪影去除 (CPnP-AR) 的新型图像校正框架，它将神经网络去散斑器与基于物理的测量模型结合在一起。我们还开发了定量评估相对于多个最先进框架的性能所需的实验协议。结果表明，CPnP-AR 可以为各种物体生成更高质量的图像和更准确的相位误差估计，特别是无需进行与物体相关的参数调整。整体稳健性的提高是将这种新型图像校正框架应用于众多感兴趣的应用的关键一步。
一种基于计算物理的预测方法...
血脑屏障 (BBB) 在阻止有害的内源性和外源性物质进入大脑方面起着关键作用。小分子中枢神经系统药物的最佳大脑渗透性以较高的未结合脑/血浆比 (Kp,uu) 为特征。尽管据报道各种药物化学策略和计算机模型可改善 BBB 渗透性，但没有一种能够直接预测 Kp,uu。我们描述了一种基于物理的计算方法，即溶剂化自由能计算（溶剂化能或 E-sol），以预测 Kp,uu。该方法在内部中枢神经系统药物发现计划中的前瞻性应用凸显了这种新方法的实用性和准确性，该方法显示线性回归模型的分类准确率为 79%，R 2 为 0.61。