XiaoMi-AI文件搜索系统
World File Search System物理的
量子传感(Ⅰ)：基础理论与方法
在物理和生命科学中具有广泛应用的固态量子传感器 ( 金刚石色心 -NV 氮原子空穴色心 ) ； 探索标准模型之外物理的量子传感器 ( 磁力仪和原子钟，囚禁的极性分子，自旋压缩，控制自旋退相 干，纠缠 ) ； 量子信息处理成为现实 ( 囚禁离子，约瑟夫森结 ) ； 增强型量子传感器的先进材料 ( 光晶格，固态量子缺陷，混合量子系统，拓扑材料 ) ； 用于暗区物理的量子传感器 ( 高 Q 值的射频或微波腔，基于超导干涉效应的高 Q 接收器 ) ； 基于原子干涉测量和光学原子钟的精密时空传感器 ( 量子纠缠 ( “压缩” ) 和量子控制 ( “动态解耦” )) 。
基于物理的数字孪生，用于自主无人机着陆的模型预测控制
本文提出了一种两级数据驱动的数字孪生概念，用于飞机的自主着陆，并给出了一些假设。它具有一个用于模型预测控制的数字孪生实例；以及一个用于流体结构相互作用和飞行动力学的创新实时数字孪生原型。后者的数字孪生基于对高保真、粘性、非线性飞行动力学计算模型的预先设计的下滑道轨迹的线性化；并将其投影到低维近似子空间，以实现实时性能，同时保持准确性。其主要目的是实时预测飞行过程中飞机的状态以及作用于飞机的空气动力和力矩。与基于稳态风洞数据的静态查找表或基于回归的替代模型不同，上述实时数字孪生原型允许模型预测控制的数字孪生实例由真正动态的飞行模型而不是一组不太准确的稳态气动力和力矩数据点来告知。本文详细描述了所提出的两级数字孪生概念的构建及其通过数值模拟的验证。它还报告了其在斯坦福大学现成的无人机在自主模式下的初步飞行验证。
用于教授量子物理的桌面量子光学实验课程
摘要。量子信息作为一种可行技术的兴起需要适当的教学课程来为未来的劳动力做好准备。量子信息的基础关键概念涉及量子力学的基本原理，例如叠加、纠缠和测量。为了补充向新兴劳动力教授量子物理的现代举措，需要实验室经验。我们开发了一套量子光学实验课程，以教授量子力学基础和量子代数。这些实验室在桌面上提供光学元件的动手实验。我们还为教师创建了课程材料、手册、教程、零件和价格表。仪器的自动化提供了远程使用仪器的灵活性，并允许更多学生通过单一设置进行访问。
通过基于组件的降阶模型库实现数据驱动的基于物理的数字孪生
这项工作提出了一种方法，将基于组件的降阶模型库与贝叶斯状态估计相结合，以创建数据驱动的基于物理的数字孪生。降阶建模产生的基于物理的计算模型足够可靠，可用于预测数字孪生，同时仍然可以快速评估。与传统的整体模型降阶技术相比，基于组件的方法可以有效地扩展到大型复杂系统，并为快速模型自适应提供灵活且富有表现力的框架——这两者都是数字孪生环境中的关键特性。数据驱动的模型自适应和不确定性量化被表述为贝叶斯状态估计问题，其中传感器数据用于推断模型库中的哪些模型是数字孪生的最佳候选者。通过为 12 英尺翼展无人机开发数字孪生来展示这种方法。离线时，我们构建了一个原始和受损飞机部件库。在线时，我们使用结构传感器数据快速调整基于物理的飞机结构数字孪生。数据驱动的数字孪生使飞机能够根据结构损坏或退化动态地重新规划安全任务。
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。
对基于物理的电池模型的全面综述，并比较各种化学的不同物理模型
从消费电子到电动汽车，电池在各个领域的重要性越来越重要，强调了精确电池模型的关键必要性。本评论描述了电池模型的四个主要类别：经验，等效电路，数据驱动和基于物理的模型。像Nernst和Shepherd模型这样的经验模型提供了简单性，但缺乏精确度。等效电路模型在简单性和准确性之间取得了平衡，尽管有验证约束。数据驱动的方法利用机器学习来准确预测电池性能，但需要高质量的数据集。基于物理学的模型集成了基本的电化学过程，以详细理解，尽管计算复杂性增强。比较分析以锂离子电池为重点，揭示了计算效率和准确性之间的权衡。具有电解质动力学的单个粒子模型及其扩展单粒子模型作为有效的选项出现，带有电解质动力学的单个粒子模型显示出有希望的精度，类似于单个粒子模型。此外，在不同的电池化学分子上进行比较，公布了不同水平的建模精度。本文比较了跨化学的不同电化学建模技术和辨别最佳方法。是电池建模技术之一的电化学模型，已在本研究中进行了详细研究和研究，并为文献提供了有关化学模型如何与哪种电化学模型一起使用的文献。此外，这项研究在Pybamm中使用优化技术有助于现有的铁磷酸锂化学建模。综合提供了对各种建模方法的见解及其对电池研究和开发的影响，从而指导未来的调查，以针对特定应用的更量身定制的建模策略。
非厄米物理的非幺正量子行走方法
[1] K. Mochizuki, D. Kim, 和 H. Obuse, Phys. Rev. A 93 , 062116 (2016)。[2] L. Xiao, X. Zhan, ZH Bian, KK Wang, X. Zhang, XP Wang, J.Li, K. Mochizuki, D. Kim, N. Kawakami,Y. Wi, H. Obuse, B. Sanders, P. Xue, Nature Phys. 13 , 1117 (2017)。[3] L. Xiao, X. Qin, K. Wang, Z. Bian, X. Zhan, H. Obuse, B.Sanders, W. Yi, P. Xue, Phys. Rev. A 98 , 063847 (2018)。[4] K. Mochizuki, D. Kim, N. Kawakami, 和 H. Obuse, Phys. Rev. A, 102 , 062202 (2020)。[5] M. Kawasaki、K. Mochizuki、N. Kawakami 和 H. Obuse, Prog. Theor. Exp. Phys. 2020 , 12A105 (2020)。[6] N. Hatano 和 H. Obuse, Annals of Physics 435, 168615 (2021)。[7] T. Bessho、K. Mochizuki、H. Obuse 和 M. Sato, Phys. Rev. B 105 , 094306 (2022)。[8] R. Okamoto、N. Kawakami 和 H. Obuse（准备中）。
从基于物理的锂离子电池模型中提取和解释电化学阻抗谱 (EIS)
本文实现了一种高效算法，用于从基于物理的电池模型（例如 P2D 模型）中提取电化学阻抗谱 (EIS)。该数学方法与 EIS 的实验方法不同。在实验中，电压（电流）在很宽的频率范围内受到谐波扰动，并测量相应电流（电压）的幅度和相移。该实验方法可以在仿真软件中实现，但计算成本很高。此处的方法是从完整物理模型中确定局部线性状态空间模型。作为状态空间模型基础的四个雅可比矩阵可以通过对物理模型进行数值微分而得出。然后使用计算效率高的矩阵操作技术从状态空间模型中提取 EIS。该算法可以在瞬态过程中的某一时刻评估完整的 EIS，而与电池是否处于静止状态无关。该方法还能够分离全电池阻抗以评估部分 EIS，例如仅评估电池阳极。尽管这种部分 EIS 很难通过实验测量，但部分 EIS 为解释全电池 EIS 提供了宝贵的见解。© 2024 作者。由 IOP Publishing Limited 代表电化学学会出版。这是一篇开放获取的文章，根据知识共享署名 4.0 许可条款分发（CC BY，http://creativecommons.org/licenses/by/4.0/），允许在任何媒体中不受限制地重复使用作品，只要正确引用原始作品。[DOI：10.1149/1945-7111/ad4399]
一种用于独立于模型寻找新物理的量子算法
我们提出了一种新颖的量子技术，用于在多维对撞机数据中搜索未建模的异常。我们建议将伊辛格子自旋站点与每个容器相关联，并使用根据观测数据和相应的理论期望适当构建的伊辛汉密尔顿量。为了捕获数据中的空间相关异常，我们引入了相邻站点之间的自旋-自旋相互作用以及自相互作用。所得伊辛汉密尔顿量的基态能量可用作新的检验统计量，可以通过经典方法或绝热量子优化计算。我们证明我们的检验统计量优于一些最常用的拟合优度检验。新方法通过利用统计噪声和真正的新物理信号之间的典型差异，大大减少了“别处寻找”效应。
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。