XiaoMi-AI文件搜索系统
World File Search System稳健
相互作用的微波光子的稳健束缚态的形成
关联粒子系统出现在现代科学的许多领域，代表了自然界中最难解决的计算问题之一。当相互作用变得与其他能量尺度相当时，这些系统中的计算挑战就会出现，这使得每个粒子的状态都依赖于所有其他粒子 1 。三体问题缺乏通解，强关联电子缺乏可接受的理论，这表明当粒子数或相互作用强度增加时，我们对关联系统的理解就会逐渐减弱。相互作用系统的标志之一是多粒子束缚态的形成 2–9 。在这里，我们开发了一个高保真可参数化的 fSim 门，并在一个由 24 个超导量子比特组成的环中实现自旋-½ XXZ 模型的周期量子电路。我们研究这些激发的传播，并观察它们对多达 5 个光子的束缚性质。我们设计了一种相敏方法来构建束缚态的少体谱，并通过引入合成通量来提取它们的伪电荷。通过在环和附加量子位之间引入相互作用，我们观察到束缚态对可积性破坏的意外恢复力。这一发现与不可积系统中的束缚态在其能量与连续谱重叠时不稳定的想法相悖。我们的工作为相互作用光子的束缚态提供了实验证据，并发现了它们在可积性极限之外的稳定性。
稳健自适应量子限制超分辨率成像
稿件版本：作者接受的稿件 WRAP 中呈现的版本是作者接受的稿件，可能与已发布的版本或记录版本不同。 永久 WRAP URL：http://wrap.warwick.ac.uk/174494 如何引用：请参阅已发布的版本以获取最新的书目引用信息。如果已知已发布的版本，上面链接的存储库项目页面将包含有关访问它的详细信息。 版权和再利用：华威研究档案门户 (WRAP) 在以下条件下开放华威大学研究人员的这项工作。版权 © 和此处呈现的论文版本的所有道德权利属于个人作者和/或其他版权所有者。在合理和可行的范围内，WRAP 中提供的材料在提供之前已经过资格检查。完整项目的副本可用于个人研究或学习、教育或非营利目的，无需事先许可或收费。只要注明作者、标题和完整的书目详细信息，并提供原始元数据页面的超链接和/或 URL，并且内容不会以任何方式更改。出版商声明：请参阅存储库项目页面的出版商声明部分，了解更多信息。如需更多信息，请联系 WRAP 团队：wrap@warwick.ac.uk。
视觉转换器可实现快速且稳健的加速 MRI
Vision Transformer 在包含数百万张图像的数据集上进行训练或预训练后，可以为图像分类任务提供出色的准确率，并且与卷积神经网络相比可以节省计算资源。受潜在准确率提升和计算资源节省的驱动，我们研究了用于加速磁共振图像重建的 Vision Transformer。我们表明，当在 fastMRI 数据集（一种仅包含数千张图像的流行加速 MRI 数据集）上进行训练时，针对图像重建量身定制的 Vision Transformer 可实现与 U-net 相当的重建准确率，同时享受更高的吞吐量和更少的内存消耗。此外，由于众所周知 Transformer 在进行大规模预训练时表现最佳，但 MRI 数据的获取成本高昂，我们提出了一种简单而有效的预训练方法，它完全依赖于大型自然图像数据集，例如 ImageNet。我们表明，对 Vision Transformer 进行预训练可显著提高加速 MRI 的训练数据效率，并增强对解剖结构变化的鲁棒性。在仅有 100 张 MRI 训练图像可用的条件下，预训练的 Vision Transformer 实现的图像质量明显优于预训练的卷积网络和当前最先进的技术。我们的代码可在 https://github.com/MLI-lab/transformers_for_imaging 上找到。关键词：加速 MRI、Transformer、预训练、图像重建
线性量子光学的稳健 W 状态编码
错误检测和纠正是任何可扩展量子计算架构的必要先决条件。鉴于量子系统中不可避免地存在不必要的物理噪声，并且错误容易随着计算的进行而扩散，计算结果可能会受到严重破坏。无论选择哪种物理实现，这一观察结果都适用。在光子量子信息处理的背景下，人们对包括玻色子采样在内的被动线性光学量子计算产生了浓厚的兴趣，因为这种模型通过快速、主动控制消除了前馈的极具挑战性的要求。也就是说，这些系统在定义上是被动的。在通常情况下，错误检测和纠正技术本质上是主动的，这使得它们与该模型不兼容，这引起人们的怀疑，即物理错误过程可能是一个难以逾越的障碍。这里我们探索了一种基于光子量子比特 W 状态编码的光子误差检测技术，该技术完全是被动的、基于后选择的，并且与这些近期感兴趣的光子架构兼容。我们表明，这种 W 状态冗余编码技术能够通过简单的扇出式操作抑制光子量子比特上的失相噪声，该操作由光学傅里叶变换网络实现，现在可以轻松实现。该协议有效地将失相噪声映射到预兆故障，在理想的无噪声极限下故障概率为零。我们在单个光子量子比特通过嘈杂通信或量子存储通道的背景下提出我们的方案，该方案尚未推广到更一般的全量子计算背景。
层次运动计划和离线稳健模型的自动驾驶预测控制
摘要 - 在恶劣条件下在复杂情况下驾驶车辆是自动驾驶汽车（AV）的最大挑战。为了解决这个问题，我们在复杂的场景中使用前主动转向系统提出了层次运动计划和稳健的控制策略，并在各种湿滑的道路粘附系数中，同时考虑车辆不确定的参数。通过智能驾驶员模型（IDM）考虑并以车辆跟随模型的形式考虑人类车辆（HVS）的行为（HVS）。然后，在上层中，运动计划者首先使用人工电位场（APF）算法来生成最佳轨迹，例如，路标，边界和静态/动态障碍物，例如道路标记，边界和静态/动态障碍。为了在下层跟踪生成的最佳trajectory，通过应用线性矩阵不等式（LMI）优化方法，使用线性参数变化（LPV）系统来实现离线约束的输出反馈鲁棒模型预测性控制（RMPC），以确保对模型参数的鲁棒性不适合模型不限制。更重要的是，通过增强系统模型，我们提出的方法称为离线RMPC，与三种现有的RMPC方法相比，具有出色的效率，例如，偏置式挡板offline RMPC，在线rmpc，在线rmpc和离线rmpc无需增强模型（离线rmpc w/o am），在不线rmpc w/o am）（均改进了计算时间），并改进了计算时间和添加时间。
迈向 6G 网络中原生可解释的稳健 AI
NSSF（网络切片选择功能） NEF（网络暴露功能） NRF（网络存储库功能） PCF（策略控制功能） UDM（统一数据管理器） AF（应用功能） AUSF（认证服务器功能） AMF（接入和移动性管理功能） SMF（会话管理功能） UPF（用户平面功能） UE（用户设备）
机载网络稳健卫星数据单元仿真/优化建模
本文的目的是介绍一种基于 Simulink 模型的方法，用于仿真和优化一个强大的卫星数据单元 (SDU)，该单元能够提供安全和非安全航空移动卫星服务，包括在机载网络中运行的能力。为此，对 SDU 中要处理的主要航空电子系统信号和数据流量进行了分析和建模。这里的主要贡献是设计 SDU 数据流量模型，该模型集成了航空电子系统中的不同仿真模型，例如自动相关监视 - 广播、飞机通信寻址和报告系统以及飞行中连接，以供将来实施和优化，从而允许在模块化框架中对机载设备进行特性描述。最后，本文介绍了一种建模和分析工具，旨在为航空业提供减少机载设备数量（从而减少飞机重量以降低燃料消耗）和满足乘客连接需求的方法。最后，请注意，此建模是朝着开发确保更高操作安全性和易于维修和维护的设备迈出的一步。
一种用于稳健拟合的混合量子-经典算法
将几何模型拟合到离群污染数据上是可证明的难点。许多计算机视觉系统依靠随机抽样启发式方法来解决稳健拟合问题，但这种方法不提供最优性保证和误差界限。因此，开发新方法来弥合成本高昂的精确解决方案与无法提供质量保证的快速启发式方法之间的差距至关重要。在本文中，我们提出了一种用于稳健拟合的混合量子经典算法。我们的核心贡献是一种新颖的稳健拟合公式，它可以解决一系列整数程序并以全局解或误差界限终止。组合子问题适合量子退火器，这有助于有效地收紧界限。虽然我们对量子计算的使用并没有克服稳健拟合的根本难点，但通过提供误差界限，我们的算法是对随机启发式算法的实际改进。此外，我们的工作代表了量子计算在计算机视觉中的具体应用。我们展示了使用实际量子计算机（D-Wave Advantage）和通过模拟 1 获得的结果。
具有集成错误检测的稳健多量子比特量子网络节点
长距离量子通信和网络需要具有高效光学接口和长存储时间的量子存储节点。我们报告了基于金刚石纳米光子腔中的硅空位中心 (SiV) 实现的集成双量子比特网络节点。我们的量子比特寄存器由充当通信量子比特的 SiV 电子自旋和充当存储量子比特的强耦合硅-29 核自旋组成，量子存储时间超过 2 秒。通过使用高度应变的 SiV，我们实现了温度高达 1.5 开尔文的电子-光子纠缠门和温度高达 4.3 开尔文的核-光子纠缠门。我们还通过使用电子自旋作为标志量子比特展示了核自旋-光子门中的高效错误检测，使该平台成为可扩展量子中继器的有希望的候选者。T
正常条件下并网微电网日常运行的稳健模型
摘要：微电网 (MG) 旨在在发生重大事件时以孤岛模式为其承载的关键负载提供服务。然而，在正常情况下，当 MG 处于并网模式时，它们可能有机会通过优化能源资源的运行和适当参与批发市场来实现财务利润。本文提出了一个模型来优化 MG 参与市场和能源资源的运营。由于 MG 通常承载可再生能源资源，因此在不考虑不确定性的情况下做出决策可能会使 MG 面临风险。因此，该模型通过稳健优化技术考虑了与可再生分布式发电 (DG) 的发电、需求和市场价格相关的不确定性。该模型被表述为双层最大最小优化问题。该问题通过两个迭代步骤解决。在第一步中，遗传算法 (GA) 找到不确定参数的最坏情况，以使 MG 利润最小化。然后，求解混合整数线性问题，以最大化 MG 决策变量的利润，同时考虑第一步确定的值。迭代这些步骤以达到收敛到最佳解决方案。为了确认该方法的性能，将其应用于典型的 MG 并报告结果。