XiaoMi-AI文件搜索系统
World File Search System线性响应
Mott Materia中的超线性响应性
类似大脑的智力将人类引入了感知互联网（IOP）的时代，在这里，许多传感节点生成的大量数据对传输带宽和计算硬件构成了显着的挑战。最近提出的近传感器计算体系结构是一种有效的解决方案，可减少数据处理延迟和能耗。但是，具有多功能近传感器图像处理功能的创新硬件的紧迫需求。在这项工作中，开发了基于莫特的材料（二氧化钒）基于近红外的光热探测器，它们具有电极依赖性和可调的超线性光响应（指数𝜶> 33），具有超导MIA的偏置。These devices demonstrate an opto-thermo-electro-coupled phase transition, resulting in a large photocurrent on/offratio ( > 10 5 ), high responsivity ( ≈ 500 A W − 1 ), and well detectivity ( ≈ 3.9 × 10 12 Jones), all while maintaining rapid response speeds ( 𝝉 r = 2 μ s and 𝝉 d = 5 μ s) under the bias of 1 V. This发现电极依赖性的超线性响应是由通过Seebeck系数的极性确定的电子掺杂效应产生的。此外，该工作还展示了强度选择性的近传感器处理和夜视模式重组，即使有嘈杂的输入。这项工作为开发具有医疗图像预处理，灵活的电子设备和智能边缘传感的近传感器设备的方式铺平了道路。
统计流体力学：动力学方程和线性响应
目前，基于纳维-斯托克斯方程的主流流体力学尚未考虑具有随机热运动的离散流体分子的统计性质，其中流体被视为连续体，分解为许多宏观上无限小（但微观上足够大）的质量单元，其运动仅以质心速度为特征。在这里，我们通过考虑宏观上无限小体积单元内离散分子的统计速度分布及其质心速度，提供了一种解决流体动力学的统计力学方法。提出了控制物理变量演变的动力学方程，获得了格林函数，并应用线性响应理论研究了外部热扰动的物理情况。发现热的传播、质心运动和声音在统计流体动力学中是内在集成的。这项工作为统计流体力学的应用奠定了基础。
超导量子处理器上分子线性响应特性的变分量子计算
摘要：模拟分子的响应特性对于解释实验光谱和加速材料设计至关重要。然而，对于传统计算机上的电子结构方法来说，这仍然是一个长期存在的计算挑战。虽然量子计算机有望在长期内更有效地解决这一问题，但现有的需要深度量子电路的量子算法对于近期的噪声量子处理器来说是不可行的。在此，我们引入了一种用于响应特性的实用变分量子响应 (VQR) 算法，从而无需深度量子电路。利用该算法，我们报告了在超导量子处理器上首次模拟分子的线性响应特性，包括动态极化率和吸收光谱。我们的结果表明，使用该算法结合合适的误差缓解技术，一大类重要的动态特性，如格林函数，在近期的量子硬件范围内。
通过神经加速进化策略实现具有目标非线性响应的机械超材料的逆向设计
机械超材料最近成为一种有效的平台，可用于设计由几何形状而非成分支配的机械行为系统。[5–8] 虽然最初的努力集中在设计具有线性区域负特性的超材料，[9–12] 但最近有研究表明，通过在架构中引入易发生弹性不稳定的细长元素，可以触发高度非线性响应（通常伴随着较大的内部旋转）。[5,13] 这些非线性行为不仅表现出非常丰富的物理特性，而且还可用于实现高级功能，如形状变形[14,15]、能量吸收[3,16–18]和可编程性。[19–21] 虽然众所周知可以通过改变底层几何形状来调整这些功能，但识别导致目标非线性响应的架构并非易事。已经建立了稳健而高效的算法来指导线性范围内目标响应结构的设计。这些算法包括基于梯度的方法，如形状 [22] 和拓扑 [23] 优化，以及机器学习算法。[24–27] 然而，这些方法不能直接应用于非线性机械超材料的逆向设计。这是因为非线性系统的能量图景通常显示由大能量屏障隔开的多个最小值，因此导航非常具有挑战性。为了有效地探索这样的能量图景，已经成功使用了元启发式算法，如进化策略 [28–30]、遗传算法 [31] 和粒子群优化 [32]。此外，由于这些算法需要多次求解正向问题，最近的努力集中在通过将它们结合起来降低计算成本