XiaoMi-AI文件搜索系统
World File Search System退火的
LogicForest：逻辑森林
二进制响应值的响应数值XS矩阵或零的数据帧以及所有预测变量变量的数据框架NBSXVARS Integer用于构建每个逻辑回归模型的预测变量数。默认值是数据中的所有预测指标。neareal.params一个包含用于模拟退火的参数的列表。请参阅logicreg软件包中的函数logreg.anneal.control的帮助文件。如果缺少，则在start = 1，end = -2和iter = 50000设置默认退火参数。nbs的逻辑回归树的数量适合逻辑森林模型。h在逻辑森林中最小树的最小比例之间，必须预测1个以使预测为一个。规范逻辑。如果false，模型输出中的预测变量和相互作用得分不标准化为零和一个之间的范围。数字数量的预测变量和相互作用数量包含在模型输出中NLEAVES
通过非接触式原子力显微镜
分子氧与半导体氧化物表面的相互作用在许多技术中起着关键作用。这个主题很难通过实验和理论来实现，这主要是由于多种施加电荷状态，吸附氧气的吸附构和反应通道。在这里，我们使用非接触原子力显微镜（AFM）和密度功能性the-Ory（DFT）的组合来解决金红石TIO 2（110）表面上的吸附O 2，这在金属氧化物的表面化学中提出了长期的挑战。我们表明，通过氧气量终止的化学惰性AFM尖端可以很好地解决吸附物种和底物的氧气sublattice。吸附的O 2分子可以从表面接受一个或两个电子极性，形成超氧或过氧物种。在与应用相关的任何条件下，过氧状态是最优选的。非侵入成像的可能性使我们能够解释与尖端注入电子/孔注入相关的行为，与紫外光的相互作用以及热退火的效果。
具有推理原始形式主义的遗传算法
摘要 量子退火是一种计算方法，其中优化和机器学习问题被映射到受量子涨落影响的物理实现的能量景观中，允许利用这些涨落来帮助找到世界上一些最具挑战性的计算问题的解决方案。最近，由于构建了基于通量量子比特的大规模量子退火设备，该领域引起了广泛关注。这些设备已经实现了一种称为反向退火的技术，允许在本地搜索解决方案空间，并且已经测试了基于这些技术的算法。在本文中，我开发了一种量子退火器算法设计的形式化，我称之为“推理原语”形式化。这种形式化自然适合于表达结构上类似于遗传算法的算法，但退火处理器执行组合交叉/变异步骤。我演示了如何使用这些方法来理解已经实现的算法，以及这些控制与当前为提高量子退火器性能而进行的各种其他努力的兼容性。
量子启发式求解器的基准......
最近，受量子退火的启发，许多专门用于无约束二元二次规划问题的求解器已经开发出来。为了进一步改进和应用这些求解器，明确它们对不同类型问题的性能差异非常重要。在本研究中，对四种二次无约束二元优化问题求解器的性能进行了基准测试，即 D-Wave 混合求解器服务 (HSS)、东芝模拟分叉机 (SBM)、富士通数字退火器 (DA) 和个人计算机上的模拟退火。用于基准测试的问题是 MQLib 中的真实问题实例、随机不全相等 3-SAT (NAE 3-SAT) 的 SAT-UNSAT 相变点实例以及 Ising 自旋玻璃 Sherrington-Kirkpatrick (SK) 模型。对于 MQLib 实例，HSS 性能排名第一；对于 NAE 3-SAT，DA 性能排名第一；对于 SK 模型，SBM 性能排名第一。这些结果可能有助于理解这些求解器的优点和缺点。
使用循环强化学习和模拟退火在集成电路中布局
随着集成电路 (IC) 技术的日益复杂，其物理设计和生产变得越来越具有挑战性。布局一直是 IC 物理设计中最关键的步骤之一。经过数十年的研究，基于分区、基于分析和基于退火的布局器不断丰富布局解决方案工具箱。然而，包括运行时间长和缺乏泛化能力在内的开放性挑战继续限制现有布局工具的更广泛应用。我们利用强化学习 (RL) 的进步，设计了一种基于学习的布局工具，该工具基于强化学习 (RL) 和模拟退火 (SA) 的循环应用。结果表明，RL 模块能够为 SA 提供更好的初始化，从而产生更好的最终布局设计。与其他近期基于学习的布局器相比，我们的方法主要不同之处在于它结合了 RL 和 SA。它利用 RL 模型在训练后快速获得良好粗略解决方案的能力和启发式方法实现解决方案贪婪改进的能力。
量子退火中的应用
摘要 量子退火的一个重大挑战是将现实问题映射到连接性有限的硬件图上。当问题图不是硬件图的子图时，可以采用次要嵌入，其中每个逻辑量子位都映射到物理量子位树。树中物理量子位之间的成对相互作用被设置为铁磁性，耦合强度 F < 0。在这里，我们解决了理论问题，即在预量子处理中实现不间断树的最佳值 F 应该是多少。每个逻辑量子位的 | F | 之和定义为次要嵌入能量，当次要嵌入能量最小化时获得最佳值 F。我们还表明，我们对 | F | 的新分析下限比 Choi 先前推导的下限更严格（Quantum Inf Process 7:193–209, 2008）。与 Choi 的工作相比，我们的新方法更加精细地依赖于次要嵌入参数，这导致了更高的计算成本。
量子退火驱动的单机总加权拖延工件数调度问题的分支定界
本文介绍了一种解决离散优化 NP 难问题的新方法，该方法适用于实现硬件量子退火的量子处理器 (QPU，Quantum Processor Unit) 的架构。该方法基于在精确分支定界算法中使用量子退火元启发式算法来计算目标函数的下限和上限。为了确定下限，使用了一种定义对偶问题 (广义离散背包问题) 的拉格朗日函数的新方法，其值在量子机的 QPU 上计算。反过来，为了确定上限，我们以带约束的二元二次规划形式制定了适当的任务。尽管量子机生成的结果是概率性的，但本文提出的混合算法构建方法交替使用 CPU 和 QPU，保证了最佳解决方案。作为案例研究，我们考虑 NP 难单机调度问题，最小化延迟作业的加权数量。进行的计算实验表明，在解决方案树的根部已经获得了最优解，并且下限和上限的值仅相差百分之几。
通过多任务预测药物-靶标相互作用...
在药物发现中，识别靶蛋白和分子之间的结合至关重要。当每个任务的信息量较小时，多任务学习方法已被引入以促进任务之间的知识共享。然而，多任务学习有时会降低整体性能或在各个任务的性能之间产生权衡。在本研究中，我们提出了一种通用的多任务学习方案，通过组选择和知识提炼，不仅可以提高平均性能，还可以最大限度地减少个体性能的下降。根据配体靶标组之间的化学相似性来选择组，并将同一组中的相似靶标一起训练。在训练过程中，我们应用教师退火的知识提炼。多任务学习模型由单任务学习模型的预测引导。这种方法的平均性能高于单任务学习和经典多任务学习。进一步的分析表明，多任务学习对于低性能任务特别有效，知识提炼有助于模型避免多任务学习中单个任务性能的下降。
量子退火中的最佳退火方案是什么
在工程（以及其他学科）的许多实际情况下，我们需要解决优化问题：我们想要一个最佳设计，我们想要一个最佳控制，等等。优化的主要问题之一是避免局部最大值（或最小值）。有助于解决此问题的技术之一是退火：每当我们发现自己处于可能的局部最大值时，我们都会以某种概率跳出并继续寻找真正的最优值。组织这种确定性优化的概率扰动的自然方法是使用量子效应。事实证明，量子退火通常比非量子退火效果好得多。量子退火是唯一使用量子效应的商用计算设备——D-Wave 计算机背后的主要技术。量子退火的效率取决于退火计划的正确选择，即描述扰动如何随时间减少的计划。根据经验，已经发现两种计划效果最好：幂律和指数计划。在本文中，我们通过证明这两个时间表确实是最优的（在某种合理的意义上），为这些实证成功提供了理论解释。
![arxiv：2402.17520v1 [Quant-ph] 2024年2月27日](/simg/b\bbf39513a61bc4120ba279c4deb9de078a68a0e9.webp)
arxiv：2402.17520v1 [Quant-ph] 2024年2月27日
摘要该工作探讨了将量子计算集成到物流和供应链管理中的集成，从而强调了其在复杂的优化问题中使用的潜力。讨论介绍了量子计算原理，将重点放在量子退火和基于门的量子计算上，量子近似优化算法和量子退火作为关键算法方法。本文概述了路由，逻辑网络设计，车队维护，货物加载，预测和调度概率的量子方法。值得注意的是，文献中的大多数解决方案都是混合的，结合了量子和经典计算。结论强调了量子计算的早期阶段，强调了其对物流和供应链优化的潜在影响。在最终概述中，文献进行了分类，确定了量子退火的优势，并且需要强调对预测和机器学习进行更多研究的需求。共识是，量子计算具有巨大的潜力，但面临当前的硬件限制，需要进一步进步实施实践。