XiaoMi-AI文件搜索系统
World File Search SystemBoltzmann
玻尔兹曼机与费曼路径积分的类比
摘要：机器学习对科学、技术、健康以及计算机和信息科学等多个领域产生了重大影响。随着量子计算的出现，量子机器学习已成为研究复杂学习问题的一种新的、重要的途径。然而，关于机器学习的基础存在着大量的争论和不确定性。在这里，我们详细阐述了一种称为玻尔兹曼机的通用机器学习方法与费曼对量子和统计力学的描述之间的数学联系。在费曼的描述中，量子现象源于路径的优雅加权和（或叠加）。我们的分析表明，玻尔兹曼机和神经网络具有相似的数学结构。这允许将玻尔兹曼机和神经网络中的隐藏层解释为路径元素的离散版本，并允许对机器学习进行类似于量子和统计力学的路径积分解释。由于费曼路径是对干涉现象和与量子力学密切相关的叠加原理的自然而优雅的描述，这种分析使我们能够将机器学习的目标解释为通过网络找到路径和累积路径权重的适当组合，从而累积地捕获给定数学问题的 x 到 y 映射的正确属性。我们不得不得出结论，神经网络与费曼路径积分有着天然的联系，因此可能提供了一种被视为量子问题的途径。因此，我们提供了适用于玻尔兹曼机和费曼路径积分的通用量子电路模型。
灵活的内部学系统的组织
抽象的灯笼掺杂（Nano）晶体是发光温度计中重要的材料类。这些温度计的工作机制是多种多样的，但通常依赖于从两个温度下的热耦合激发态的发射强度比的变化。在低温下，与辐射衰减相比，状态之间的非辐射耦合可能会很慢，但是在较高温度下，由于更快的非辐射耦合，这两个状态达到了热平衡。在热平衡中，强度比遵循Boltzmann统计数据，该统计量提供了方便的模型来校准温度计。在这里，我们研究了多种策略，以将热平衡的发作转移到较低的温度，从而使Boltzmann温度计在更广泛的动态范围内。我们使用EU 3 + - 掺杂的微晶作为模型系统，并发现具有较高振动能和较短的灯笼距离的宿主晶格的非放射性耦合率增加 - 配体距离，这会使热平衡的发作降低了400 k。由于选择规则，温度比具有磁极偶联状态的温度。这些见解为优化玻尔兹曼温度计以在延长温度范围内运行的基本指南提供了必不可少的指南。
使用量子限制的Boltzmann机器在数字量子模拟器上进行有限尺寸缩放
可以使用有限尺寸缩放（FSS）分析确定相变的临界点和临界指数。此方法假定相变仅在有限尺寸限制中发生。然而，最近在有限尺寸系统中发生的量子相转变引起了很多兴趣，例如单个两级系统与单个骨模式相互作用，例如，在量子Rabi模型（QRM）中。由于这些相转换出现在有限的系统大小上，因此对于这些情况，传统的FSS方法是不适用的。对于这种情况，我们提出了一种替代FSS方法，其中系统的截断是在希尔伯特空间而不是物理空间中完成的。此方法先前已用于计算原子和分子系统电子结构配置的稳定性和对称性破坏的关键参数。我们使用此方法计算QRM的量子相变的临界点。我们还提供了一种协议，可以使用量子限制的玻尔兹曼机器算法在数字量子模拟器上实现此方法。我们的工作在研究量子器件上的量子相变的研究中为新的方向打开了方向。
使用量子监督的机器学习分析SARS COV-2患者数据
大脑中内源性活性的模式反映了神经元空间的随机探索，该探索受神经元的基础组装组织的约束。然而，仍然有待证明的是，神经元及其组装动力学之间的这种相互作用确实可以产生全脑数据统计。在这里，我们在斑马鱼幼虫中同时记录了约40，000个神经元的活性，并表明神经元组装相互作用的数据驱动网络模型可以准确地重现其自发活性的平均活性和成对的统计统计量。该模型是组成限制的玻尔兹曼机器，揭示了约200个神经组件，它组成了神经生理电路，其各种组合形成了连续的大脑状态。从中，我们从数学上得出了区域间连通性矩阵，该矩阵在各个动物之间是保守的，并且与结构连通性很好地相关。这种基于组装的新型神经动力学的生成模型可以实现生理结合的扰动实验。
基于格子波尔兹曼方法的热能存储系统研究
玻尔兹曼方法 Oussama El Mhamdi (1) *、Soumia Addakiri (1)、ElAlami Semma (1)、Mustapha El Alami (2) (1) 摩洛哥塞塔特 FST 哈桑第一大学工程工业管理与创新实验室 (2) 摩洛哥卡萨布兰卡哈桑二世大学 Ain Chok 科学学院物理系 LPMMAT 实验室 *通讯作者：电子邮件：oussama.elmhamdi@gmail.com 关键词：格子玻尔兹曼方法、相变材料、热能存储、管壳式热交换器 摘要 热能存储 (TES) 系统在许多工程应用中备受青睐，因为它能够克服能源供应和能源需求之间的不匹配。TES 可用于储存热化学热、显热、潜热或这些热的组合。在这三种形式中，潜热热能存储 (LHTES) 近年来的重要性日益增加，成为传统系统的有前途的替代方案。这些系统使用相变材料 (PCM)，采用简单或级联配置，存储熔化潜热（充电过程）并在凝固过程中释放（放电过程）。在 LHTES 系统的不同配置中，管壳式热交换器代表了高温 PCM 中一种有前途且简单的设计。在本文中，我们提出了一项涉及管壳式热交换器的新数值研究，以评估热存储现象。使用格子波尔兹曼方法提供了案例研究和数值结果。
用D-Wave Quantum退火器训练受限制的Boltzmann机器
限制的玻尔兹曼机器（RBM）是一种基于能量的，无方向的图形模型。它通常用于无监督和监督的机器学习。通常，RBM是使用对比差异（CD）训练的。但是，使用CD的训练很慢，无法估计对数可能成本函数的确切梯度。在这项工作中，使用量子退火器（D-Wave 2000q）计算了对RBM梯度学习的模型期望，在CD中，获得样品的速度比Markov Chain Monte Carlo（MCMC）快。使用量子退火训练的RBM的训练和分类结果与基于CD的方法进行了比较。相对于分类精度，图像重建和对数可能的结果，将两种方法的性能进行比较。分类精度结果表明两种方法的性能可比性。图像重建和对数可能性结果表明，基于CD的方法的性能提高了。表明，从量子退火器获得的样品可用于在64位“条形和条纹”数据集上训练RBM，其分类性能类似于经过CD培训的RBM。尽管基于CD的培训表现出改进的学习成绩，但是使用量子退火器的训练可能会有用，因为它消除了CD的计算昂贵的MCMC步骤。
玻尔兹曼熵与冯·诺依曼
我们提出了一种方案，利用数值“精确”分层运动方程 (HEOM) 中的准静态亥姆霍兹能量，评估在时间相关外力作用下与热浴耦合的系统的热力学变量。我们计算了不同温度下与非马尔可夫热浴强耦合的自旋系统产生的熵。我们表明，当外部扰动的变化足够缓慢时，系统总会达到热平衡。因此，我们基于 HEOM 计算了等温过程的玻尔兹曼熵和冯诺依曼熵，以及准静态平衡系统的各种热力学变量，例如内部能量、热量和功的变化。我们发现，尽管玻尔兹曼和冯诺依曼情况下的系统熵作为系统-浴耦合强度的函数的特征相似，但总熵产生的特征完全不同。在玻尔兹曼情况下，总熵产生总是正的，而在冯·诺依曼情况下，如果我们选择整个系统的热平衡状态（未分解的热平衡状态）作为初始状态，则总熵产生为负。这是因为冯·诺依曼情况下的总熵产生没有适当考虑系统-浴相互作用的熵贡献。因此，必须使用玻尔兹曼熵来研究完全量子状态下的熵产生。最后，我们检查了 Jarzynski 等式的适用性。
格子玻尔兹曼交互式血流模拟管道
摘要目的脑动脉瘤 (也称为颅内动脉瘤或脑动脉瘤) 是全世界成人中最常见的脑血管疾病之一，由脑动脉薄弱引起。脑动脉瘤最有效的治疗方法是介入放射治疗，这极大地依赖于放射科医生的技术水平。因此，准确检测和有效治疗脑动脉瘤仍然是重要的临床挑战。事实上，一个可靠的建模和可视化环境来测量和显示体内血流模式可以洞察脑动脉瘤的血流动力学特征。在这项工作中，我们引入了一种脑血流模拟和实时可视化的流程，涵盖了从医学图像采集到实时可视化和操纵的所有方面。方法我们开发并使用了改进版本的 HemeLB 作为流程的主要计算核心。 HemeLB 是一款针对稀疏和复杂几何结构优化的大规模并行格子玻尔兹曼流体求解器。该管道的可视化组件基于在支持 CUDA 的 GPU 核心上实现的射线行进方法。
