XiaoMi-AI文件搜索系统
World File Search SystemBoltzmann
量子困境规则.docx
i. 牛顿力学 ii. 哈密顿力学 iii. 拉格朗日力学 iv. 波动力学 (1) 简正模 (2) 波叠加 (3) 经典谐振子 v. 统计物理学 (1) 热力学定律 (2) 玻尔兹曼分布、泊松分布、二项分布、几何分布 (3) 熵及其与温度和信息的关系 (4) 配分函数 (5) 微正则系综 (6) 正则系综 vi. 相对论 (1) 狭义相对论 (2) 洛伦兹变换 (3) 长度收缩 (4) 时间膨胀 (5) 时空图 (6) 引力 b. 量子物理学
奥列格·罗戈津 - Skoltech
2015–2017 博士研究。{ 开发和并行实施用于解决玻尔兹曼方程的保守投影离散速度法 { 稀薄气体流动的数值和渐近分析，包括受大温度变化驱动的流动 2009–2014 博士研究，莫斯科物理技术学院，多尔戈普鲁德内。{ 设计和开发高性能计算的问题解决环境 { 开发动力学和流体动力学型方程的数值方法和算法 { 一些经典分子气体动力学问题的计算机模拟
用尖峰纳米层的超快神经采样
由于它们在带宽，功率效率（尤其是速度）方面具有显着优势，因此已经成为传统半导体设备的有趣替代品。最近，首先证明了具有激发行为的晶体晶体纳米剂。根据泵送强度，它们在纳秒时间尺度上以各个间隔发出短的光学脉冲（尖峰）。在这项理论工作中，我们展示了如何通过从学习的概率分布中采样来将这种光子尖峰神经元的网络用于贝叶斯推断。我们提供了从传统采样网络（例如Boltzmann机器）到光子尖峰网络的翻译规则的详细推导，并在一系列具有一系列的任务中演示了它们的功能。最后，我们提供了处理速度和功耗的估计，我们预计与当前最新神经形态系统相比，我们预计几个数量级。
简历.pdf
2021 年 10 月 Qibo 简介，研讨会，杜塞尔多夫。2021 年 10 月 Qibo 简介，新加坡/日本。2021 年 9 月 量子 PDF，在线。2021 年 3 月 都灵研讨会，带硬件加速的量子模拟，都灵。2020 年 9 月 QC-CERN，量子机器学习简介，CERN。2020 年 10 月 QC-CERN，Qibo 简介，CERN。2020 年 9 月 CQT，带硬件加速的量子模拟，新加坡。2020 年 9 月 IML，跨平台加速 MC 模拟，CERN。2020 年 5 月 LHCP2020，具有深度学习模型的 Parton 密度，巴黎。2020 年 5 月 CSIL，大数据在 COVID-19 时代的作用，米兰。2019 年 7 月 BOOST19，通过强化学习进行 Jet 修饰，波士顿。 2019 年 7 月 QCD@LHC19，通过强化学习进行喷流修饰，布法罗。2019 年 6 月 3 日 PHOTON19，PDF 和 EW 校正，弗拉斯卡蒂。2019 年 4 月 3 日 IFT ICTP SAIFR，机器学习应用于理论高能物理，圣保罗。2019 年 3 月 12 日 ACAT19，黎曼-Theta 玻尔兹曼机，萨斯费。2018 年 9 月 18 日 NNPDF/N3PDF 警告会议，机器学习笔记，加尔尼亚诺。2018 年 9 月 10 日第 23 届 ETSF 电子激发研讨会，机器学习概述，米兰。2018 年 6 月 14 日清华机器学习研讨会，黎曼-Theta 玻尔兹曼机，三亚。
多维非...的量子电路实现
摘要：近年来，量子计算 (QC) 在流体动力学模拟中的应用已发展成为一个动态研究课题。由于许多科学和工程领域中的流动问题需要大量计算资源，因此 QC 加速模拟和促进更详细建模的潜力成为这一研究兴趣日益增长的主要动机。尽管取得了显著进展，但在创建流体建模的量子算法方面仍然存在许多重要挑战。本文在基于格子的流体建模背景下研究了流体建模中控制方程的非线性这一关键挑战。详细介绍了 D1Q3（一维，三个离散速度）格子玻尔兹曼模型的量子电路以及涉及电路宽度和深度的设计权衡。然后，将设计扩展为非线性 Burgers 方程的一维格子模型。为了便于评估非线性项，所提出的量子电路采用量子计算基编码。本研究的第二部分介绍了一种用于多维晶格模型中非线性项的新型模块化量子电路实现。具体而言，详细介绍了二维模型中动能的评估，这是二维和三维格子玻尔兹曼方法碰撞项量子电路的第一步。量子电路分析表明，利用 O (100) 容错量子比特，可以在不久的将来进行有意义的概念验证实验。
![arXiv:2412.02826v1 [physics.hist-ph] 2024 年 12 月 3 日](/simg/d\d166e64f2238b24b40c4162d3172c8a70b6e2eab.webp)
arXiv:2412.02826v1 [physics.hist-ph] 2024 年 12 月 3 日
我主张一种将问题置于标题中心位置的《物理学基础》方法，而不是问“世界上的情况是什么？”。这种方法，即算法理想主义，试图在通常的经验物理学领域和更奇特的宇宙学、哲学和科幻小说（但可能很快就会成为现实）技术领域中，对这个问题给出一个数学上严格的原则性答案。我首先要说的是，量子理论在实际实践和某些解释中，应该被理解为告诉代理人他们接下来应该观察到什么（而不是情况是什么），而从通常的“外部”视角回答前一个问题的困难是玻尔兹曼大脑问题、扩展的维格纳朋友场景、帕菲特的远程传输悖论或我们对模拟假设的理解等持续存在的谜团的核心。算法理想主义是一个概念框架，基于两个假设，允许几种可能的数学形式化，以算法信息理论的语言表达。在这里，我对这种观点进行了非技术性的描述，并展示了它如何解决前面提到的谜团：例如，它声称无论有多少个玻尔兹曼大脑，你都不应该打赌自己是一个玻尔兹曼大脑，关闭计算机模拟通常并不会终止其中的居民，并且它预测明显嵌入客观外部世界是一种近似的描述。
统计力学、神经网络和人工智能...
分别来自统计力学和贝叶斯概率的方法对于思考某事是否发生的可能性来说是截然不同的。统计力学是理论物理学的一个领域，在神经网络中主要用作寓言；作为在一个领域创建的模型，并（非常有用地）应用于另一个领域。这几乎就像用物理学来讲故事。这些方法可以成功使用的想法是如此极端，以至于这些方法可以在神经网络和深度学习中找到新家几乎令人震惊。统计力学的概念是受限玻尔兹曼机 (RBM) 学习方法的核心。受限玻尔兹曼机使用的底层方法与随机梯度下降实现（例如反向传播）所使用的方法非常不同。这意味着 RBM 可以具有多层架构并学会区分更复杂的模式，从而克服我们之前讨论过的简单多层感知器 (MLP) 的局限性。统计力学处理的是只能通过其能量状态来区分的小单元的发生概率。相比之下，贝叶斯概率提供了一种截然不同的思考事情发生概率的方式。这两种面向概率的方法共同为高级机器学习方法奠定了基础。既然我们已经确定了统计力学和贝叶斯方法的重要性，我们将把注意力（针对本章和紧接着的章节）限制在统计力学及其与神经网络的基础关系上。稍后，当我们讨论更高级的主题时，我们将全面讨论统计力学和贝叶斯方法的融合。统计力学在神经网络中的作用首次为人所知是在 1982 年 John Hopfield 发表他的研究成果时 [1]。他的研究成果借鉴了 Little 及其同事在 1974 年 [2] 提出的观点。本章介绍了统计力学中的一些关键概念；足以理解一些经典论文的主题：Hopfield 的原创成果（介绍了后来被称为 Hopfield 网络的内容）以及由 Geoffery Hinton 及其同事开发的玻尔兹曼机的一些关键成果。
Magnonic自旋Seebeck和Altermagnets中的旋转nernst效果的原子自旋动力学模拟
镁带结构的特征是与手性相反的模式的能量分裂，即使在没有应用的外部领域和相对论效应的情况下，由于海森伯格交换相互作用中的各向异性。我们基于原型RUO 2（一种原型的“ D-Wave” Altermagnet）对基于从头开始的电子结构计算进行定量原子自旋动力学模拟，以研究由热梯度产生的镁电流。我们报告了大量自旋Seebeck和自旋Nernst效应，即纵向或横向自旋电流，具体取决于磁子相对于晶体的繁殖方向，以及与温度ProFile中的非线性相关的有限自旋积累。我们的发现与Altermagnetic自旋组对称性以及线性自旋波理论和半经典Boltzmann转运理论的预测一致。
通过四个方案
1综合生物信息学中心维也纳（CIBIV），马克斯·佩鲁茨实验室，维也纳大学和维也纳医科大学，维也纳生物中心，维也纳，奥地利2维也纳Biocenter博士计划（IMBA），维也纳生物中心（VBC），维也纳，奥地利，4分子病理学研究所（IMP），维也纳，奥地利，奥地利5 CEMM科学学院分子医学研究中心，奥地利维也纳，奥地利，奥地利6医学院6医科大学，人工学会，计算机，奥地利及其计算机。科学，维也纳大学，维也纳，奥地利，奥地利维也纳8路德维希·博尔茨曼（Ludwig Boltzmann）网络医学研究所，维也纳维也纳大学，奥地利维也纳9号，奥地利9个分子生物学研究所，因斯布鲁克斯布鲁克大学，奥地利内斯布鲁克大学10，奥地利维也纳医科大学，维也纳生物中心（VBC），奥地利，奥地利，奥地利，奥地利，等等。
lujia chen_cv -dbmi @ pitt
Chen博士的研究集中在开发机器学习方法上，尤其是深度学习模型（DLMS）（例如，深神经网络，Boltzmann机器和主题建模），用于研究癌细胞信号系统，肿瘤微环境中的细胞 - 细胞通信（TME），疾病，疾病，机械疾病，机械学和癌症药物学和癌症药物学的异质性。Chen博士使用从DLM中学到的简洁表示，并通过因果推断来指导分子特征/生物标志物的鉴定，并预测包括药物敏感性和患者存活在内的临床结果。基于陈博士在生物信息学，生物医学信息学，生物学和机器学习方面的强大研究背景，她成功地开发了综合的AI模型，这些模型精确地代表了癌细胞中信号系统的状态，并使用此类信息来改善肿瘤特异性的精度药物（精度肿瘤学）。