XiaoMi-AI文件搜索系统
World File Search SystemBroyden
使用 qBang 优化变分量子算法
变分量子算法 (VQA) 代表了一种利用当前量子计算基础设施的有前途的方法。VQA 基于通过经典算法在闭环中优化的参数化量子电路。这种混合方法减少了量子处理单元的负载，但代价是经典优化会产生平坦的能量景观。现有的优化技术，包括虚时间传播、自然梯度或基于动量的方法，都是有前途的候选方法，但要么给量子设备带来沉重的负担，要么经常遭受收敛速度缓慢的困扰。在这项工作中，我们提出了量子 Broyden 自适应自然梯度 (qBang) 方法，这是一种新颖的优化器，旨在提炼现有方法的最佳方面。通过采用 Broyden 方法近似 Fisher 信息矩阵中的更新并将其与基于动量的算法相结合，qBang 降低了量子资源需求，同时比资源要求更高的替代方案表现更好。荒原、量子化学和最大切割问题的基准测试表明，在以下情况下，其整体性能稳定，并且比现有技术有明显改进
基于语法进化的偏瘫类型检测的特征提取
摘要：偏瘫是由脑损伤引起的疾病，并影响了人口的显着百分比。患有这种疾病的患者的影响是体内的左侧或右侧的无力，痉挛和运动障碍。本文提出了一种基于径向基础功能（RBF）网络的语法演化（GE）的自动特征选择和构造方法，该网络可以对患者和健康个体之间的偏瘫类型进行分类。所提出的算法在包含Rehagait移动步态分析系统加速度计传感器的数据集中进行了测试，这些算法放置在各种患者身体部位。收集的数据分为2秒的窗口，并进行了手动预处理和功能提取阶段。然后，将提取的数据作为对基于GE的方法的输入表示，以创建新的，更有效的特征，然后将其作为RBF网络的输入引入。本文的实验部分涉及通过四种分类方法测试所提出的方法：RBF网络，多层感知器（MLP）接受了Broyden-Fletcher – Fletcher – Goldfarb – Shanno（BFGS）培训算法，支持Vector Machine（SVM）和GE基于GE的Parellitiation（GEL）工具（GICIFIT）工具（GICIFIT）工具。测试结果表明，与其他四种方法相比，所提出的解决方案具有最高的分类精度（90.07％）。
研究论文 以建筑绘画为例人工智能技术在美术教学中的应用
在当今的科技时代，人工智能发展迅速，已在各个领域确立了存在。人工智能的目的是减少人为干预，以更好的结果完成任务。在本研究中，我们将以建筑绘画为例，研究人工智能技术在艺术教学中的应用。建筑绘画是一种只关注建筑的绘画，包括建筑物的室内和室外景观。在早期阶段，建筑仅出现在以不同物体为主要主题的绘画背景中。后来，建筑本身成为绘画领域的主流流派。正如其他研究人员所表明的那样，互联网技术、无线传感器网络（WSN）和深度学习技术等人工智能等最新技术都已部署在艺术教学中。人工智能使教学变得更容易。本系统利用互联网技术、WSN、人工智能和轻量级深度学习模型在艺术教学领域。通过采用这项新技术，教学方法得到了增强。为了对所提出的系统进行分析，实施了有限 Broyden-Fletcher-Goldfarb-Shanno (L-BFGS) 艺术算法。该 L-BFGS 算法专注于在任何给定应用中寻找局部最小值。在建筑绘画艺术教学中，所提出的算法将有助于解释在创作艺术品时需要注意的细微工作。然后将所提出的算法与传统的梯度下降、Adam 和 Adadelta 算法进行比较。从结果可以看出，所提出的算法在训练和测试阶段分别实现了 97% 和 98% 的准确率。
有效的高通量方法利用机器学习原子电位来计算石墨烯 - 聚合物接口的相互作用能量*
信用撰稿人贡献声明Jared Keith Averitt：写作 - 原始草案，评论，可视化，验证，资源，方法，软件，调查，资金获取，正式分析，数据策划，概念化，概念化。sajedeh pourianejad：写作 - 原始草稿，验证，方法论，调查，正式分析，数据策划。Olubunmi O. Ayodele：方法论，概念化。柯比·施密特（Kirby Schmidt）：调查，数据策划。Anthony Trofe：数据策划。Joseph Starobin：写作 - 评论和编辑，监督，资源，资金获取。 Tetyana Ignatova：写作 - 审查和编辑，监督，资源，资金获取，概念化。 致谢J.K.A. 承认，该材料基于国家科学基金会（NSF）研究生研究奖学金的工作， [1945980]和这项工作在匹兹堡超级计算中心使用了桥梁-2通过分配[PHY220034]，来自高级网络网络基础结构协调生态系统：服务与支持（访问）计划，由国家科学基金会＃2138259，＃2138259，＃2138286，21386，＃2133330，及＃21333303.60，由国家科学基金会支持 T.I，J.K.A.，A.T。承认纳米技术的创新合作实验室赋予未来士兵的权力（ICONS），美国国防部[合同＃W911QY2220006]与纳米科学和纳米工程联合学校之间的共同计划。 图1。Joseph Starobin：写作 - 评论和编辑，监督，资源，资金获取。Tetyana Ignatova：写作 - 审查和编辑，监督，资源，资金获取，概念化。致谢J.K.A.承认，该材料基于国家科学基金会（NSF）研究生研究奖学金的工作，[1945980]和这项工作在匹兹堡超级计算中心使用了桥梁-2通过分配[PHY220034]，来自高级网络网络基础结构协调生态系统：服务与支持（访问）计划，由国家科学基金会＃2138259，＃2138259，＃2138286，21386，＃2133330，及＃21333303.60，由国家科学基金会支持T.I，J.K.A.，A.T。承认纳米技术的创新合作实验室赋予未来士兵的权力（ICONS），美国国防部[合同＃W911QY2220006]与纳米科学和纳米工程联合学校之间的共同计划。 图1。T.I，J.K.A.，A.T。承认纳米技术的创新合作实验室赋予未来士兵的权力（ICONS），美国国防部[合同＃W911QY2220006]与纳米科学和纳米工程联合学校之间的共同计划。图1。这项工作是在纳米科学和纳米工程联合学校进行的，东南纳米技术基础设施走廊（SENIC）和国家纳米技术协调基础设施（NNCI）的成员，该基础设施（NNCI）得到了国家科学基金会[ECCS-1542174]的支持。J.K.A.，A.T。承认宾夕法尼亚州立大学二维水晶财团 - 材料创新平台（2DCC-MIP），该平台得到了NSF合作协议DMR-203935的支持。 使用NNP：神经网络潜力（机器学习的同义原子间潜在的同义）EDA-FF：能量分解分析 - 使用经典力场（结构优化后）GDAC：依赖性原子电荷BFGS：BROYDEN – FLOYDEN – FLOYDER-GLETCHER – FLETCHER-GOLDCHER-GOLDFARB – SHANNO ATSIS ATSIS ENTICAL DYMANSSSSSSSSSSS， （包含位置，质量，能量和力）DFT：密度功能理论（基于量子力学的电子结构计算方法）PMMA：聚甲基甲基丙烯酸酯（用于石墨烯转移的常用聚合物）ALP：Angelica Lactone Polymer（用于添加剂的生物量聚合物）。 （a）初始化AEV，（B）迭代NNP/MD优化几何（X，Y，Z），直到能量收敛为0.05 MeV，（C）计算表面接触的原子电荷（Q）和VDW面积。J.K.A.，A.T。承认宾夕法尼亚州立大学二维水晶财团 - 材料创新平台（2DCC-MIP），该平台得到了NSF合作协议DMR-203935的支持。使用NNP：神经网络潜力（机器学习的同义原子间潜在的同义）EDA-FF：能量分解分析 - 使用经典力场（结构优化后）GDAC：依赖性原子电荷BFGS：BROYDEN – FLOYDEN – FLOYDER-GLETCHER – FLETCHER-GOLDCHER-GOLDFARB – SHANNO ATSIS ATSIS ENTICAL DYMANSSSSSSSSSSS， （包含位置，质量，能量和力）DFT：密度功能理论（基于量子力学的电子结构计算方法）PMMA：聚甲基甲基丙烯酸酯（用于石墨烯转移的常用聚合物）ALP：Angelica Lactone Polymer（用于添加剂的生物量聚合物）。（a）初始化AEV，（B）迭代NNP/MD优化几何（X，Y，Z），直到能量收敛为0.05 MeV，（C）计算表面接触的原子电荷（Q）和VDW面积。
面向线状柔性物体的机器人操作研究进展与展望
此类任务同样可以先离线学习状态转移预测模 型再使用 MPC 计算控制输入 [28-29] ，或直接使用强 化学习方法 [68-69] ，但需要大量训练数据且泛化性较 差。在准静态的局部形变控制中，更常用的方法是 在线估计局部线性模型。该模型假设线状柔性体形 状变化速度与机器人末端运动速度在局部由一个雅 可比矩阵 JJJ 线性地联系起来，即 ˙ xxx ( t ) = JJJ ( t ) ˙ rrr ( t ) ，其 中 ˙ xxx 为柔性体形变速度， ˙ rrr 为机器人末端运动速度。 由于使用高频率的闭环反馈来补偿模型误差，因此 完成任务不需要非常精确的雅可比矩阵。 Berenson 等 [70-71] 提出了刚度衰减（ diminishing rigidity ）的概 念，即离抓取点越远的位置与抓取点之间呈现越弱 的刚性关系，并据此给出了雅可比矩阵的近似数学 表示。此外，常用的方法是根据实时操作数据在线 估计雅可比矩阵，即基于少量实际操作中实时收集 的局部运动数据 ˙ xxx 和 ˙ rrr ，使用 Broyden 更新规则 [72] 、 梯度下降法 [73] 、（加权）最小二乘法 [33-34,74] 或卡尔 曼滤波 [75] 等方法在线地对雅可比矩阵进行估计。 该模型的线性形式给在线估计提供了便利。然而， 雅可比矩阵的值与柔性体形状相关，因此在操作 过程中具有时变性，这使得在线更新结果具有滞 后性，即利用过往数据更新雅可比矩阵后，柔性体 已经移动至新的形状，而新形状对应的雅可比矩阵 与过往数据可能并不一致。同时，完整估计雅可比 矩阵的全部元素需要机器人在所有自由度上的运 动数据，这在实际操作过程中难以实现，为此一些 工作提出根据数据的奇异值进行选择性更新或加 权更新 [74] 。此外，此类方法需要雅可比矩阵的初 值，一般在操作前控制机器人沿所有自由度依次运 动，收集数据估计初始位置的雅可比矩阵。受上述 问题影响，在线估计方法往往仅适用于局部小形变 的定点控制，难以用于长距离大形变的轨迹跟踪。 Yu 等 [31] 提出 ˙ xxx = JJJ ( xxx , rrr ) ˙ rrr 的模型形式，其中 JJJ ( · ) 为 当前状态至雅可比矩阵的非线性映射，待估计参数 为时不变形式。基于该模型，该方法将离线学习与 在线更新无缝结合，实现了稳定、平滑的大变形控 制。 Yang 等 [76-77] 使用模态分析方法建立柔性体模