XiaoMi-AI文件搜索系统
World File Search SystemCARlO
基于蒙特卡罗的电力可靠性评估方法...
摘要 — 在基于任务概况的可靠性评估中，计算表示电力电子转换器热应力的静态参数是一种常用方法。这些参数随后用于蒙特卡罗 (MC) 模拟，以估计考虑到变化的电力转换器中组件的预期寿命。然而，静态参数并不总是代表电力转换器中组件的实际现场运行条件。为了克服这一限制，本文在 MC 模拟中使用的动态任务概况特性中实施了两种引入参数方差的方法。在两种不同的应用案例中，证明了使用静态参数会在 MC 模拟中引入显著误差。对于光伏 (PV) 逆变器应用，如果使用静态参数，半导体的寿命可能会被高估高达 30%，而对于不间断电源 (UPS) 系统应用，这种差异可能达到近 50%。索引术语 — 转换器可靠性、寿命预测、任务概况、蒙特卡罗方法。
不可观察的蒙特卡洛计划非骚扰重排任务
摘要 - 在这项工作中，我们提出了一位用于创建开环轨迹的计划者，该轨迹可以使用非恐怖分子的方法来解决不确定性下的重排计划问题。我们首先将蒙特卡洛树搜索算法扩展到了不可观察的域。然后，我们提出了两项默认政策，使我们能够快速确定实现目标的潜力，同时考虑到重新安排计划至关重要的联系。第一个策略使用从一组用户演示中生成的学习模型。可以快速查询此模型的一系列动作，这些操作试图创建与对象并实现目标。第二策略在全州空间的子空间中使用了启发式指导计划者。使用这些目标知情政策，我们能够快速找到该问题的初始解决方案，然后在时间允许的情况下不断地重新填充解决方案。我们在桌子上的7个自由度操纵器移动对象上演示了我们的算法。
蒙特卡洛事件的基于样式的量子生成对抗网络
我们在蒙特卡洛事件生成的生成对抗学习的背景下提出并评估了一种替代性量子发生器结构，用于模拟大型强子对撞机（LHC）的分类物理过程。我们通过在已知的非衍生分布生成的人工数据上实现量子网络来验证这种方法。然后将网络应用于特定LHC散射过程的蒙特卡洛生成的数据集。新的量子发生器体系结构可导致最先进的实现的一般化，即使使用浅深度网络，也可以实现较小的kullback-leibler dibergence。此外，即使接受了小型培训样本集训练，量子发生器也成功地学习了基础分布功能。这对于数据八月应用特别有趣。我们将这种新颖的方法部署在两个不同的量子硬件体系结构，被困的离子和超构造技术上，以测试其硬件独立的生存能力。
在E步骤中制作的还将蒙特卡洛错误引入
在E步骤中制作的还将蒙特卡洛错误引入了优化目标。 为了减轻这些问题，我们应用随机梯度上升，并且在每个M步骤中仅采取一个梯度步骤。 我们还应用了基于动量的优化器，例如Adam [9]，以跨多个M步骤汇总梯度，以抑制Monte Carlo误差的效果。 我们在模拟数据集和现实数据集上评估了我们提出的算法。 我们将稳定方法与几种基线方法进行了比较，包括基于随机变异推断的最近开发的学习技术和首先执行状态估计然后应用监督学习的混合方法。 我们的主要结果表明，稳定的表现始终优于所有其他基线，并实现与直接从地面真相轨迹中学习的性能。 总而言之，我们做出以下贡献：在E步骤中制作的还将蒙特卡洛错误引入了优化目标。为了减轻这些问题，我们应用随机梯度上升，并且在每个M步骤中仅采取一个梯度步骤。我们还应用了基于动量的优化器，例如Adam [9]，以跨多个M步骤汇总梯度，以抑制Monte Carlo误差的效果。我们在模拟数据集和现实数据集上评估了我们提出的算法。我们将稳定方法与几种基线方法进行了比较，包括基于随机变异推断的最近开发的学习技术和首先执行状态估计然后应用监督学习的混合方法。我们的主要结果表明，稳定的表现始终优于所有其他基线，并实现与直接从地面真相轨迹中学习的性能。总而言之，我们做出以下贡献：
机器学习辅助的蒙特卡洛在抽样中失败了计算困难问题
为了使这些研究更加系统，并真正评估了方法的性能，重要的是具有良好的基准，即当地MCMC确保很难采样的问题。在90年代初期，必须面对同样的问题，以评估寻找优化或满足性问题解决方案的本地搜索算法的性能[21]。在这种情况下，通过引入研究的随机实例的集合来解决生成良好基准的问题[21 - 24]。随后在数值和分析上都显示了这些随机优化/满足性问题需要在N中成倍缩放，以在某些参数空间的某些区域在足够低的温度下进行适当的采样[2]。因此，它们为采样算法提供了很好的基准。然而，最近将机器学习方法应用于加速抽样的尝试尚未考虑这些基准。在本文中，我们考虑了一个典型的难以样本的随机问题，即随机图的着色，我们表明所有提出的方法都无法解决。我们的结果证实，这类问题是抽样方法的真正挑战，甚至在智能机器学习的动作的帮助下。[20]中研究的模型可能属于此类。此外，我们讨论了一些实际问题，例如学习辅助模型时的模式崩溃，当目标概率分布具有多个峰值时，并且辅助模型仅学习其中一个（或一个子集）。
基于流的变分量子蒙特卡罗的数值和几何方面
近年来，机器学习、量子多体物理学和量子信息科学等领域的交流卓有成效。这种多学科的互动在一定程度上得益于以下发现：人工神经网络为参数化量子多体希尔伯特空间的子集提供了强大的归纳偏差。尽管通过神经网络描述希尔伯特空间向量会导致无法对此类量子态子集进行精确的线性代数运算，但由于存在一种名为变分蒙特卡洛 (VMC) 的有效随机近似算法 [8,30]，基于神经网络的量子态 (NQS) 能够准确揭示量子自旋系统基态的属性，并使用 VMC 的时间相关变体（即所谓的 t-VMC）模拟其时间演化 [6,7]。自从复值受限玻尔兹曼机 [ 8 ] 问世以来，神经网络量子态的范围已经扩大到涵盖各种量子系统，这通过使用日益复杂（通常是多层的）的架构成为可能。相互作用的另一个驱动因素是发现 VMC 和变分量子算法 (VQA) 之间有着密切的类似性。特别是 Stokes 等人 [ 40 ] 在量子信息几何方面的最新研究阐明了机器学习中的自然梯度下降 [ 2 ]、随机重构 VMC [ 38 ] 和量子计算中的变分虚时间演化 [ 45 ] 之间的联系。本教程论文旨在作为对连续变量量子系统的基于流的 VMC 和 t-VMC 的独立回顾。为了具体起见，我们以玻色子量子系统为例进行讨论，以场振幅基表示。场振幅基并不是 VMC 文献 3 的传统焦点，VMC 文献集中于更易于用 Fock 基解释的非相对论系统。然而，场振幅基在具有相对论对称性的系统中是自然的，其中受控玻色子哈密顿量在 L 2 空间中表示为简单的薛定谔算子。因此，哈密顿量的简单性也提供了教学优势。场振幅基的一个可能的计算优势是，它不需要人为地将允许的模式占用数限制在有限范围内以进行数值实现。为了促进
使用...进行高效低温蒙特卡洛采样
量子退火 (QA) 的出现是未来量子计算发展的重要一步，也将极大地促进统计物理和材料科学建模的发展。到目前为止，QA 在这些领域的应用仍然很少，其中包括确定具有长程弹性相互作用的平衡微结构 1 、横向场 Ising 模型中的相变 2 、通过 Shastry-Sutherland 模型研究受挫磁系统的能态 3 以及设计超材料 4 。另一个例子是结合使用量子退火器和玻尔兹曼机来采样自旋玻璃并预测 MoS 2 层的分子动力学数据 5 。更一般地说，由 D-Wave 公司实施的 QA 可以有效地找到离散优化问题的基态配置，在学术界和工业界都有许多应用 6 – 10 。 QA 的概念是在低温下以明确定义的基态初始化系统的哈密顿量，然后平滑地转换能量景观，使其代表所需的优化问题。如果仔细执行这种绝热变换，系统最终会处于目标哈密顿量的基态，因此可以找到优化问题的全局最小值。然而，在实践中，准备、转换和读出过程并不是完全绝热、无噪音和与环境分离的，因此有时会发现能量更高的状态，尤其是与简并态 11 或太小的能隙结合时。因此，对于典型的 QA 应用，需要多次重复和读出来确定真实基态。在本文中，我们证明了该技术的这一缺陷实际上可以转化为优点，因为它可以非常有效地确定有限温度的热力学性质。从材料科学的角度来看，T = 0K 时的基态配置通常只对许多实际应用具有有限的意义。例如，对于铁磁体，所有自旋都排列在基态，而对于有限温度，热涨落会导致有限的关联长度、相变和温度相关的磁化。对此类属性进行统计建模的传统方法是使用蒙特卡罗 (MC) 采样技术，因为由于相空间的巨大规模，通常无法明确计算配分函数。此类计算最突出的方法可能是使用 Metropolis 转移概率生成离散马尔可夫链，这会生成一系列遵循玻尔兹曼统计的配置，因此可以通过更容易地计算这些马尔可夫链上的时间平均值来表达集合平均值 12、13。在实践中，根据玻尔兹曼分布 p ∼ exp ( − β ∆ E ) (其中 β = 1 / k BT )，从一个状态到另一个状态的转变正在发生，其概率取决于两个配置之间的能量差 ∆ E 。通常，这种方法在低温下效率低下，因为新配置的拒绝率非常高，因此在局部最小值中捕获的相空间采样不足，导致对所需热力学性质的预测有噪声。另一种重要的采样策略是由 Wang 和 Landau 开发的，他们使用非马尔可夫算法通过平坦直方图技术提取状态密度，从中可以计算出所有所需的热力学性质 14 。除了这些主要技术之外，Dall 等人还开发了一种在低温下快速采样玻尔兹曼分布的算法。然而，这种算法最适合具有短程相互作用的系统 15 。另一种公平采样基态和
使用 Matchgate 阴影评估量子经典量子蒙特卡罗算法
高精度地解决分子和固体的电子结构问题是量子化学和凝聚态物理学中的一大挑战。量子计算机的迅速出现和发展为系统地解决这一问题提供了一条有希望的途径。最近的研究[Huggins 等人，Nature (London) 603, 416 (2022)]提出了一种混合量子-经典量子蒙特卡罗 (QC-QMC) 算法，使用 Clifford 阴影来确定费米子哈密顿量的基态。与纯经典方法相比，这种方法表现出固有的噪声弹性和提高精度的潜力。然而，使用 Clifford 阴影会带来指数级增长的后处理成本。在这项工作中，我们研究了一种改进的 QC-QMC 方案，该方案利用最近开发的 Matchgate 阴影技术 [Commun. Math. Phys. 404, 629 (2023)]，消除了前面提到的指数瓶颈。我们从量子硬件上的实验中观察到，在 QC-QMC 中使用 Matchgate 阴影本质上具有抗噪性。我们表明，这种抗噪性比 Clifford 阴影的情况有更微妙的起源。然而，我们发现经典后处理虽然渐近高效，但即使是最小的化学系统也需要在数千个经典 CPU 上运行数小时，这对算法的可扩展性提出了重大挑战。
在p s ...
此处r i j =（x i -x j） / a是原子之间的距离，在实验中通过调整晶格间距a来控制。r b称为封锁半径，我们将r b / a视为以下模拟中的自由参数，a =1。< / div>封锁机制对封锁半径内同时激发原子的惩罚，导致了强烈相互互动的量子哈密顿量，在当前和近期实验中可访问的多种晶格上产生了很多丰富的现象。在本文中，我们为哈密顿式等式开发了SSE QMC实施。（1）。本文的其余部分如下组织。sec。 2，我们简要概述了SSE框架。 sec。 3，我们的SSE框架适用于等式中的哈密顿人。 （1）概述了有限温度和基态模拟。 然后，我们在SEC中显示一个和二维的模拟结果。 4，并在第二节发表结论。 5。sec。2，我们简要概述了SSE框架。sec。 3，我们的SSE框架适用于等式中的哈密顿人。 （1）概述了有限温度和基态模拟。 然后，我们在SEC中显示一个和二维的模拟结果。 4，并在第二节发表结论。 5。sec。3，我们的SSE框架适用于等式中的哈密顿人。（1）概述了有限温度和基态模拟。然后，我们在SEC中显示一个和二维的模拟结果。4，并在第二节发表结论。5。