XiaoMi-AI文件搜索系统
World File Search SystemCompression
MNO2阴极的背景压缩研究...
†该材料基于美国能源部电力办公室（OE）的工作。这项研究使用了美国能源部（DOE）科学用户设施的高级光子来源的资源de-ac02-06ch11357。这项研究使用了美国能源部（DOE）科学用户设施办公室（DOE）由Brookhaven National Laboratory为DOE科学办公室运营的美国能源部（DOE）科学用户设施办公室的National Synchrotron Light Source II的Beamline 7-BM（QA）（QAS）。de-sc0012704。这项工作是在综合纳米技术中心进行的，该中心是科学用户设施，该办公室为美国能源部（DOE）科学办公室运营。我们感谢Andrea Bruck博士的海报设计。Sandia国家实验室是由霍尼韦尔国际公司（Honeywell International Inc.）全资子公司Sandia，LLC国家技术与工程解决方案公司管理和运营的多个实验室，该实验室由美国国家能源部国家核安全管理局（NANED NAUD SECUCTION ADVINOCATY）根据合同DE-NA0003525进行。
张量网络状态的量子压缩
摘要 我们为张量网络状态的参数族设计量子压缩算法。我们首先建立存储给定状态族中的任意状态所需的内存量的上限。该上限由合适流网络的最小割确定，并与从指定状态的参数流形到状态所体现的物理系统的信息流有关。对于给定的网络拓扑和给定的边维度，当所有边维度都是同一整数的幂时，我们的上限是严格的。当不满足此条件时，该上限在乘法因子小于 1.585 时是最佳的。然后，我们为一般状态族提供了一种压缩算法，并表明该算法对于矩阵乘积状态在多项式时间内运行。
对端到端学习图像压缩的调查
摘要：近年来端到端学习的图像压缩编解码器显着出现。这些编解码器表现出比常规方法的优越性，在支持新的失真损失的同时，展示了各种数据域之间的显着灵活性和适应性。尽管诸如计算复杂性之类的挑战，但由于其非常合适的内部表示，学习的图像压缩方法与基于学习的数据处理和分析管道固有地保持一致。机器视频编码的概念引起了学术研究人员和行业从业人员的极大关注。这个概念反映了将数据压缩与计算机视觉应用程序集成的日益增长的需求。根据这些发展，我们提出了一项全面的调查和综述，对有损图像压缩方法。此外，我们还提供了两个著名国际标准的简明概述，即机器和JPEG AI的MPEG视频编码。这些标准旨在弥合数据压缩和计算机视觉之间的差距，以适应实际行业用例。
模拟压缩树脂传输成型...
简介轻巧的结构对于各种运输领域的CO 2降低特别有益。但是，由于制造过程缓慢，碳纤维增强聚合物尚未取得更大的成功，因此它们不足以进行大量生产。与树脂转移成型（RTM）工艺相比，压缩树脂转移成型（CRTM）过程的表征是在平面外方向上的浸渍流非常短，该过程主要是平面内。此外，在CRTM过程中已经报道了改进的界面特性，表明短期循环时间和零件性能之间具有协同作用[1]。可以通过表示粘性力，织物压实和随时间的渗透性的相互作用来识别处理极限。这项研究的目的是评估CRTM过程，以非常快速生产环氧基质复合零件。
用于边缘计算的经典压缩和量子压缩
边缘计算旨在解决与及时有效地将远程生成的大量数据传输到数据中心相关的挑战。边缘计算的核心支柱是本地（即在源头或附近）数据处理能力，以便可以最大限度地减少到数据中心进行处理的数据传输。因此，边缘数据压缩是边缘工作流的自然组成部分。我们介绍了数据压缩算法，重点是边缘计算。并非所有压缩算法都能适应边缘计算的数据类型异构性、严格的处理和通信时间限制或能效要求特性。我们讨论了在边缘计算背景下正在探索的压缩算法的具体示例。最后，我们简要介绍一下在量子信息处理中很重要的新兴量子压缩技术，包括提出的量子边缘计算概念。
2021 年年度报告 - Burckhardt 压缩
Burckhardt Compression 的 Laby®-GI 压缩机系统在液化天然气 (LNG) 运输船的燃料供应中发挥着重要作用。在运输过程中，液化气体会升温，导致少量蒸发，形成蒸发气体，然后重新液化并送回油箱或用作运输船发动机的燃料。液化系统和柴油发动机都需要高达 300 bar 的压力。这就是为什么 Burckhardt Compression 为 LNG 应用开发了特定的解决方案，这些解决方案可在低温高压下压缩气体，并满足公海使用的严格要求。Burckhardt Compression 系统的独特卖点是密封的曲轴箱，可防止甲烷逸出到大气中。报告期内，已安装的 Laby®- GI 系统首次实现 150 万小时运行时间，体现出其高可靠性。
学习的自主驾驶的多模式压缩
随着人工智能技术的快速发展，多模式学习已成为各种应用程序中数据处理和分析的强大范式，包括自主机器人和车辆[1]和大型语言模型[2]。通过整合来自各种模式的数据，多模式学习增强了AI系统的鲁棒性和适应性，从而提高了性能，并具有更大的能力，可以有效地解决现实世界中的Challenges。多模式学习的一种显着应用是在官方驾驶中，它使自动驾驶汽车（AVS）能够使用多种数据源（例如摄像头，LIDAR，雷达，雷达和超声传感器）来解释和响应其环境。这种不同数据类型的集成使机器的感知和决策更加准确，增强了车辆检测和理解对象，预测其运动并安全地驾驶复杂驾驶场景的能力。使用不同方式中包含的信息，AV可以实现更大的鲁棒性和可靠性，降低事故的风险，并改善各种和动态驾驶条件下的整体性能。AV传感器会生成大量数据[3]，根据传感器配置，每秒可能达到40千兆位（GBPS）。必须实时处理和分析这些数据，这需要大量能量，进而减少车辆的范围[4]。因此，无论是在板载处理还是使用未来的低延迟通信[5]来减少数据量，无论是在机载处理还是计算偏移到云服务上。因此，有效的压缩
纠缠在基于qudit的电路压缩中的作用
基于门的通用量子计算是根据两种类型的操作来制定的：通常易于实现的局部单量门门，而两个Qubit的纠缠大门，其忠实的实施仍然是主要的实验挑战之一，因为它需要单个系统之间的受控相互作用。为了充分利用量子硬件，以最有效的方式处理信息至关重要。一个有希望的途径是将较高的量子系统（Qudits）用作量子信息的乐趣单位，以用Qudit-Local Gates替换Qubit-Loctangling Gates的一小部分。在这里，我们展示了如何通过使用QUDIT编码来显着低估多Qubit电路的复杂性，我们通过考虑具有确切已知（多Qubit）栅极组合性的示例性cirits来量化这些编码。我们讨论了电路压缩的一般原理，在可实现的优势上得出上限和下限，并突出了纠缠和可用门集的关键作用。针对Photonic和捕获离子实施的显式实验方案，并证明了两种平台的电路性能都有显着的表达增益。
