XiaoMi-AI文件搜索系统
World File Search SystemGaussian
三模高斯态的量子照明
随着现代经典技术中集成电路 (IC) 越来越小，量子力学的作用越来越突出，因此量子技术 (基于量子力学和量子信息论的技术 [1]) 变得越来越重要。利用量子技术构建的代表是量子计算机 [2]，最近利用超导量子比特已经实现。在量子信息处理中，量子纠缠 [1,3,4] 作为一种物理资源发挥着重要作用，被用于各种量子信息处理，如量子隐形传态 [5,6]、超密集编码 [7]、量子克隆 [8]、量子密码学 [9,10]、量子计量学 [11] 和量子计算机 [2,12,13]。几年前，人们开始探索纠缠辅助目标检测协议（称为量子照明 [ 14 , 15 ]）及其实验实现 [ 16 – 20 ]。量子照明是一种利用量子纠缠的协议
基于高斯的定向粒子群优化
粒子群优化 (PSO) 是一种迭代搜索方法，它使用随机步长将一组候选解决方案围绕搜索空间移动到已知的最佳全局和局部解决方案。在实际应用中，PSO 通常可以加速优化，因为梯度不可用且函数评估成本高昂。然而，传统的 PSO 算法忽略了从单个粒子的观察中可以获得的目标函数的潜在知识。因此，我们借鉴了贝叶斯优化的概念，并引入了目标函数的随机代理模型。也就是说，我们根据目标函数的过去评估拟合高斯过程，预测其形状，然后根据它调整粒子运动。我们的计算实验表明，PSO 的基线实现（即 SPSO2011）表现优异。此外，与最先进的代理辅助进化算法相比，我们在几个流行的基准函数上实现了显着的性能改进。总体而言，我们发现我们的算法实现了探索性和利用行为的理想特性。
带有高斯的数据驱动能源管理系统...
n terest已大大增加，因为它们为整合可进行调度生成，不可匹配的生成，储能系统和负载提供了弹性和可扩展的选择。最近，网络或互连的微电网也引起了人们的关注，并可能有助于解决现有网格基础设施的拥堵问题[1]。有效地协调和优化许多微电网的性能是不平凡的，需要进一步研究高级能源管理系统（EMS）算法。通常，与电源电子转换器内的电压，电流和其他控制环相比，EMS以较低的带宽工作。前者，也称为第三级控制，试图在更长的时间间隔内最佳地平衡供求。作为高级EMS算法的一部分，通常可以预测可再生的生成资源，负载需求以及使用不确定性的使用时间[2]。EMS可以单独或集体考虑经济，技术或环境限制，具体取决于特定微电网提供的负载和服务类型。
采用通用高斯源的量子照明
假设检验 (HT) [1] 和量子假设检验 (QHT) [2] 在信息 [3] 和量子信息论 [4] 中发挥着至关重要的作用。HT 与通信和估计理论都有着根本的联系，最终是雷达探测任务的基础 [5]，而雷达探测已经通过量子照明 (QI) 协议 [6, 7] 扩展到量子领域，更准确地说，通过微波量子照明模型 [8]（有关这些主题的最新综述，请参阅参考文献 [9]）。HT 和 QHT 最简单的场景是二元决策，因此它们可以简化为两个假设（零假设 H 0 和备选假设 H 1 ）之间的统计区分。从最基本的层面上讲，量子雷达是一项二元 QHT 任务。两个备选假设被编码在两个量子通道中，信号模式通过这两个量子通道发送。根据目标是否存在，信号模式的初始状态会经历不同的变换，从而在输出端产生两个不同的量子态。最终的检测就简化为区分这两种可能的量子态。能否以较低的错误概率准确地做到这一点，与能否确定正确的结果直接相关。这一基本机制可以轻松地通过几何测距参数进行增强，这些参数可以量化与目标的往返时间，即目标的距离。虽然 QI 雷达可能实现最佳性能 [10]，但它们需要生成大量纠缠态，这可能是一项艰巨的任务，特别是如果我们考虑微波区域的话。同时，量子雷达的定义本身可以推广到 QI 以外的任何利用量子部件或设备在相同能量、范围等条件下超越相应经典雷达性能的模型。在这些想法的推动下，我们逐步放宽 QI 的纠缠要求，并研究相应的检测性能，直到源变得刚好可分离，即
gstar：高斯表面跟踪和重建
从任意观点以及适应不断变化的拓扑结构的表面重构。涉及人类或机器人相互作用与物体的场景需要动态适应分裂，合并或变形的表面。热热，下游应用，例如视觉效果和无标记运动捕获，从不依赖模板的情况下跟踪持久区域的能力显着。因此，方法必须有效地处理这些拓扑更改，以确保高质量的渲染和准确的重建，同时还要维护对现有表面的同意跟踪。经典方法主要依赖于网格和tex曲线图，这些图提供了合理的外观，但重大取决于网格分辨率。他们常常无法准确地确定细节和观察依赖性效果。al-尽管这些网格表示可以进行一定程度的跟踪，但它们努力处理重大的拓扑变化，需要新的关键帧以适应ma-jor变换。神经辐射场的出现（NERF）[28]在静态[1，46]和dy-namic场景[17，30]的外观和新型综合方面有了显着改善。使用Marting Cubes [37，44]可以从隐式签名的距离功能（SDF）得出表面，但除非使用了不足的模板，否则它们缺乏一致的跟踪。最近，出现了3D高斯脱落（3DGS）[20]，具有明确的纹理代表，在外观上与NERF竞争，同时实现了更有效的效果。这些高斯人与网格面一起移动，以表示移动和变形的对象。其明确表示有助于跟踪，并为此开发了几种技术[26，50]。然而，准确的动态表面重建仍然是一个挑战，并且在现有表面的跟踪与引入新的表面保持平衡被证明很困难。为了应对这些挑战，我们提出了GSTAR，该方法能够重建光真逼真的外观和准确的表面几何形状，并随着拓扑变化而保持一致的跟踪。GSTAR利用多视图盖，并将网眼与绑定的高斯人结合在一起，与高斯表面相结合。当新的表面变得可见时，新的高斯人会产生，并且网格拓扑更新。适应性网格提供了时间一致，准确的几何形状，而高斯人则带来了逼真的外观。这个问题很困难，因为总会有一个折扣。可以通过固定的托架或模板[24，50]更轻松地跟踪的方法倾向于在新的姿势或变形下降低外观和几何形状的质量。相反，过度拟合静态场景的方法[8，14，16]缺乏时间一致性或错过新的框架详细信息。GSTAR通过尽可能多地跟踪面孔来解决这一权衡
直接整合非轴对称高斯风 -
摘要。风电场的性能受到涡轮 - 摩擦相互作用的显着影响。通常，通过测量其Nacelle风速或使用涉及跨转子盘的一组离散点的数值方法来评估其Nacelle风速或通过评估其转子平均风速来对每个涡轮机进行量化。al-尽管文献中存在各种点分布，但我们引入了两种分析表达式，用于整合非轴对称的高斯唤醒，这解释了上游Turbine Yaw和Wind Veer产生的唤醒拉伸和剪切。分析溶液对应于将目标涡轮机建模为圆形执行盘和等效的矩形执行器盘。衍生的表达式具有多功能性，可容纳尾流源（上游涡轮机）和目标涡轮机之间的任何偏移和轮毂高度差。验证对转子平均的数值评估使用2000个下游位置的2000平均点置于尾流源的平均点，这表明在极端的veer条件下，在小/中度的逆转效应下，在小/中度的vever效应下，在小/中度的vever效应下两种分析溶液都具有出色的一致性。与使用16个平均点的矢量数值平均值相比，两种态解决方案在计算上都是有效的，而圆盘溶液的速度较慢约为15％，而矩形盘溶液的速度约为15％。此外，分析表达式被证明与多个唤醒叠加模型兼容，并且是可区分的，为推导分析梯度提供了基础，这对于基于优化的应用程序可能是有利的。
非...的确定性高斯转换协议
在连续变量量子技术的背景下，高斯状态和操作通常被视为自由可用的，因为它们相对容易通过实验获得。相比之下，非高斯状态的生成以及非高斯操作的实施则带来了重大挑战。这种分歧促使人们引入非高斯性的资源理论。对于任何资源理论，确定资源之间的自由转换协议（即非高斯状态之间的高斯转换协议）具有实际意义。通过系统的数值研究，我们通过任意确定性的一对一模式高斯映射解决了实验相关的单模非高斯状态之间的近似转换。首先，我们表明，对于有限能量，猫状态和二项式状态大致等效，而这种等效性以前仅在无限能量极限下才为人所知。然后，我们考虑从光子增加和光子减少的压缩态生成猫态，通过引入额外的压缩操作来改进已知方案。我们开发的数值工具还允许人们设计出三压缩态到立方相态的转换，超越之前报道的性能。最后，我们确定了其他各种不可行的转换。
可扩展的高斯流程变量自动编码器
稀疏的高斯过程。在稀疏的高斯过程近似过程中已经进行了一系列工作，可以追溯到Snelson和Ghahramani（2006），Qui〜nonero-Candela和Rasmussen（2005）等。这些稀疏方法中的大多数都依赖于一个汇总的一组，称为诱导点，主要是选择这些点的确切方式。在Titsias（2009）中首先考虑了诱导点的变异学习，并被证明会导致显着的性能提高。而不是在非变化稀疏模型中使用近似边缘的GP可能性，而是在确切的GP边际可能性上的下限被得出并用作训练目标。与我们工作相关的另一种方法是Hensman等人的随机变异方法。（2013），作者提出了一个稀疏模型，除了降低GP复杂性外，还可以在小型批次中训练，从而使（极其）大型数据集使用GP模型。
机器人操纵的对象意识到的高斯裂片
摘要 - 在3D中了解我们世界的动态对于机器人应用的性能和稳健性至关重要。尽管最近的进度已与视觉模型和体积渲染结合起来提供语义3D表示形式，但大型模型的推理时间既不是实时机器人操作的所需更新速度。在这项工作中，我们建议将“对象”注入基于3D高斯人的语义表示[1]。具有相同语义标签的高斯人可以一起初始化和更新，从而导致快速更新，以响应机器人和对象运动。所有必要的语义信息都是从验证的基础模型的第一步中提取的，从而规避了大型模型的推理瓶颈，但仍获取语义信息。只有三个相机视图，我们提出的表示形式可以实时捕获30 Hz的动态场景，这对于大多数操纵任务就足够了。通过基于我们的对象感知的高斯分裂来利用表示形式，我们能够求解语言条件的动态握把，为此，机器人抓取了开放词汇查询指定的动态移动对象。我们还使用该表示形式通过行为克隆来训练视觉运动策略，并表明该策略通过预审计的编码者获得了基于图像的策略的可比结果。视频https://object-aware-gaussian.github.io
流体动力学的高斯闭合建模
在海洋工程中，计算流体动力学（CFD）模型对于模拟时间敏感的情况至关重要，例如预测溢油以及在海上进行搜索和救援操作。因此，创建可以有效，准确模拟实时数据的CFD模型至关重要。当前的CFD模型分为两类：慢速且计算上昂贵但准确的细化高保真模型，并且速度快，便宜但通常不准确。为了开发一个平衡计算成本和准确性的模型，我们建议使用稀疏变分高斯工艺进行闭合建模。我们模拟了二维流体流的理想情况，并通过圆柱障碍物越过，并增强了具有三种高保真模型的三种不同离散化的低保真模型。在所有离散化中，我们的增强低保真度模型保留了与高保真模型的高度准确性和相似性，并且与标准的低保真模型相比，误差明显少得多。因此，我们发现高斯过程可以有效地用于闭合流体流量。