XiaoMi-AI文件搜索系统
World File Search SystemMarko
使用基于 copula 的耦合马尔可夫链表征地下施工中有限钻孔的地质不确定性
本文提出了一种量化地层不确定性和基于钻孔建模地质构造的有效方法。使用两个马尔可夫链描述不同方向的土壤转变，马尔可夫链的转变概率矩阵 (TPM) 用 copula 进行解析表示。这种 copula 表达式非常高效，因为它可以用几个未知参数表示较大的 TPM。由于 TPM 的解析表达式，马尔可夫链模型的似然函数以显式形式给出。然后将 TPM 的估计重新转换为多目标约束优化问题，旨在最大化两个独立马尔可夫链在一系列参数约束下的似然。与通过计算土壤类型之间的转变次数来确定 TPM 的方法不同，所提出的方法在统计上更为合理。此外，提出了一种随机路径抽样方法来避免模拟中的方向效应问题。某个位置的土壤类型是根据沿基本方向的已知最近邻点推断出来的。基于皮卡德定理和贝叶斯规则，提出了一种用于土壤类型生成的条件概率的一般形式。所提出的地层表征和模拟方法应用于从中国武汉某建筑工地收集的实际钻孔数据。结果表明，所提出的方法预测准确，并且在模拟过程中不会出现偏差。
在非马克维亚环境中的强化学习
这里要注意的关键点是，从环境中观察到的{o n}并不是马尔可夫。这是大多数情况下的现实，我们施加的马尔可夫模型是一个近似值。这是明确的，例如，当所使用的模型是一个更复杂问题的离散或有限维度漫画时，或者是因为对分析易于的动力学施加的方便近似值仅是近似值（例如，在受控队列中跨越时间的指数性）。还要注意，上面的代理动力学（1.1）（包括代理状态的选择）是我们假设模型时强加的设计选择。在[1，2]中，明确标识为。通常，问题的物理学可能决定了一种自然选择，但是如果不是这样，则需要一种原则上的方法。这个设计问题是我们计划解决的主要问题，在准备理论背景之后，我们在这项工作后来提出了这一问题。该理论是将模型（1.1）作为给定的。
一种新的量子机器学习算法：受量子条件主方程启发的分裂隐量子马尔可夫模型
隐量子马尔可夫模型（HQMM）在分析时间序列数据和研究量子领域的随机过程方面有巨大潜力，是一种比经典马尔可夫模型更具潜在优势的升级选择。在本文中，我们引入了分裂 HQMM（SHQMM）来实现隐量子马尔可夫过程，利用具有精细平衡条件的条件主方程来展示量子系统内部状态之间的互连。实验结果表明我们的模型在适用范围和鲁棒性方面优于以前的模型。此外，我们通过将量子条件主方程与 HQMM 联系起来，建立了一种新的学习算法来求解 HQMM 中的参数。最后，我们的研究提供了明确的证据，表明量子传输系统可以被视为 HQMM 的物理表示。SHQMM 及其配套算法提出了一种基于物理实现的分析量子系统和时间序列的新方法。
嵌套自我组织和共享马尔可夫毛毯...
免疫系统是人类有机功能的核心组成部分。本文解决了生物系统的自组织，并嵌套在怀孕中的其他生物系统中。妊娠构成了人类实施的基本状态，也是我们物种进化和保护的关键步骤。并非所有人类都可以怀孕，但我们在另一个人的身体内的最初出现和生长状态是普遍的。因此，怀孕的状态并不关心某些人，而是所有人。的确，妊娠中的分层关系反映了胚胎中更早的自动植物过程，通过该过程，单个胚泡中的个体数量由细胞 - 相互作用动态地确定。怀孕期间两个自组织系统之间的关系和相互作用可能在理解
量子非马尔可夫性：概述和最新发展
在当前嘈杂的中尺度量子 (NISQ) 设备时代，开放系统动力学理论研究发挥着至关重要的作用。特别是，理解和量化量子系统中的记忆效应对于更好地掌握量子设备中噪声的影响至关重要。本综述的主要重点是利用各种方法解决定义和表征这种记忆效应（广义上称为量子非马尔可夫性）的基本问题。我们首先讨论开放系统动力学的双时间参数映射方法，并回顾在此范式中出现的各种量子非马尔可夫性概念。然后，我们讨论基于量子梳框架的量子随机过程的替代方法，该方法考虑了多时间相关性。我们讨论了这两个范式之间的相互联系和差异，最后讨论了量子非马尔可夫性的必要条件和充分条件。
使用变分量子电路估计非马尔可夫性程度
近几年，用于分析各种领域数据的机器学习 (ML) 技术取得了巨大进步。量子物理学也在各个方面受益于机器学习，例如量子系统的控制、分类和估计任务 [1-6]。在这种情况下，机器学习技术已被用来分析从测量量子系统中获得的经典数据。另一方面，人们进行了大量研究，利用量子特性来改进机器学习技术 [7,8]。量子人工神经网络 [9] 和量子核方法 [10] 的开发就是很好的例子。对于量子机器学习算法，学习电路已被证明是一种实用的方法 [11]。考虑到目前可用的噪声中型量子计算机 [12] 只有很少的量子比特（50-100 个量子比特），人们设计了混合量子-经典算法来开发具有自由控制参数的短深度量子电路。这些电路被称为变分量子电路 (VQC) [13-16]。在 VQC 中，优化任务是使用经典优化技术对量子 (量子电路中的自由参数) 和经典参数 (用于后处理) 进行的 [13]。量子技术的主要障碍之一是量子系统与周围环境的相互作用，这会导致量子系统失去相干性 [17]。通常对物理过程进行简化。例如，所谓的马尔可夫近似，其中假设系统的演化不取决于其动态历史，而只取决于其当前状态。因此，忽略记忆方面，这通常可以作为一个很好的近似值。然而，必须强调的是，非马尔可夫特征经常出现在量子系统的动力学中 [18, 19]。此外，一些物理过程强烈地受到非马尔可夫性的影响，例如油藏工程 [ 20 ， 21 ]、状态隐形传态 [ 22 ]、量子计量 [ 23 ]，甚至当前的量子计算机 [ 24 ， 25 ]。此外，非马尔可夫性可以作为一种资源来利用 [ 26 ]。准确确定非马尔可夫性的程度需要大量的测量。此外，对于基于纠缠动力学的非马尔可夫性测量，需要考虑一个辅助量子比特，该量子比特应受到保护以避免与环境相互作用。为了克服这些挑战，机器学习技术（如神经网络 [ 27 ]、支持向量机 [ 28 ]、随机森林回归器 [ 29 ]、基于张量网络的机器学习 [ 30 ] 和多项式回归 [ 31 ]）已用于确定量子过程的非马尔可夫性程度。此外，
可解释的输入输出隐藏的马尔可夫基于模型的深钢筋学习，用于预测涡轮扇击发动机
可以将预测性维护归类为（i）预后：预测失败并提前通知替换或修复（剩余使用寿命或简短的RUL通常用作预后方法，这是对设备或系统剩余寿命的估计，直到它变得无功能性[20]）; （ii）诊断：通过因果分析或（iii）主动维护来预测未来失败的实际原因：预测并减轻故障模式和条件发展之前[6]。虽然主动维护捕获了潜在失败的根本原因，但预测维护执行了整体数据分析，以确保安排的维护。在本文中，将在预测性维护涡轮增压引擎的背景下进行研究[4,18]。
单量子比特马尔可夫开放量子系统的数字模拟：教程
量子计算机的最初应用之一是量子系统的模拟。在过去的三十年中，模拟封闭量子系统和更复杂的开放量子系统的算法开发取得了长足的进步。在本教程中，我们介绍了用于模拟单量子比特马尔可夫开放量子系统的方法。它将各种现有符号组合成一个通用框架，可以扩展到更复杂的开放系统模拟问题。详细讨论了目前唯一可用于单量子比特开放量子系统数字模拟的算法。对更简单通道的实现进行了修改，消除了对经典随机采样的需求，从而使修改后的算法成为严格的量子算法。修改后的算法利用量子分叉来实现接近总通道的更简单通道。这避免了对具有大量 CNOT 门的量子电路的需求。Quanta 2023；12：131-163。
通过非原始系统实现的协变遍历量子马尔可夫半群
摘要。我们从协变完全正映射构造相对论量子马尔可夫半群。我们首先将 Stinespring 膨胀中的一个步骤推广到一般的不完全性系统，并将其基于庞加莱群。所得噪声通道具有相对论一致性，并且该方法适用于任何基本粒子，尽管我们针对类光粒子的情况进行了演示。相对论一致性完全正身份保持映射的克劳斯分解（我们的设置在海森堡图中）使我们能够构造一致连续的协变量子马尔可夫半群。我们从小群中诱导表示，以确保由于传递系统不完全性而具有遍历性的量子马尔可夫半群。
人工智能辅助决策中人类信任和依赖的建模：马尔可夫方法
人工智能 (AI) 技术与人类工作流程的日益融合，带来了人工智能辅助决策的新范式，即人工智能模型提供决策建议，而人类做出最终决策。为了最好地支持人类决策，定量了解人类如何与人工智能互动和依赖人工智能至关重要。先前的研究通常将人类对人工智能的依赖建模为一个分析过程，即依赖决策是基于成本效益分析做出的。然而，心理学的理论模型表明，依赖决策往往是由情感驱动的，比如人类对人工智能模型的信任。在本文中，我们提出了一个隐马尔可夫模型来捕捉人工智能辅助决策中人机交互背后的情感过程，通过描述决策者如何随着时间的推移调整对人工智能的信任并基于他们的信任做出依赖决策。对从人类实验中收集的真实人类行为数据的评估表明，所提出的模型在准确预测人类在人工智能辅助决策中的依赖行为方面优于各种基线。基于所提出的模型，我们进一步深入了解了人类在人工智能辅助决策中的信任和依赖动态如何受到决策利害关系和交互经验等情境因素的影响。