XiaoMi-AI文件搜索系统
World File Search SystemOptimizer
通过增量脉冲重复实现时间高效的 Qudit 门......
摘要 — 当前构建量子计算机的努力主要集中在双态量子比特上，这通常涉及抑制随时可用的更高状态。在这项工作中，我们打破了这种抽象，并为广义 d 状态量子比特上的门合成了短持续时间控制脉冲。我们提出了增量脉冲重新播种，这是一种实用的方案，它通过使用以前的结果迭代播种优化器来引导最优控制软件获得最短持续时间的脉冲。我们通过对 transmons 上的一和两量子比特门进行显式脉冲优化，发现希尔伯特空间维数和门持续时间之间存在近线性关系。我们的结果表明，在实际感兴趣的领域中，量子比特操作比以前预期的要高效得多，并且有可能显着提高当前硬件的计算能力。索引术语 — 量子计算、量子比特、量子最优控制、脉冲合成
用于参数化量子算子发现的混合多目标遗传规划
量子信息的处理由量子电路定义。对于当前量子设备上的应用，这些通常是参数化的，即它们包含具有可变参数的操作。设计这样的量子电路和聚合的高级量子算子是一项具有挑战性的任务，需要大量的量子信息理论知识，前提是可以通过分析找到多项式大小的解。此外，找到一个具有低计算成本的精确解决方案代表着一个重大的权衡，特别是对于当前一代量子计算机而言。为了应对这些挑战，我们提出了一种多目标遗传编程方法（与数值参数优化器混合）来自动合成参数化量子算子。为了证明所提出方法的优势，将其应用于混合量子经典算法的量子电路，然后与分析解决方案和非混合版本进行比较。结果表明，与非混合版本相比，我们的方法产生了更多样化的解决方案和更准确的量子算子，甚至达到了分析基线的质量。
附录
对于所有实验，源解析器都是一个神经 PCFG [64]，具有 20 个非终结符和 20 个前终结符。所有实验共享的其他模型设置包括：（1）Adam 优化器，学习率 = 0.0005、β1 = 0.75、β2 = 0.999，（2）梯度范数剪裁为 3，（3）L2 惩罚（即权重衰减）为 10-5，（4）Xavier Glorot 均匀初始化，以及（5）训练 15 个 epoch，并在验证集上提前停止（大多数模型在 15 个 epoch 之前就收敛得很好）。SCAN 和风格迁移数据集的批次大小为 4，机器翻译数据集的批次大小为 32。由于内存限制，在实践中我们使用批次大小 1，并通过梯度累积模拟更大的批次大小。我们观察到训练有些不稳定，一些数据集（例如 SCAN 和机器翻译）需要使用 4 到 6 个随机种子进行训练才能表现良好。一般来说，我们发现过度参数化语法和使用比必要更多的非终结符是可以的 [13]。
优化的制造和施工现场机器...
抽象有效的维护预测对于确保工业机械的运行连续性和寿命至关重要。本文对机器维护预测的任务进行了对机器学习算法的比较分析。通过严格的实验和评估，我们评估了包括Adaboost，随机森林，梯度增强和Sup-Port Vector Machines（SVM）在内的算法的性能。此外，为了提高预测精度，我们将优化器算法（杜鹃搜索）集成到我们的框架中。此优化技术微调算法参数，进一步提高了准确性。我们的发现为优化机器维护预测提供了宝贵的见解，通过积极的维护策略赋予行业能力，以减轻停机时间并提高生产率。关键字：机器学习模型，随机森林，克雷鱼，优化器，维护。简介小节样本预测维护已成为希望优化其操作，最小化停机时间并降低维护成本的行业的关键策略。通过利用高级数据分析和Ma-Chine学习技术，公司可以预测何时可能发生设备故障，从而实现主动维护干预措施。开发的预测维护软件利用了从计算机数据集派生的四个选定功能的实时数据。这些功能是机器健康和性能的指标。此优化技术有助于微调模型参数，以证明其预测精度和整体性能。通过实时连续监视这些功能，软件可以评估机器的当前状态并预测是否需要维护。为了确保准确的预测，比较和评估了各种分类技术，以确定最有效的模型。这涉及分析不同算法的性能，例如神经网络，决策树，SVM和随机森林等。通过严格的测试和验证，选择了最高表现的模型以在预测维护应用中实现。除了选择最佳分类技术外，使用小龙虾优化器进一步提高了模型的效率。通过利用小龙虾运算层的功能，该软件可以在预测维护需求方面获得更高的精度和可靠性。
量子计算机上激发态计算的量子轨道最小化方法
摘要：我们提出了一种量子-经典混合变分算法，即量子轨道最小化方法（qOMM），用于获得厄米算子的基态和低激发态。给定表示本征态的参数化拟设电路，qOMM 实现量子电路来表示轨道最小化方法中的目标函数，并采用经典优化器根据拟设电路中的参数最小化目标函数。目标函数具有隐式嵌入的正交性约束，这使得 qOMM 可以对每个输入参考态应用不同的拟设电路。我们进行了数值模拟，试图使用 UCCSD 拟设电路在 STO-3G 基中寻找 H 2 、LiH 和由四个氢原子排列成方格的玩具模型的激发态。将数值结果与现有的激发态方法进行比较，qOMM 不太容易陷入局部最小值，并且可以通过更浅的假设电路实现收敛。
四轮驱动插电式混合动力汽车双自适应等效油耗最小化策略
摘要：能量管理策略对于发挥四轮驱动插电式混合动力汽车（4WD PHEV）的节能效果至关重要。针对4WD PHEV中复杂的多能量系统，提出一种新的双自适应等效消耗最小化策略（DA-ECMS）。该策略通过引入未来驾驶工况类别来调整等效因子，提高驾驶工况的适应性和经济性，优化多能量系统的管理。首先，采用自组织神经网络（SOM）和灰狼优化器（GWO）对驾驶工况类别进行分类，离线优化多维等效因子；其次，采用SOM进行驾驶工况类别识别，并匹配多维等效因子；最后，DA-ECMS完成前轴多能源与电驱动系统的多能量优化管理，释放4WD PHEV的节能潜力。仿真结果表明，与基于规则的策略相比，DA-ECMS经济性提高了13.31%。
![arxiv：2110.06799v1 [Quant-ph] 2021年10月13日](/simg/g:\will\search\icon\source\3\3ac1c84a9d0c289423c939f0f0b7a9534008938d.webp)
arxiv：2110.06799v1 [Quant-ph] 2021年10月13日
量子计算为组合问题提供新的启发式方法。具有小型和中级量子设备的可用性，可以在小型问题上实施和测试这些启发式方法。这种组合问题的候选者是异质的车辆路线问题（HVRP）：确定最佳路线集的问题，鉴于具有不同装载能力的杂种车辆，以将货物交付给给定的客户。在这项工作中，我们研究了使用量子近似优化算法（QAOA）的量子计算机的潜在用途将近似于HVRP的解。为此，我们将HVRP映射到Ising Hamiltonian，并在最多21 QUBIT的问题实例上模拟算法。我们发现，此映射量表所需的量子数与客户数量二次。我们比较了QAOA中不同经典操作器的性能，以不同的是HVRP的问题大小，从而在优化器性能和运行时找到了交易。
AI驱动的交通符号分类与交互式GUI集成
*1助理教授of Electronics and Communication Engineering, MMEC Belagavi, Karnataka, India ---------------------------------------------------------------------***--------------------------------------------------------------------- Abstract - Traffic sign recognition plays a pivotal role in the development of autonomous vehicles and advanced driver- assistance systems (ADAS), significantly enhancing road safety.该项目利用卷积神经网络（CNN）的力量准确地对流量标志进行分类。德国交通标志识别基准（GTSRB）数据集，其中包含在各种条件下捕获的43个交通标志类别的图像，用于模型培训和评估。通过调整大小，归一化和单热编码对图像进行预处理，从而确保与CNN体系结构的兼容性。为了提高模型鲁棒性，采用了旋转，变焦和换档等数据增强技术，从而创建了一个丰富的数据集用于培训。所提出的CNN体系结构包括多个卷积，汇总和辍学层，从而实现有效的特征提取和分类。该模型是使用Adam Optimizer训练的，并在单独的测试集上进行了评估，从而实现了高精度并在现实世界中证明其有效性。结果表明，数据增强显着增强了概括，辍学层的使用减少了过度拟合。该项目以成功部署流量标志识别系统的结论，能够以高精度识别流量标志，从而铺平了将AY集成到实时流量监控和ADA中。这项成就标志着朝着更安全的自主驾驶技术迈出的重要一步。
介绍深度神经网络优化中的突触整合原理
众所周知，大脑中的可塑性电路通过突触整合和突触强度局部调节机制受到突触权重分布的影响。然而，迄今为止设计的大多数人工神经网络训练算法都忽略了刺激依赖性可塑性与局部学习信号之间的复杂相互作用。在这里，我们提出了一种新型的生物启发式人工神经网络和脉冲神经网络优化器，它结合了皮质树突中观察到的突触可塑性的关键原理：GRAPES（调整误差信号传播的组责任）。GRAPES 在网络的每个节点上实施依赖于权重分布的误差信号调制。我们表明，这种生物启发式机制可以显著提高具有前馈、卷积和循环架构的人工神经网络和脉冲神经网络的性能，它可以减轻灾难性遗忘，并且最适合专用硬件实现。总的来说，我们的工作表明，将神经生理学见解与机器智能相结合是提高神经网络性能的关键。
Q-Seg：基于量子退火的无监督图像分割
摘要——我们提出了 Q-Seg，这是一种基于量子退火的新型无监督图像分割方法，专为现有量子硬件量身定制。我们将逐像素分割问题（吸收图像的光谱和空间信息）公式化为图形切割优化任务。我们的方法有效地利用了 D-Wave Advantage 设备的互连量子位拓扑，与现有量子方法相比具有出色的可扩展性，并且优于几种经过测试的最先进的经典方法。对合成数据集的实证评估表明，Q-Seg 的运行时性能优于最先进的经典优化器 Gurobi。该方法还在地球观测图像分割上进行了测试，这是一个具有噪声和不可靠注释的关键领域。在嘈杂的中尺度量子时代，与 Segment Anything 等先进技术相比，Q-Seg 成为现实世界应用的可靠竞争者。因此，Q-Seg 使用可用的量子硬件提供了一种有前途的解决方案，特别是在受到有限标记数据和高效计算运行时间的需求限制的情况下。