XiaoMi-AI文件搜索系统
World File Search SystemOptimizer
使用无监督学习
经颅超声疗法越来越多地用于非侵入性脑疾病治疗。然而，常规数值波求机的计算量过于昂贵，无法在治疗过程中在线使用，以预测经过头骨的声学字段（例如，考虑主题特定的剂量和靶向变化）。作为实时预测的一步，在当前工作中，使用完全学习的优化器开发了2D中异质Helmholtz方程的快速迭代求解器。轻型网络体系结构基于一个修改的UNET，其中包括一个学识渊博的隐藏状态。使用基于物理的损失功能和一组理想化的音速分布对网络进行训练（完全无监督的训练（不需要真正的解决方案）。学习的优化器在测试集上表现出了出色的性能，并且能够在训练示例之外良好地概括，包括到更大的计算域，以及更复杂的源和声速分布，例如，从X射线计算的颅骨图像中得出的那些。
过度参数化机器学习中的简单偏见
仍然缺乏对深网（和其他过度参数模型）令人惊讶的发生能力的彻底理论理解。在这里，我们证明了模拟性偏差是在过度参数化机器学习中不可忽视的主要现象。除了解释简单性偏见的结果外，我们还研究了它的来源：遵循具体的严格示例，我们认为（i）模拟偏见可以解释在过度参数化学习模型（例如神经网络）中的概括； （ii）正如我们的示例所示，简单性偏差和出色的概括是与优化器无关的，尽管优化器会影响培训，但它并不是简单性偏见的动力； （iii）在训练模型中的模拟偏差和随后的后代是普遍的，并且源于一个微妙的事实，即统一的随机构造的先验不是统一的统一性； （iv）在神经网络模型中，宽（和浅）网络中的偏见机器与深（和狭窄）网络中的偏置机制不同。
在嘈杂的中间量子量子硬件
摘要 - Grover搜索是一种著名的量子搜索算法，它利用量子叠加来找到具有二次加速的标记项目。但是，当在嘈杂的中间量子量子（NISQ）硬件上实现时，甲骨文和扩散操作员的重复迭代随量子数的数量而增加，从而导致噪声显着。为了解决这个问题，我们提出了一个混合量子式架构，该体系结构用经典优化器的更新代替了量子迭代。此优化器将Oracle Hamiltonian的期望值最小化，相对于代表目标位字符串的参数化量子状态。我们的参数化量子电路比Grover搜索电路要浅得多，我们发现它在嘈杂的模拟器和NISQ硬件上的表现优于Grover搜索。当量子位的数量大于5时，我们的方法仍然保持可用的成功概率，而Grover搜索的成功概率与随机猜测的水平相同。索引术语 - Quantum搜索，嘈杂的中间尺度Quantum，变异量子eigensolver
计算物理学杂志
这项研究研究了物理知识神经网络的潜在准确性边界，将其方法与以前的类似作品和传统数值方法进行了对比。我们发现，选择改进的优化算法显着提高了结果的准确性。对损失功能的简单调节也可以提高精度，从而增加增强途径。尽管优化算法对收敛的影响要比调整损失功能更大，但实际上考虑因素通常会由于易于实施而倾向于调整后者。在全球范围内，增强的优化器和略微调整的损失函数的集成使损失函数在各种物理问题上的数量级减少了几个数量级。因此，我们使用紧凑网络（通常包括20-30个神经元的2或3层）获得的结果实现了与使用数千个网格点的有限差异方案相当的精确度。这项研究鼓励针对各个领域的更广泛应用的PINN和相关优化技术的持续发展。
研究文章 人工智能 (AI) 在福建省小学数学教学中提高学生深度学习的有效性
福建省一些小学生认为学习数学很有挑战性。为了解决这个问题，计算机技术的进步，特别是人工智能 (AI)，提供了一个机会来评估个别学生的学习挑战，并提供个性化支持，以优化他们在数学课堂上的成功。还可以使用虚拟现实 (VR) 来帮助学习者掌握复杂的数学和逻辑思想，并减少学习者的错误。因此，研究人员，特别是初学者，错过了人工智能在数学教学中研究的完整视角。这就是为什么我们通过开发“基于模糊的可调整卷积神经网络和长短期记忆 (FT-CNN-LSTM-AM)”方法来探索人工智能在数学教育中的作用。在本次调查中，通过应用人工智能获取学生的数据集并通过数学教学进行教育。所提出的方法用于预测学生在数学教育中的表现。采用灰狼优化器来提高所提出方法的有效性。此外，分析了所提出方法的性能并与现有方法进行了比较，以获得最高的可靠性。
基于混合模型的锂离子电池剩余使用寿命预测
摘要：准确预测剩余使用寿命（RUL）是保证锂离子电池安全稳定性的关键功能。为解决不同工况下的容量再生和模型适应性，提出了一种基于带自适应噪声的完全集合经验模态分解（CEEMDAN）和双向门控循环单元（BiGRU）的混合RUL预测模型。利用CEEMDAN将容量划分为固有模态函数（IMF）以降低容量再生的影响。此外，提出一种改进的灰狼优化器（IGOW）来保持BiGRU网络的可靠性。利用混沌帐篷映射提高GWO算法中初始种群的多样性，采用改进的控制因子和动态种群权重来加速算法的收敛速度。最后，进行容量和RUL预测实验，验证不同训练数据和工况下的电池预测性能。结果表明，所提出的方法仅使用 30% 的训练集即可实现小于 4% 的 MAE，并使用 CALCE 和 NASA 电池数据进行了验证。
使用用于碳友好的大型语言模型推理的发电指令迈向可持续的Genai
摘要 - 各个部门的生成人工智能（Genai）的快速发展引起了重大的环境问题，尤其是其云和高性能计算（HPC）基础架构的碳排放。本文介绍了S Prout，这是一个创新的框架，旨在通过减少生成大语言模型（LLM）推理服务的碳足迹来解决这些问题。prout利用“发电指导”的创新概念来指导自回归的生成过程，从而提高碳效率。我们提出的方法可以很好地平衡对生态可持续性的需求与对高质量产生结果的需求。采用指令优化器将生成指令的战略分配给用户提示和原始离线质量评估器，在使用Llama2 LLM和全球电网数据中，在现实世界评估中，碳排放量显着降低了40％以上。这项研究标志着将AI技术与可持续实践保持一致的关键一步，强调了减轻生成人工智能迅速扩展领域的环境影响的潜力。
字母自动多-PZTS能量收获界面基于可扩展的PSSHI纠正，并使用功率区域优化技术Guozhu Che
摘要本文提出了一种基于对电感器（PSSHI）的可扩展平行同步开关收集的自动多重压电（多PZTS）能量收集界面，该开关收获了功率区域优化技术。可扩展的PSSHI整流器可以接受任意阶段的多PZTS电压输入，从而解决了电荷冲突问题。功率区域优化器可以帮助整流器在高输出功率区域内运行。同时，电路中的所有活动设备均由收获的能量提供动力。最后，实验结果表明，电路的平均充电能力为559.8°W，能量转换效率为80.7％。与没有功率区域优化的可扩展的PSSHI整流器相比，该电路中的平均充电功率增加了94％。此外，实验测试表明，接口电路可以完全实现冷启动和自动供应。关键词：多个压电能量收获，可扩展的平行同步开关收获（PSSHI），功率区域优化分类：能量收集设备，电路和模块
论量子计算机的物理信息神经网络
物理信息神经网络 (PINN) 已成为解决科学计算问题的强大工具，从偏微分方程的求解到数据同化任务。使用 PINN 的优势之一是利用依赖于 CPU 和协处理器（如加速器）组合使用的机器学习计算框架来实现最大性能。这项工作使用量子处理单元 (QPU) 协处理器研究 PINN 的设计、实现和性能。我们设计了一个简单的量子 PINN，使用连续变量 (CV) 量子计算框架来解决一维泊松问题。我们讨论了不同的优化器、PINN 残差公式和量子神经网络深度对量子 PINN 精度的影响。我们表明，在量子 PINN 的情况下，优化器对训练景观的探索不如经典 PINN 有效，而基本随机梯度下降 (SGD) 优化器的表现优于自适应和高阶优化器。最后，我们重点介绍了量子和经典 PINN 在方法和算法上的差异，并概述了量子 PINN 开发的未来研究挑战。
快速接触式模型预测控制
摘要 - 在本文中，我们提出了一种控制机器人系统的通用方法，该机器人系统与环境建立和破坏。有关参考轨迹的近似值。这些动态使上层计划问题可以理解联系时间和力量，并在线生成全新的接触模式序列。为了获得可靠且快速的数值收敛，我们为这些LCP触点动力学设计了一个结构探索的内点求解器，以及用于跟踪问题的自定义轨迹优化器。我们演示了CI-MPC的实时解决方案率，以及在四足机器人上硬件实验中生成和跟踪非周期行为的能力。我们还表明，控制器可以建模不匹配模型，并且可以通过在模拟中发现和利用各种机器人系统的新接触模式来响应干扰，包括Pushbot，Planar Hopper，Planar hopper，Planar Quadruped和Planar Bip。