XiaoMi-AI文件搜索系统
World File Search SystemParametric
使用Josephson Parametric Oscilla
根据摩尔定律，该定律指出，芯片上晶体管的数量每18个月增加一倍[1]，包括CPU在内的通用处理器的性能每年都有改善，而其价格和电力的征服量已减少。工作频率和单线程处理性能几乎已经达到了限制，这主要是由于功耗限制。这些约束导致了多核处理器的开发，其速度也受到依次执行程序的数量的限制。因此，加速度在正确的位置（例如GPU）使用了专门的体系结构。尽管GPU无法执行像CPU这样的通用目的处理，但它们可以执行大量的平行简单操作，这对于Ma-Chine学习非常有用。量子计算机已将注意力吸引为一种专业的结构，因为它们能够解决使用常规计算机困难的问题的能力。与常规计算机相比，信息处理单元（位）采用两个状态，即0或1，一个量子组合由量子位（Qubits）组成，可以将其叠加为0和1状态。这些计算机可以利用量子力学的特征性能，例如状态，量子隧道和量子纠缠的叠加。量子计算机可以大致分为两类：基于门的量子计算机[2]和量子退火器[3]。基于门的量子计算机可以非常快速地计算特定问题 -
具有深度强化学习的参数 PDE 控制......
参数偏微分方程 (PDE) 的最优控制在工程和科学领域的许多应用中都至关重要。近年来，科学机器学习的进步为参数偏微分方程的控制开辟了新的领域。特别是，深度强化学习 (DRL) 有可能在各种应用中解决高维和复杂的控制问题。大多数 DRL 方法依赖于深度神经网络 (DNN) 控制策略。然而，对于许多动态系统，基于 DNN 的控制策略往往过度参数化，这意味着它们需要大量的训练数据、表现出有限的鲁棒性并且缺乏可解释性。在这项工作中，我们利用字典学习和可微分 L 0 正则化来学习参数偏微分方程的稀疏、鲁棒和可解释的控制策略。我们的稀疏策略架构与 DRL 方法无关，可以在不同的策略梯度和参与者-评论家 DRL 算法中使用，而无需改变其策略优化程序。我们在控制参数化 Kuramoto-Sivashinsky 和对流-扩散-反应 PDE 的挑战性任务上测试了我们的方法。我们表明，我们的方法 (1) 优于基于 DNN 的基准 DRL 策略，(2) 允许推导所学最优控制律的可解释方程，以及 (3) 推广到 PDE 的未知参数而无需重新训练策略。
使用 BatPaC 对锂离子电池进行参数研究
本报告是作为美国政府机构赞助的工作的记录而编写的。美国政府及其任何机构、芝加哥大学阿贡分校有限责任公司及其任何员工或官员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文中以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文中表达的文档作者的观点和意见不一定代表或反映美国政府或其任何机构、阿贡国家实验室或芝加哥大学阿贡分校有限责任公司的观点和意见
太空望远镜参数成本模型的更新
在单变量和多变量参数模型发布后，数据库经历了一次独立审查。审查结果发现几个数据点不正确。因此，数据库经历了一次全面审查：一些望远镜被从分析中删除；其他望远镜的数据进行了修改；新的望远镜被添加到数据库中。由于这些变化，成本模型也发生了变化。但总体结论保持不变：孔径直径是大型太空望远镜的主要成本驱动因素；建造大型望远镜每平方米收集孔径的成本低于小型望远镜；建造低面密度望远镜每公斤的成本高于大型望远镜。一个显著的区别是，望远镜成本约占总任务成本的 10%，而不是 30%。
Josephson运动波参数放大器的建模
Josephson行动波参数放大器 / Guarcello的建模，Claudio；瓜里诺（Guerino）Avallone；卡洛男爵； Borghesi，Matteo；头发，西尔维亚； Carapella，Giovanni；安娜·保罗（Anna Paola）装满； Carusotto，Iacopo； Cian，Alessandro； Daniele的Gioacchino； Enrico，Emanuele； Paolo的Falferi；法萨（Fasolo），卢卡（Luca）； Faverzani，Marco；费里（Ferri），埃琳娜（Elena）； Filatrella，Giovanni； Gatti，Claudio； Giachero，Andrea； Damiano Giubertoni； Veronica Granata；希腊，安吉洛；拉布兰卡（Danilo）；狮子座，安吉洛； Ligi，卡洛； Maccarrone，Giovanni； Federica Mantegazzini； Margesin，Benno； Maruccio，朱塞佩； Mauro，君士坦丁； Mezzena，Renato；莫特杜罗，安娜·格拉齐亚； nucciotti，安吉洛；卢卡·奥伯托（Oberto）； Origo，卢卡； Pagano，Sergio； Pierro，Vincenzo； Piersanti，卢卡； Rajteri，毛罗； Alessio Rettaroli；里萨托，西尔维亚；范特，安德里亚； Zannoni，马里奥。- 在：IEEE超导性上的IEEE交易。- ISSN 1051-8223。-33：1（2023），pp。1-7。[10.1109/tasc。 2022.3214751]
参数量子电路的维度表达分析
参数量子电路在许多变量量子算法的性能中起着推动作用。为了完全实现此类算法，必须设计有效的量子电路，这些电路能够足够近似于解决方案空间，同时保持较低的参数计数和电路深度。在本文中，开发了一种分析参数量子电路的维度的方法。我们的技术允许在电路布局中识别出浮力参数，并获得最大表达式的ANSATZ，该ANSATZ具有最少数量的参数。使用杂种量子古典式插入，我们展示了如何使用Quantum硬件进行表达分析，并提供了有关IBM量子硬件的原理证明的证明。我们还解散了对称性的效应和示例如何从参数化的ANSATZ中结合或去除符号。
W*-代数上的参数模型和信息几何
在经典几何和量子信息几何中，通常处理概率分布或量子态的参数化子集，俗称参数模型。经典背景下的典型例子是高斯概率分布族，在量子背景下的典型例子是量子相干态族。从概念和实践的角度来看，都可能存在物理理论约束，导致只有某些概率分布或量子态才能被建模或物理实现（再想想高斯概率分布和量子相干态），因此证明选择参数模型是合理的。另一方面，从纯数学的角度来看，如果我们想利用标准微分几何的数学形式，就必须选择参数模型[1,43,50]。事实上，可测结果空间上的概率分布空间和等同于复可分希尔伯特空间上的密度算子空间的量子态空间都不具备光滑流形的结构。颇有意思的是，这在有限维中已经发生了：在经典情况下，离散有限结果空间 X n（有 n 个元素）上的概率分布空间可以自然地等同于 R n 中的单位单纯形，后者是带角的光滑流形的典型例子 [54]；在量子情况下，等同于有限维复希尔伯特空间 H 上的密度算子空间的量子态空间，当 dim ( H ) = 2 [ 11 , 35 ] 时，是具有边界的光滑流形，称为布洛赫球；当 dim ( H ) > 2 [ 24 ] 时，是分层流形。在无限维中，考虑到无限维微分几何的技术细节，情况甚至更糟。尽管可以说在经典 [ 64 ] 和量子 [ 42 ] 中都有旨在建立无限维非参数理论的方法，但我们认为它们实际上是参数模型，其中参数位于无限维流形中。事实上，Pistone 和 Sempi [ 64 ] 的开创性工作处理的不是测度空间上整个概率分布空间上的 Banach 流形结构，而是关于给定参考概率测度 μ 相互绝对连续的所有概率分布空间上的 Banach 流形结构。显然，这种选择可以合理地称为概率分布的参数模型。 Jencova [ 42 ] 的工作中也发生了类似的事情，其中 Banach 流形结构不是赋予 W ⋆ -代数 A 上的整个状态空间，而是赋予 A 上的忠实正常状态空间。因此，为了使用标准微分几何的工具，正如在经典几何和量子信息几何中惯常的做法一样 [4、5、51、58、67]，我们必须接受使用参数模型的必要性。经典情况在无限维环境中也得到了彻底和系统的研究 [7-9]，而据我们所知，量子态参数模型的信息几何（特别是在无限维环境中）仍未得到充分探索。这项工作的目的是开始探索这片土地，并以这样一种方式进行，即可以同时处理经典情况和量子情况。关键
AXA启动开拓性Heatwave参数保险
Axa香港和澳门（“ AXA”）致力于成为反对气候变化的驱动力，并利用其在气候风险评估方面的专业知识，以支持企业解决相关风险并建立可持续的未来。今天，我们很高兴地宣布推出市场优先的“热浪参数保险”，该产品旨在为夏季在户外工作的户外从业人员提供增强的保护。在过去三十年中的气候数据绘制了可见的图片 - 从1994年到2023年，香港的年平均温度每十年的统计学上升为0.30°C。这种令人震惊和持续的显着崛起对某些职业（例如建筑工人，物业管理人员）以及公用事业和运输部门的从业人员构成了更高的风险，他们在极端热量事件中通常会暴露于户外情况。认识到这种紧迫的需求，Axa带头引入了“ Heatwave参数保险”，为预防热压力和保护受影响的从业者提供了灵活和方便的好处。天气参数保险机制很容易且直接，每人适中的溢价为HKD19.9。被保险人有资格获得等效价值的HKD100的支出或“反热量套件”，当温度在8月至10月期间连续三天超过36.0°C 2时。AXA将在满足预定的扳机时不断监视温度水平，并主动为客户提供信息和补偿。要确保一个简单便捷的过程，被保险人不需要证明损害或损失，也不需要申请额外的索赔或提交索赔表和支持文件以获得支出。
通过参数成本函数进行强化学习......
∗ 普林斯顿大学运筹学与金融工程系 † 电子邮件：sghadimi@princeton.edu。‡ 电子邮件：raymondp@princeton.edu。§ 电子邮件：powell@princeton.edu
Parametric Custom Core® 美国大盘股
资料来源：截至 2024 年 12 月 31 日的 Parametric、Bloomberg 和 FactSet。以上信息是对本文所含综合指数全球投资业绩标准 (GIPS ® ) 报告的补充，是本材料的组成部分。仅供说明之用；不构成买卖任何证券的要约。综合数据基于所示期间内有资格纳入综合指数的所有付费全权委托账户的总资产。业绩反映了股息和其他收益的再投资。不到一年期间的业绩尚未年化。Parametric 计算和报告的业绩、成本基础、未实现损益和已实现损益可能与基于某些证券的不同会计程序、报告日期或估值方法的官方托管报表不同。过去的表现并不代表未来的结果。不可能直接投资指数；它们不受管理，不反映费用、税金和开支的扣除。