XiaoMi-AI文件搜索系统
World File Search SystemQML
MIL-PRF-38534D
1.1 范围。本规范规定了混合微电路、多芯片模块 (MCM) 和类似设备的一般性能要求，以及确保这些设备满足适用性能要求的验证要求。验证是通过使用两个质量程序之一 (附录 A) 来完成的。本规范的主体描述了性能要求和获取合格制造商名单 (QML) 列表的要求。本规范的附录旨在为制造商开发其验证程序提供指导。应在适用的设备采购规范中指定与特定预期用途相关的详细要求、具体特性和其他规定。
MIL-PRF-38534D
1.1 范围。本规范规定了混合微电路、多芯片模块 (MCM) 和类似设备的一般性能要求，以及确保这些设备满足适用性能要求的验证要求。验证是通过使用两个质量程序之一（附录 A）来完成的。本规范的主体描述了性能要求和获取合格制造商名单 (QML) 的要求。本规范的附录旨在为制造商开发其验证程序提供指导。详细要求、具体特性和其他与特定预期用途相关的规定应在适用的设备采购规范中指定。
量子机器学习：彻底改变药物发现
药物发现的每个阶段。其应用包括靶标识别、分子对接、药代动力学预测、毒性评估和加速药物筛选。这些发现的意义在于有望加快、经济高效且有针对性的药物开发。量子计算和机器学习的结合为精准医疗开辟了新领域，并有可能重塑制药业格局。本文深入探讨了 QML 在药物发现中实施的基本原理、实际案例研究和道德考虑，阐明了其彻底改变该领域和改善患者治疗效果的潜力。
基于无铅焊料疲劳建模的FLIP芯片可靠性的实质性调查
摘要 - 焊料疲劳故障是限制微电子流量芯片包装可靠性的主要磨损故障机制之一。焊料疲劳故障发生在裂缝启动并随后通过整个焊接接头传播，从而导致电气开放。焊接关节内的裂纹引发和支撑性是由压力的循环施加引起的，这通常是由于暴露于温度周期所引起的。了解产品使用过程中的热循环与用于测试的加速热循环之间的关系对于预测设备的可靠性至关重要。MIL-PRF-38535是用于综合电路（微电路）制造的指导航空航天和高可靠性的规格，该制造能够列出制造业，合格和认证要求，以在国防逻辑机构（DLA）的（DLA）合格列表（QM）（QML）列表中列出。该standard于2022年11月发布的修订版，首次包括在制造QML平流芯片产品中使用无铅焊合金和有机基质。 因此，对于无铅的平流芯片组件的焊料疲劳，人们非常需要了解实质性的物理（POF）。 本文删除了如何使用有限的元素建模来预测平流芯片包装组件的焊料疲劳。 作者的杠杆疲劳寿命是针对不同流量芯片雏菊链套件配置的，以及疲劳的生命定义并可以在发表的论文中使用。修订版，首次包括在制造QML平流芯片产品中使用无铅焊合金和有机基质。因此，对于无铅的平流芯片组件的焊料疲劳，人们非常需要了解实质性的物理（POF）。本文删除了如何使用有限的元素建模来预测平流芯片包装组件的焊料疲劳。作者的杠杆疲劳寿命是针对不同流量芯片雏菊链套件配置的，以及疲劳的生命定义并可以在发表的论文中使用。然后，作者使用所得的无铅焊料疲劳模型来进行参数研究，以研究不同的模具大小，填充材料属性和包装底物材料的影响。在共晶SN/PB和无铅疲劳寿命预测之间进行了比较。此外，作者还展示了如何将焊料疲劳预测用于使用条件，以便对平流芯片套件组件进行可靠性评估。这最终导致更好地理解焊料合金的影响以及材料选择对航空航天和高可靠性产品的任务生活的影响，这些产品属于MIL-PRF-38535修订中引入的更改M.
![arXiv:2302.00105v2 [quant-ph] 2024 年 2 月 26 日](/simg/g:\will\search\icon\source\d\d0bf430e10cc6e82682ce4b975834a9490c69344.png)
arXiv:2302.00105v2 [quant-ph] 2024 年 2 月 26 日
傅里叶级数善于将复杂函数分解为更简单的三角分量，与量子计算的固有特性（如叠加和干涉）无缝契合。这种协同作用使量子信息得到更有效、更精确的表示，大大增强了数据处理、分析和探索量子数据中的周期模式的能力。这项工作深入探讨了傅里叶级数在量子机器学习 (QML) 中应用的巨大优势，并将其与量子计算的独特契合与传统方法进行了对比。傅里叶级数是一种数学工具，它允许我们用正弦和余弦的组合来建模任意周期信号。它的主要优点是从一个域转换到另一个域时需要更多的信号信息。事实上，这个级数并不适用于所有信号（狄利克雷条件 [1]）；然而，在各个领域和部门，傅里叶级数是将信号从时域转换到频域的工具，将其分解为谐波相关的正弦函数。在量子计算中，特别是在量子机器学习 (QML) 分支中，量子模型由参数函数 f (x, θ) 描述，该函数受一些独立变量 x（可能是我们的输入数据）和一些参数 θ 的影响，这些参数帮助我们的函数尝试在输入数据中推广自身。考虑到这一点，并了解傅里叶级数对信号处理的巨大影响，因此，分析和实验傅里叶级数如何影响量子模型是非常有趣的，因此，如果它可以帮助我们
MIL-PRF-38535F
MIL-PRF-38535F 2002 年 12 月 1 日 取代 MIL-PRF-38535E 1997 年 12 月 1 日 性能规范集成电路（微电路）制造的通用规范 此规范已获准供国防部所有部门和机构使用。本文档是一份性能规范。它旨在为设备制造商提供可接受的既定基线，以支持政府微电路应用和后勤计划。基本文档的结构为性能规范，并附有详细的附录。这些附录为制造商提供了有关满足军事性能需求的成功方法的指导。一般而言，这些附录作为基准包含在内，并非旨在施加强制性要求。此政策的例外情况为：对于按照 MIL-STD-883 提供的设备类型的制造商，附录 A 是强制性的。附录 B 适用于太空应用，是 V 级设备所必需的。附录 C 是需要抗辐射保证 (RHA) 的系统所必需的。1. 范围 1.1 范围。本规范规定了集成电路或微电路的一般性能要求以及质量和可靠性保证要求，这些要求必须满足才能获得。本规范的目的是让设备制造商能够灵活地将最佳商业实践应用于
量子机学习预测药物发现中的ADME-TOS
摘要：在药物发现范式中，新化学实体的吸收，分布，代谢和排泄物（ADME）和毒性特性的评估是最关键的问题之一，这是一个耗时的过程，非常昂贵，并且在药品R＆d中构成了非常昂贵的挑战。近年来，人工智能（AI），大数据和云技术等新兴技术引起了人们的极大关注，以预测分子的ADME和毒性。目前，量子计算和机器学习的混合物几乎在从化学到生物医学和几个工程学科的几乎每个领域都引起了人们的关注。量子计算机有可能通过降低与药物发现过程相关的开发成本和时间来实现高通量实验技术和筛选数十亿分子的进步。是出于量子内核方法的效率，我们提出了一个量子机学习（QML）框架，该框架由具有基于内核的量子分类器的经典支持向量分类器算法组成。为了证明所提出的QML框架的可行性，简化的分子输入线进入系统（Smiles）基于符号的字符串螺丝核与量子支持矢量分类器结合使用，用于评估化学/药物ADME ADME ADME-TOX特性。建议的量子机学习框架将通过大规模模拟进行验证和评估。在制药行业所提出的框架的部署对于做出最佳决策将非常有价值。基于我们来自数值模拟的结果，与经典同行相比，量子模型在接收器操作特征曲线（AUC ROC; 0.80-0.95）的曲线下获得了最佳性能，以预测针对小分子的ADME-TOX数据集的结果，具有不同的特征。
航天中塑料封装微电路的案例...
在 APL，我们通常将塑料封装微电路 (PEM) 这一术语与商用现货 (COTS) 设备联系起来，但 PEM 具有塑料封装。请注意，合格制造商清单 (QML) 上可以找到少量 PEM，因此不能归类为 COTS。就本文而言，PEM 可以是微电路、半导体、无源元件或其他。反过来，COTS 设备是任何商业加工的组件。从历史上看，由于 PEM 具有商业含义，因此从未被认为适合航天应用。然而，随着军用级密封元件供应量的减少，PEM 已成为必需品。APL 决定使用 PEM 是基于内部和外部因素。在内部，有
用于文本分类的混合经典-量子迁移学习
量子机器学习 (QML) 是一个将量子计算与机器学习相结合的有前途的领域。变分量子电路（其中电路参数是通过经典方式学习的）已广泛应用于 QML 的许多近期应用中。这是一个混合量子-经典框架的实例，其中同时存在经典和量子组件。然而，将这些技术应用于涉及海量数据的应用是一项具有挑战性的任务。克服这一问题的一种方法是使用最近引入的修饰量子电路的经典量子迁移学习概念，其中底层神经架构是经过经典预训练的，但在最后一步（决策层），使用量子电路，然后进行量子测量和后处理以高精度对图像进行分类。在本文中，我们将混合经典量子迁移学习应用于另一项海量数据处理任务，即自然语言处理 (NLP)。我们展示了如何使用经典量子迁移学习对短文本（例如 SMS）进行（二进制）分类，该学习最初仅应用于图像处理。我们的量子网络由 Transformers (BERT) 模型中的双向编码器表示预先训练，其变分量子电路经过微调以用于文本处理。我们使用接收者操作特性 (ROC) 曲线评估了我们的混合神经架构的性能，该曲线通常用于评估分类问题。结果表明精度高，损失函数低。据我们所知，我们的工作是量子迁移学习在 NLP 领域的首次应用。最后，与使用学习但方式不同于迁移学习的工具进行了比较
使用量子数据联合学习的量子
Quantum机器学习（QML）已成为一个有前途的领域，它依靠量子计算中的发展来探索大型复杂的机器学习问题。最近，提出了一些纯量子机学习模型，例如量子卷积神经网络（QCNN），以对量子数据进行分类。但是，所有现有的QML模型都取决于对大规模和分布式量子网络无法很好地扩展的集中解决方案。因此，考虑到针对新兴的量子网络体系结构量身定制的更实用的量子联合学习（QFL）解决方案是一种方法。的确，鉴于计算量子的脆弱性质以及传输它们的困难，为量子网络开发QFL框架至关重要。在其实际的重要性之上，QFL可以通过利用现有的无线通信基础架构来分发量子学习。本文提出了第一个完全量子联合学习框架，该框架可以通过量子数据运行，因此以分散的方式共享量子电路参数的学习。首先，鉴于文献中缺少现有的量子联合数据集，提出的框架开始于生成具有分布式量子网络的第一个量子联合数据集，具有层次数据格式。然后，为共享QCNN模型的客户提供量子数据以执行分类任务。随后，服务器从客户端汇总了可学习的量子电路参数并执行联合平均。进行了广泛的实验，以评估和验证所提出的QFL溶液的有效性。这项工作是将Google的TensorFlow联合和TensorFlow量子组合到实际实现中的第一个。