XiaoMi-AI文件搜索系统
World File Search SystemVIA
通过打印编程的记忆聚合物部件
许多潜在应用（包括生物医学应用）都需要复杂而实用的 SMP 部件功能和几何形状，这要求部件内具有相应复杂的应变模式，例如双轴、扭转、弯曲或剪切应变、应变梯度或其他空间变化应变。这些复杂的应变模式通常无法通过当前的编程技术实现，特别是对于小型或复杂部件几何形状的情况。事实上，复杂应变的精确编程仍然超出了形状记忆编程的当前水平，而且，由于在建立执行所需的机械驱动编程所需的设备方面存在挑战，甚至使用相对简单的 3D SMP 部件单轴编程替代方案（例如双轴应变编程）仍然极其有限。例如，3D 部件的多轴编程需要一种机制来抓住部件并在多个轴上施加所需的分布应变。因此，迄今为止，只有少数研究成功展示了 3D SMP 部件的多轴编程，而且这些研究仅限于压缩编程，使用手动（实际上是手指和拇指）操作或专门的压接器或夹具实现，[8,16] 因此只展示了膨胀多轴恢复。缺乏用于
通过半自动微分实现量子最优控制
我们开发了一个“半自动微分”框架，将现有的基于梯度的量子最优控制方法与自动微分相结合。该方法几乎可以优化任何可计算函数，并在两个开源 Julia 包 GRAPE.jl 和 Krotov.jl 中实现，它们是 QuantumControl.jl 框架的一部分。我们的方法基于根据传播状态、与目标状态的重叠或量子门正式重写优化函数。然后，链式法则的分析应用允许在计算梯度时分离时间传播和函数的评估。前者可以通过修改的葡萄方案非常高效地进行评估。后者通过自动微分来评估，但与时间传播相比，其复杂性大大降低。因此，我们的方法消除了通常与自动微分相关的高昂内存和运行时开销，并通过直接优化量子信息和量子计量的非解析函数，促进了量子控制的进一步发展，尤其是在开放量子系统中。我们说明并测试了半自动微分在通过共享传输线耦合的超导量子比特上完美纠缠量子门的优化中的应用。这包括对非解析门并发的首次直接优化。
通过子模性近似非近视传感器选择...
摘要 — 随着传感器变得越来越复杂和普遍，它们也呈现出了自身的成本效益和时效性问题。选择能够以最低成本、最及时、最高效的方式提供最多信息的传感器集变得越来越重要。两种典型的传感器选择问题出现在广泛的应用中。第一种类型涉及选择在预算限制内提供最大信息增益的传感器集。另一种类型涉及选择优化信息增益和成本之间权衡的传感器集。不幸的是，由于传感器子集的指数搜索空间，两者都需要大量计算。本文提出了有效的传感器选择算法来解决这两个传感器选择问题。用贝叶斯网络建模传感器与传感器旨在评估的假设之间的关系，并通过互信息评估传感器相对于假设的信息增益（收益）。我们首先证明互信息在放松条件下是一个子模函数，这为所提出的算法提供了理论支持。对于预算限制情况，我们引入了一种贪婪算法，该算法具有一个常数因子 (1 − 1 /e)，可保证最佳性能。提出了一种分区程序，通过高效计算互信息以及减少搜索空间来提高算法的计算效率。F
卫星电子卫生和远程医疗的机遇与挑战
通过卫星实现健康和远程医疗的机遇和挑战 C. Dario 1 , A. Dunbar 2 , F. Feliciani 3 , M. Garcia-Barbero 2 , S. Giovannetti 1 , G. Graschew 4 , A . 桂尔 5 , A. 霍施 6 , M. 詹森 7 , L. Kleinebreil 8 , R. Latifi 9 , M. M. Lleo 10 , P. Mancini 11 , M. T. J. Mohr 12 , P. Ortiz García 13 , S. Pedersen 7 , J. M. Pérez-Sastre 13 , A. Rey 14 1 号医疗单位9 意大利特雷维索，2 世界卫生组织欧洲区域办事处，国家支持司，巴塞罗那，西班牙，3 欧洲经济技术合作中心，诺德维克，荷兰，4 柏林大学医学院夏里特医院，德国，5 法国巴黎国立空间研究中心，6 医学统计系和德国慕尼黑工业大学流行病学系，7 挪威远程医疗中心，挪威特罗姆瑟，8 法国巴黎公共医院，9 美国图森亚利桑那大学外科系，10 病理学系，微生物学科，意大利维罗纳大学，11，法国巴黎欧洲航天局，12，德国雷根斯堡国际远程医疗中心，13，西班牙伊比利亚医疗服务中心，14，瑞士日内瓦大学医院，于 2017 年 12 月 22 日提交给《欧洲医学研究杂志》。二千零四
通过汉明码介绍编码理论
致讲师 本模块的唯一先决条件是线性代数课程。学生学习必要的背景知识后，它可以用于线性代数课程。事实上，这将是线性代数课程中的一个极好的项目。通常，在第一门线性代数课程中，学生会学习实数上的向量空间。对于此模块，他们需要研究二元域上的向量空间。因此，这将提供一定程度的抽象（但可管理）。此外，它可以用于任何适合或需要引入纠错码的计算科学课程。最后，可以使用此模块的另一门课程是抽象代数课程。一旦学生学习了一般的有限域，他们就可以在任意有限域上定义和实现汉明码（当然，首先学习二元域上的汉明码仍然会对他们有益）。通常，在学习抽象代数课程之前，学生熟悉素数p的整数模p域，但不熟悉更一般的有限域。本模块使用的软件是Maple版本10（经典工作表模式）。摘要 纠错码理论是数学在信息和通信系统中的一个相对较新的应用。该理论得到了广泛的应用，从深空通信到光盘的声音质量。事实证明，可以使用一套丰富的数学思想和工具来设计好的代码。该领域使用的数学工具集通常来自代数（线性和抽象代数）。本模块的目的是通过一类众所周知的代码（称为汉明码）向具有线性代数基础知识的学生介绍该主题的基础知识。介绍了与汉明码相关的有趣属性和项目。关键词：编码理论、纠错码、线性码、汉明码、完美码
通过半正定程序实现的量子信息科学
摘要 正如标题所示，本章简要、独立地介绍了量子信息科学 (QIS) 中的五个基本问题，这些问题特别适合用半定程序 (SDP) 来表述。我们考虑了两类受众。主要受众包括运筹学 (和计算机科学) 研究生，他们熟悉 SDP，但发现即使对 QIS 的先决条件有一点点了解也令人望而生畏。第二类受众包括物理学家 (和电气工程师)，他们已经熟悉通过 SDP 对 QIS 进行建模，但对更普遍适用的计算工具感兴趣。对于这两类受众，我们都力求快速获得不熟悉的材料。对于第一类受众，我们提供足够的必需背景材料（来自量子力学，通过矩阵处理，并将它们映射到狄拉克符号中），同时对于第二类受众，我们在 Jupyter 笔记本中通过计算重新创建已知的闭式解。我们希望您能喜欢这篇介绍，并通过自学或参加短期研讨会课程了解 SDP 和 QIS 之间的奇妙联系。最终，我们希望这种学科拓展能够通过对 SDP 的富有成果的研究推动 QIS 的发展。
PrEF：通过 Copula 进行概率电力预测 - ...
电力预测对现代电力系统的关键决策具有重要意义，包括发电、输电、配电等。在文献中，传统的统计方法、机器学习方法和基于深度学习（例如循环神经网络）的模型用于模拟电力时间序列数据的趋势和模式。然而，它们要么受到确定性形式的限制，要么受到概率假设独立性的限制——从而忽略了电力数据分布之间的不确定性或显著相关性。反过来，忽略这些可能会导致误差累积，尤其是在依赖历史数据并旨在进行多步预测时。为了克服这些问题，我们提出了一种名为概率电力预测 (PrEF) 的新方法，该方法提出了一个非线性神经状态空间模型 (SSM)，并将 copula 增强机制纳入其中，该方法可以从大规模电力时间序列数据中学习不确定性依赖性知识并了解各种因素之间的交互关系。我们的方法通过其可追溯的推理过程和提供高质量概率分布预测的能力与现有模型区分开来。在两个真实世界电力数据集上进行的大量实验表明，我们的方法始终优于其他方法。
通过分层合成重新优化量子电路
摘要 — 量子计算的当前阶段处于噪声中型量子 (NISQ) 时代。在 NISQ 设备上，双量子比特门（例如 CNOT）比单量子比特门噪声大得多，因此必须尽量减少它们的数量。量子电路合成是将任意幺正分解为一系列量子门的过程，可以用作优化工具来生成更短的电路以提高整体电路保真度。然而，合成的解决时间随着量子比特数量的增加而呈指数增长。因此，对于大规模量子比特电路来说，合成是难以实现的。在本文中，我们提出了一个分层的逐块优化框架 QGo，用于量子电路优化。我们的方法允许指数成本优化扩展到大型电路。QGo 结合使用分区和合成：1) 将电路划分为一系列独立的电路块； 2) 使用量子合成重新生成和优化每个块；3) 通过将所有块拼接在一起重新组成最终电路。我们进行分析并展示三种不同情况下的保真度改进：真实设备上的小尺寸电路、噪声模拟中的中尺寸电路和分析模型上的大尺寸电路。我们的技术可以在现有优化之后应用，以实现更高的电路保真度。使用一组 NISQ 基准，我们表明，与 t | ket ⟩ 等工业编译器优化相比，QGo 可以将 CNOT 门的数量平均减少 29.9%，最多可减少 50%。在 IBM Athens 系统上执行时，较短的深度可带来更高的电路保真度。我们还展示了 QGo 技术的可扩展性，以优化 60 多个量子比特的电路。我们的技术首次成功展示在大型电路的编译工具链中采用和扩展合成。总体而言，我们的方法非常稳健，可以直接纳入生产编译器工具链，以进一步提高电路保真度。索引术语——量子计算、优化、综合、量子编译器
通过 EPIC-LA 教程进行回收和再利用计划
通过 EPIC-LA 教程申请回收和再利用计划 EPIC-LA 允许申请人以数字方式提交信息，以满足机构推荐表上的许可。现在可以通过 EPIC-LA 获得“建筑和拆除碎片回收和再利用计划”的许可。为此，请按照以下说明在 EPIC-LA 网站上申请回收和再利用计划。 1. 访问 https://www.epicla.lacounty.gov 2. 单击“登录或注册” 3. 使用您注册的电子邮件/用户名和密码登录。这应该是相同的信息
通过...进行时间序列的自监督对比预训练
时间序列的预训练提出了一个独特的挑战，因为预训练和目标域之间可能存在不匹配，例如时间动态的变化、快速演变的趋势以及长期和短期周期效应，这可能会导致下游性能不佳。虽然领域自适应方法可以缓解这些变化，但大多数方法都需要直接来自目标域的示例，这使得它们对于预训练来说不是最优的。为了应对这一挑战，方法需要适应具有不同时间动态的目标域，并且能够在预训练期间无需看到任何目标示例即可做到这一点。相对于其他模态，在时间序列中，我们期望同一示例的基于时间和基于频率的表示在时频空间中位置靠近。为此，我们假设时频一致性 (TF-C)——将示例的基于时间的邻域嵌入到靠近其基于频率的邻域——对于预训练是可取的。受 TF-C 启发，我们定义了一个可分解的预训练模型，其中自监督信号由时间和频率分量之间的距离提供，每个分量都通过对比估计单独训练。我们在八个数据集上评估了新方法，包括电诊断测试、人体活动识别、机械故障检测和身体状态监测。针对八种最先进方法的实验表明，TF-C 在一对一设置（例如，在 EMG 数据上微调 EEG 预训练模型）中平均比基线高出 15.4%（F1 分数），在具有挑战性的一对多设置（例如，对 EEG 预训练模型进行微调以进行手势识别或机械故障预测）中高出 8.4%（精度），反映了现实世界应用中出现的场景广度。源代码和数据集可在https://github.com/mims-harvard/TFC-pretraining获得。