XiaoMi-AI文件搜索系统
World File Search Systemcompress
可靠性工程与系统安全
提出了一种评估飞机发动机监测数据的新方法。通常，预测和健康管理系统使用某些发动机部件的退化过程知识以及专业专家意见来预测剩余使用寿命 (RUL)。出现了新的数据驱动方法，可以在不依赖这种昂贵过程的情况下提供准确的诊断。但是，它们中的大多数缺乏解释组件来理解模型学习和/或数据的性质。为了弥补这一差距，我们提出了一种基于变分编码的新方法。该模型由一个循环编码器和一个回归模型组成：编码器学习将输入数据压缩到潜在空间，以此为基础构建一个自解释的地图，可以直观地评估飞机发动机的劣化率。获取这种潜在空间是通过变分推理引导的新成本函数和惩罚预测误差的项来进行正则化的。因此，不仅实现了可解释的评估，而且还实现了显着的预测准确性，优于 NASA 流行模拟数据集 C-MAPSS 上的大多数最新方法。此外，我们使用来自实际涡扇发动机的数据在现实场景中展示了我们的方法的应用。
通过潜在扩散生成低音伴奏
自动生成与任意输入音轨适当匹配的音乐是一项具有挑战性的任务。我们提出了一种新颖的可控系统，用于生成单个词干以伴随任意长度的音乐混音。我们方法的核心是音频自动编码器，它可以有效地将音频波形样本压缩为可逆的潜在表示，以及一个条件潜在扩散模型，该模型将混音的潜在编码作为输入并生成相应词干的潜在编码。为了控制生成样本的音色，我们引入了一种技术，在扩散采样期间将潜在空间固定在用户提供的参考风格上。为了进一步提高音频质量，我们采用无分类器引导，以避免在生成无界潜在空间时在高引导强度下出现失真。我们在混音对和匹配低音词干的数据集上训练我们的模型。定量实验表明，给定输入混音，所提出的系统可以生成具有用户指定音色的低音线。我们的可控条件音频生成框架代表着在创建生成性人工智能工具以协助音乐家进行音乐创作方面迈出了重要一步。
技术战略评估-压缩空气储能
压缩空气储能 (CAES) 是众多储能选项之一，它可以以势能（压缩空气）的形式储存电能，并且可以部署在中央发电厂或配送中心附近。根据需求，可以通过使用涡轮膨胀机发电机膨胀储存的空气来释放储存的能量。该技术的一个吸引人的特点是过程相对简单——压缩机由可用电力驱动来压缩空气（充电），然后将空气储存在室内直到需要能量为止。在放电过程中，压缩空气通过涡轮膨胀机以产生电能回馈给电网。CAES 使其成为一个有吸引力的选择，其属性包括广泛的储能容量（从几兆瓦到几千兆瓦）、环保过程（尤其是在燃烧时不使用化石燃料）、长寿命和耐用性、低自放电（由于压力和温度损失）以及储存能量的成本低。该技术面临的一些挑战包括前期资本成本高、扩展步骤中需要加热、往返效率 (RTE) 较低、选址和许可挑战、难以识别和准备用于储存的天然洞穴、排放深度低以及响应时间较长。
压缩空气储能
压缩空气储能 (CAES) 是众多储能选项之一，它可以以势能（压缩空气）的形式储存电能，并且可以部署在中央发电厂或配送中心附近。根据需求，可以通过使用涡轮膨胀机发电机膨胀储存的空气来释放储存的能量。该技术的一个吸引人的特点是过程相对简单——压缩机由可用电力驱动来压缩空气（充电），然后将空气储存在室内直到需要能量为止。在放电过程中，压缩空气通过涡轮膨胀机以产生电能回馈给电网。CAES 使其成为一个有吸引力的选择，其属性包括广泛的储能容量（从几兆瓦到几千兆瓦）、环保过程（尤其是在燃烧时不使用化石燃料）、长寿命和耐用性、低自放电（由于压力和温度损失）以及储存能量的成本低。该技术面临的一些挑战包括前期资本成本高、扩展步骤中需要加热、往返效率 (RTE) 较低、选址和许可挑战、难以识别和准备用于储存的天然洞穴、排放深度低以及响应时间较长。
通过逐层优化脑外科医生学习修剪深度神经网络
如何开发精简而准确的深度神经网络对于实际应用至关重要，尤其是对于嵌入式系统中的应用。尽管之前沿着该研究方向的工作已经显示出一些有希望的结果，但是大多数现有方法要么无法显著压缩训练有素的深度网络，要么需要对修剪后的深度网络进行大量再训练才能重新提高其预测性能。在本文中，我们提出了一种新的深度神经网络分层修剪方法。在我们提出的方法中，每个单独层的参数都基于相应参数的分层误差函数的二阶导数独立地进行修剪。我们证明，修剪后最终的预测性能下降受每层造成的重构误差的线性组合限制。通过适当控制分层误差，只需对修剪后的网络进行轻度再训练即可恢复其原始的预测性能。我们在基准数据集上进行了大量实验，以证明我们的修剪方法与几种最先进的基线方法相比的有效性。我们的工作代码发布在：https://github.com/csyhhu/L-OBS 。
最佳脑压缩：用于准确训练后量化和修剪的框架
我们考虑在具有挑战性的一声/训练后设置中，深度神经网络（DNN）的模型压缩问题，在该设置中，我们将获得一个准确的训练有素的模型，并且必须仅基于少量校准输入数据而无需进行任何重新训练。鉴于新兴软件和硬件支持，该问题已变得很流行，以通过加速进行修剪和/或量化来执行模型，并且已经针对两种压缩方法独立提出了良好的表现解决方案。在本文中，我们引入了一个新的压缩框架，该框架涵盖了在统一的环境中涵盖重量修剪和量化的，这是时间和空间效果，并且在现有后训练方法的实际性能上大大提高。在技术层面上，我们的方法基于[Lecun，Denker和Solla，1990]的经典最佳脑外科医生（OBS）框架的精确而有效的实现，以涵盖现代DNNS规模的体重量化。从实际的角度来看，我们的实验结果表明，它可以在现有训练后方法的压缩准确性权衡方面显着改善，并且它可以在培训后环境中启用修剪和量化的准确复合应用。
量子时间动力学采用Yang-baxter ...
量子时间动力学（QTD）被认为是近期量子计算机上量子至高无上的有前途的问题。然而，随着时间的模拟，QTD量子电路会生长。本研究的重点是模拟与最近的邻居相互作用的一维整合旋转链的时间动力学。我们已经证明了用于模拟某些类别的1D海森贝格模型汉密尔顿型汉密尔顿的时间演变的量子电路中存在反射对称性，并通过量子Yang-baxter方程，以及如何利用这种对称性来压缩和产生浅量子量子回路。使用此压缩方案，量子电路的深度独立于步长，仅取决于旋转的数量。我们表明，在当前工作中，所研究的海森堡模型汉密尔顿人的压缩电路的深度严格是系统大小的线性函数。因此，压缩电路中的cnot门数仅与系统大小二次缩放，这是为了模拟非常大的1D旋转链的时间动力学的模拟。我们得出了汉密尔顿汉密尔顿的不同特殊案例的压缩电路表示。我们通过在量子计算机上进行仿真来比较和证明这种方法的效果。
地热：主要技术，应用条件...
如果来源的温度不那么高，或者您想提高植物的生产，则可以使用二进制周期技术（Tomasini-Montenegro等al。，2017年）。这项技术将兰金循环用作基础，该基础在第一种流体中使用地热源的热量，该液体在封闭循环中加热了第二液（Tomasini-Montenegro等）al。，2017年）。第二液通过加热周期，膨胀，凝结和压缩，导致液体被加热，蒸发，将热量转移到与发电机的涡轮机上，并在最低温度流体下（Tomasini-Montenegroet。Tomasini-Montenegroet。al。，2017年）。使用低于第一个的沸腾温度，可以在低于150ºC的来源中使用该技术（Lund等al。，2008）。
采用 Yang-Baxter 的量子时间动力学......
量子时间动力学 (QTD) 被认为是近期量子计算机量子霸权的一个有前途的问题。然而，QTD 量子电路会随着时间模拟的增加而增长。本研究重点模拟具有最近邻相互作用的一维可积自旋链的时间动力学。我们证明了在用于模拟某些类一维海森堡模型汉密尔顿的时间演化的量子电路中存在反射对称性，这是通过量子杨-巴克斯特方程实现的，以及如何利用这种对称性来压缩和产生浅量子电路。通过这种压缩方案，量子电路的深度与步长无关，仅取决于自旋数。我们表明，对于本研究中研究的海森堡模型汉密尔顿量，压缩电路的深度严格是系统尺寸的线性函数。因此，压缩电路中的 CNOT 门数量仅与系统大小成二次方关系，这允许模拟非常大的 1D 自旋链的时间动态。我们推导出海森堡汉密尔顿量不同特殊情况的压缩电路表示。我们通过在量子计算机上进行模拟来比较并证明这种方法的有效性。
一种新的量子状态连接策略
与传统数据处理系统相比，量子图像处理因其更快的数据计算和存储速度而备受关注。将传统图像数据转换为量子域和状态标签准备的复杂性仍然是一个具有挑战性的问题。现有技术通常直接连接像素值和状态位置。最近，EFRQI（量子图像的有效灵活表示）方法使用辅助量子位，通过 Toffoli 门将表示像素的量子位连接到状态位置量子位以减少状态连接。由于每个像素连接使用两次 Toffoli 门，因此仍然需要大量位来连接每个像素值。在本文中，我们提出了一种新的 SCMFRQI（状态连接修改 FRQI）方法，通过使用重置门修改状态连接而不是重复使用相同的 Toffoli 门连接作为重置门来进一步减少所需的位数。此外，与其他现有方法不同，我们使用块级压缩图像以进一步减少所需的量子位。实验结果证实，所提出的方法在图像表示和压缩方面均优于现有方法。