XiaoMi-AI文件搜索系统
World File Search Systemgorithm
多变量孔隙压力预测的混合机学习优化算法
孔隙压力是钻孔设计中的重要数据，其准确的预测对于确保钻孔安全性和提高钻井效率是必要的。在形成特定的结构和岩性时，预测孔隙压力的传统方法受到限制。在本文中，使用机器学习算法和有效应力定理来建立岩石物理参数和孔隙压力之间的转换模型。本研究收集了三口井的数据。Well 1有881个用于模型训练的数据集，Wells 2和3具有538和464个数据集用于模型测试。在本文中，选择了支持向量机（SVM），随机森林（RF），极端梯度提升（XGB）和多层感知器（MLP）作为孔隙压力建模的机器学习算法。In addition, this paper uses the grey wolf optimization (GWO) algorithm, particle swarm optimization (PSO) algorithm, sparrow search algorithm (SSA), and bat algorithm (BA) to establish a hybrid machine learning optimization al- gorithm, and proposes an improved grey wolf optimization (IGWO) algorithm.IgWO-MLP模型通过使用5倍的交叉验证方法来获得训练数据，从而获得了最小根平方误差（RMSE）。对于井2和3井中的孔隙压力数据，SVM，RF，XGB和MLP的确定系数（R 2）为0.9930和0.9446、0.9943和0.9943和0.9472、0.9472、0.9945和0.9945和0.9488、0.9949、0.9949、0.9949和0.9949和0.9574。MLP在训练和测试数据上都达到了最佳性能，MLP模型显示出高度的概括。©2023作者。Elsevier B.V.的发布服务代表KEAI Communications Co. Ltd.表明IGWO-MLP是孔隙压力的极好预测指标，可用于预测孔隙压力。这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/ 4.0/）下的开放访问文章。
通过反强化学习的学徒学习
我们考虑在马尔可夫决策过程中学习，在马尔可夫决策过程中，我们没有明确地赋予重新功能，但是我们可以在这里遵守专家，以展示我们想学习的任务。此设置在应用程序（例如驾驶任务）中很有用，很难写下明确的奖励功能，以准确地指定应如何交易不同的desiderata。我们认为专家试图最大程度地发挥奖励功能，该奖励功能可作为已知功能的线性组合，并给出了一种学习专家所展示的任务的算法。我们的al-gorithm基于使用“逆增强学习”来试图恢复未知的奖励功能。我们表明，我们的算法终止了少数迭代，即使我们可能永远无法恢复专家的奖励功能，算法的策略也将达到与专家接近的绩效，在此，在此，相对于Expt exptt的未知奖励函数，在这里可以衡量。
变分算法中的量子经典权衡和多控制量子门分解
近期量子计算机的计算能力受到门操作的噪声执行和有限数量的物理量子比特的限制。混合变分算法非常适合近期量子设备，因为它们允许在用于解决问题的量子资源和经典资源数量之间进行广泛的权衡。本文通过研究一个具体案例——将量子近似优化算法 (QAOA) 应用于最大独立集 (MIS) 问题的实例——研究了算法和硬件层面的权衡。我们考虑了 QAOA 的三种变体，它们在算法层面根据所需的经典参数数量、量子门和所需的经典优化迭代次数提供不同的权衡。由于 MIS 是一个受约束的组合优化问题，因此 QAOA 必须尊重问题约束。这可以通过使用许多多控制门操作来实现，这些操作必须分解为目标硬件可执行的门。我们研究了该硬件级别可用的权衡，将不同本机门集的门保真度和分解效率组合成一个称为门分解成本的单一指标。
CECS 528 高级算法课程大纲
本课程旨在提供比本科阶段更深入的算法理解。重点是算法分析。算法需要分析的三个最常见方面包括其正确性、运行时间和实现运行时间的有效实现。分析正确性意味着证明算法对任何给定输入返回正确的输出。对于近似算法，它意味着证明算法与实际问题解决方案的近似程度。除了正确性之外，我们还希望证明算法返回其输出所需的时间或空间的严格上限和下限。此外，在证明这种界限时，通常必须提供支持所需时间和空间界限所需的数据结构。我们将回顾其中一些数据结构。我们以计算复杂性理论的介绍结束本课程，该理论的目标是确定任意决策问题的固有时间和空间复杂性。我们使用这个理论来确定哪些问题可能是“最难但可以有效解决”的，哪些问题可能无法有效解决。
量子计算的 Rodeo 算法
我们提出了一种随机量子计算算法，该算法可以在选定的能量区间 [ E − ϵ, E + ϵ ] 内准备量子哈密顿量的任意特征向量。为了将所有其他特征向量的谱权重降低一个抑制因子 δ ，所需的计算工作量为 O [ | log δ | / ( pϵ )] ，其中 p 是初始状态与目标特征向量的平方重叠。这种方法被我们称为 rodeo 算法，它使用辅助量子位来控制哈密顿量减去某个可调参数 E 的时间演化。对于每个辅助量子位测量，特征向量的振幅都会乘以一个随机因子，该因子取决于它们的能量与 E 的接近程度。通过这种方式，我们以测量次数的指数精度收敛到目标特征向量。除了准备特征向量外，该方法还可以计算哈密顿量的全谱。我们用几个例子来说明其性能。对于误差为ϵ 的能量特征值确定，计算规模为 O [(log ϵ ) 2 / ( pϵ )] 。对于特征态准备，计算规模为 O (log ∆ /p ) ，其中 ∆ 是残差向量正交分量的大小。特征态准备的速度比相位估计或绝热演化的速度快得多。
学习基于能量的模型与变分自动...
由于配分函数难以处理，通过最大似然法训练基于能量的模型 (EBM) 需要马尔可夫链蒙特卡罗 (MCMC) 采样来近似数据和模型分布之间的 Kullback-Leibler 散度的梯度。然而，由于模式混合困难，从 EBM 中采样并非易事。在本文中，我们提出学习变分自动编码器 (VAE) 来初始化有限步长 MCMC，例如从能量函数推导出来的朗之万动力学，以实现 EBM 的有效摊销采样。利用这些摊销的 MCMC 样本，EBM 可以通过最大似然法进行训练，这遵循“综合分析”方案；而 VAE 通过变分贝叶斯从这些 MCMC 样本中学习。我们将这种联合训练算法称为变分 MCMC 教学，其中 VAE 追逐 EBM 朝向数据分布。我们将学习算法解释为信息几何背景下的动态交替投影。我们提出的模型可以生成与 GAN 和 EBM 相当的样本。此外，我们证明了我们的模型可以学习针对监督条件学习任务的有效概率分布。
利用准双精度提高单精度：在跨尺度预测模型中实现双精度精度——大气（MP
摘要：高性能计算（HPC）的局限性严重制约着数值模型的发展。传统数值模型通常采用双精度来保证结果的准确性，但这种做法计算成本较高。虽然使用较低的精度可以大幅降低计算成本，但可能会引入舍入误差，这在特定条件下会影响精度。准双精度算法（QDP 算法）通过保留修正值来补偿这些舍入误差，从而提高结果精度。为了探究该算法对提高数值模型结果精度的有效性，本文将其应用于单精度版本的跨尺度预测模型——大气（MPAS-A），并在两个理想情况和两个真实数据案例中评估其性能。结果表明，应用QDP算法在三种情况下可使表面压力偏差分别降低68%、75%、97%和96%。与双精度试验相比，运行时间分别减少了28.6%、28.5%、21.1%和5.7%。本研究表明，QDP算法为数值模型提供了有效且经济的计算能力。
活动悬崖估计的半监督分子学习框架
机器学习（ML）实现了准确，快速的分子性能预测，这与药物发现和材料设计有关。假设相似的分子表现出紧密的特性，他们的成功基于其心脏相似性的原理。然而，活动悬崖挑战了这一原理，它们的存在导致了现有ML算法的性能，尤其是基于图的方法的急剧解脱。为了克服低数据表情况下的这一障碍，我们提出了一种新型的半监督学习（SSL）方法，称为Semimol，该方法对众多未注释的数据进行了预测，作为伪信号，以进行后续训练。具体来说，我们引入了一个附加的讲师模型来评估代理标签的准确性和可信度，因为存在伪标记的方法需要概率输出以揭示模型的置信度并且无法应用于回归任务。此外，我们设计了一个自适应课程学习al-gorithm，以逐步移动目标模型以可控的速度进行硬性样本。在30个活动悬崖数据集上进行的广泛实验表明，Semimol显着增强了基于图形的ML架构，并超过了最先进的预处理和SSL基准。
HAEM：获得更高质量的分类任务...
在有限的预算下，获得固定的分类任务集的高质量结果是众包中的一个关键问题。应探索引入人工智能模型来补充该过程。然而，现有的方法很少直接解决这个问题；现有的方法是在如何使用嘈杂的众包数据训练人工智能模型的背景下提出的。本文提出了一种更直接的方法来解决在有限的预算下引入人工智能来提高人类工作者在固定数量任务中的结果的问题；我们将人工智能模型视为同事，并汇总人类和人工智能工作者的结果。提出的“人机协同 EM”（HAEM）算法扩展了 Dawid-Skene 模型，将 AI 模型视为同事，并明确计算它们的混淆矩阵以得出更高质量的聚合结果。我们进行了大量的实验，并将 HAEM 与两种方法（MBEM 和 Dawid-Skene 模型）进行了比较。我们发现，在大多数情况下，基于 AI 的 HAEM 比 Dawid-Skene 模型表现出更好的性能，并且当 AI 模型性能不佳时，它表现出比 MBEM 更好的性能。
开发和验证两阶段卷积神经网络算法，用于分割MRI白质超强度，用于纵向研究
背景：卡达西尔（Cadasil）的白质超强度（WMH）的分割是最严重的遗传起源小脑小血管之一，具有挑战性。方法：我们根据卷积神经网络（CNN）al-gorithm进行了自动方法，并使用了132名患者获得的2D和/或3D FLAIR和T1加权图像的大数据集，以在这种情况下测量WMH的进展。结果：使用此方法测量的WMH的体积与专家验证的参考数据密切相关。WMH分割也明显改善。结合了两个连续的学习模型特别感兴趣，从而减少了假阳性体素的数量以及单级过程后检测到的分割不足的程度。使用两阶段方法，WMH进展与从参考掩模中得出的病变的度量随着年龄的增长而增加，以及与单个级别的可变WMH进展轨迹相关。我们还确认了WMH初始负载的预期影响以及MRI获取类型对此进展的测量的影响。结论：总的来说，我们的发现表明，可以通过CNN分割算法自动测量卡达西尔的WMH进展。