XiaoMi-AI文件搜索系统
World File Search Systemsimulations
观察和模拟新的抢断密度 -
由于降雪过程漂移，极时间和时间上的极性环境中的积雪积聚和表面密度是可变的。我们提供了手动测量的新现场数据，重复限制激光扫描以及来自南极洲的莫德土地的雪微小测量法，显示了新的积雪积累的密度。我们将这些数据与已发表的漂流降雪观测值结合起来，以评估1-D，详细的，基于物理的雪覆盖模型的雪计划，以表示降雪和表面密度的漂移。对于有多年数据的东部南极洲的两个地点，我们发现了模拟的降雪r 2 = 0.42和r 2 = 0.50的测定系数。场观测表明，在低风条件下存在低密度积雪。连续的高风速事件通常会侵蚀这些低密度层，同时产生具有几米典型的长度尺度的空间可变侵蚀/沉积模式。我们发现，能够在低风速条件下积累低密度积雪的模型设置，以及随后在降雪事件中较高密度下的降雪侵蚀和重新沉积，大多数人能够描述该田间表面密度的观察到的时间变化。
通过时间异步和程序连接的活动跟踪实现大型神经网络模拟的可扩展性
图 2：混合算法 [19]（图 (a) 和 (b)）和 ATiTA(P)（图 (c) 和 (d)）的示意图。图 (a) 和 (c) 代表神经网络的观点，而 PU 的观点则显示在图 (b) 和 (d) 中。由于膜电位或强度的整合，所有地方的脉冲都用红色表示，突触传递事件用橙色表示，下一个脉冲的预测用绿色表示。对于 ATiTA(P)，灰色也表示计算后丢弃的潜在脉冲。在 (a) 中，由于大小为 T com 的突触延迟，下一个大小为 T com 的容器中的神经元会接收脉冲，然后对其进行整合以计算膜电位。在 (b) 中，每个 PU 的计算都是按大小为 T com 的容器进行的，并且需要在每个 T com 进行同步。根据 PU 的数量，一些 PU 可能会等待其他 PU，而不会在每个线程上进行大量计算，因此它们的负载较低。在 (c) 中，对于 ATiTA(P)，在网络级别使用离散事件方法：计算会跳转到下一个潜在尖峰。最小的尖峰被保留为实际的下一个尖峰。然后，仅对突触后神经元进行突触传递、相应强度的更新和下一个潜在尖峰的新计算。在 (d) 中，(c) 的不同操作按单个线程在单个 PU 上执行的连续操作的顺序排列，因此单个 PU 会随着时间的推移满负荷运行。请注意，两种算法（混合算法和 ATiTA(P)）都具有时间精度，可以是经典的数值精度 10 15，从这个意义上讲，它们都计算连续时间。
蒙特卡洛后处理，用于辐射磁盘的辐射水力模拟
本文是一系列研究，该系列研究了从其新生的原始磁盘（PPD）中积聚的行星的观察性外观。我们评估了在辐射流体动力（RHD）类似物中确定的气温分布与通过蒙特卡洛（MC）辐射转运（RT）方案重新计算的差异。我们的MCRT模拟是针对全局PPD模型进行的，每个模型由嵌入在轴对称全局磁盘模拟中的局部3D高分辨率RHD模型组成。我们报告了两种方法之间的一致性水平，并指出了几个警告，这些警告阻止了温度分布与我们各自的选择方法之间的完美匹配。总体而言，一致性水平很高，高分辨率区域的RHD和MCRT温度之间的典型差异仅为10％。最大的差异接近磁盘光球，光学密集区域和薄区域以及PPD的遥远区域之间的过渡层，偶尔超过40％的值。我们确定了这些差异的几个原因，这些原因主要与用于流体动力模拟（角度和频率平衡以及散射）和MCRT方法（忽略内部能量对流和压缩和扩展工作的典型辐射转移求解器的一般特征有关）。这提供了一种清晰的途径，以减少未来工作中系统的温度不准确。基于MCRT模拟，我们最终确定了整个PPD的通量估计值的预期误差和从其环境磁盘中积聚气体的行星的预期误差，而与山相中的气体堆积量和使用模型分辨率无关。
使用 3D 量子 TCAD 模拟解释在 1.4 K 下获取的 28 nm FD-SOI 量子点传输数据
摘要 — 采用标准制造技术制造的纳米级 CMOS 量子点器件在低温下的可靠运行对于量子计算应用至关重要。我们研究了使用意法半导体标准制造工艺在极低温度下制造的超薄体和埋氧 (UTBB) 全耗尽绝缘体上硅 (FD-SOI) 量子点器件的行为。使用 Nanoacademic Technologies 最近开发的 3D 量子技术计算机辅助设计 (QTCAD) 软件模拟和分析了量子点器件的性能，实现了低至 1.4 K 的收敛。在本文中，我们介绍了这项工作的初步模拟结果，并将其与从同一器件的测量中收集的实际实验数据进行了比较。关键词-FD-SOI CMOS、硅量子点、量子计算、3D TCAD 模拟、低温
使用 3D 量子 TCAD 模拟解释在 1.4 K 下获取的 28 nm FD-SOI 量子点传输数据
采用标准制造技术制造的纳米级 CMOS 量子点器件在低温下可靠运行对于量子计算应用至关重要。我们研究了使用意法半导体标准制造工艺制造的超薄体和埋氧 (UTBB) 全耗尽绝缘体上硅 (FD-SOI) 量子点器件的极低温行为。使用 Nanoacademic Technologies 最近开发的 3D 量子技术计算机辅助设计 (QTCAD) 软件模拟和分析了量子点器件的性能，实现了低至 1.4 K 的收敛。在本文中，我们介绍了这项工作的初步模拟结果，并将其与从具有相同几何形状的设备测量中收集的实验数据进行了比较。2. 简介量子计算机使用量子位 (qubit) 作为其构建块，有望利用量子力学在各种传统技术上提供颠覆性优势。硅中的量子点为实现物理量子位提供了一种有前途的方法。在这种架构中，量子信息被编码到量子点内单个电子或空穴的自旋中[1, 2]。
深低温下 FDSOI 器件的 TCAD 模拟
摘要 — 本文证明了在深低温下 FDSOI 器件 TCAD 模拟的可行性。为此，麦克斯韦-玻尔兹曼载流子统计被具有 3D 态密度的费米-狄拉克积分的解析近似所取代。通过求解二维泊松方程来研究器件静电，而使用漂移扩散模型模拟传输。我们探讨了温度对线性和饱和区器件性能的影响以及短沟道效应的影响，这些影响考虑了各种栅极和间隔物长度、室温和深低温。最后，将得到的结果与一些实验数据进行了比较，强调了 TCAD 模拟在提供器件物理和性能见解方面的作用。关键词 — 低温电子学、FDSOI、TCAD 模拟
蒙特卡洛模拟预测了智商高和低智商的个体中不同的实际脑电图模式
Monte Carlo simulations predict distinct real EEG patterns in individuals with high and low IQs Arturo Tozzi (corresponding author) Center for Nonlinear Science, Department of Physics, University of North Texas, Denton, Texas, USA 1155 Union Circle, #311427 Denton, TX 76203-5017 USA tozziarturo@libero.it ABSTRACT The neural mechanisms underlying individual differences in intelligence are神经科学的主要重点。我们研究了蒙特卡洛模拟在预测实际脑电图模式和识别智力高和低智力个人之间潜在的神经差异方面的有效性。EEG数据是从IQ分类的两组志愿者中收集的，即高IQ组和一个低IQ组。使用最大似然估计将单变量的正态分布拟合到每个EEG通道，然后根据估计参数生成合成数据集。统计分析在内，包括均方根误差（RMSE）计算评估了真实数据和模拟数据之间的比对。我们表明，蒙特卡洛模拟有效地复制了来自两个组的脑电图数据的统计特性，与实际的中心趋势，可变性和整体分布形状非常匹配。特定的脑电图通道，尤其是在额叶和颞两侧区域，两组之间表现出显着差异，指出了潜在的认知能力神经标记。此外，低IQ组表现出更高的可预测性和更一致的神经模式，这反映出较低的RMSE值和几个EEG通道之间的较小标准偏差。lu等。相反，高IQ组显示出更大的可变性和更大的RMSE值，反映了复杂的神经动力学，而复杂的神经动力学通过Monte Carlo Simulations不太可预测。我们的发现强调了蒙特卡洛模拟作为复制脑电图模式，识别认知差异并预测与智能水平相关的脑电图活动的强大工具的实用性。这些见解可以为有针对性认知增强的预测建模，神经认知研究，教育策略和临床干预提供信息。关键字：统计分析；奇怪的任务；合成数据集；脑电图通道。引言探索智力智能的神经机制一直是认知神经科学研究的主要重点。脑电图（EEG）提供了评估认知能力差异的独特见解，包括不同智能水平的个人之间的区别（Friedman等，2019）。具有高度分辨率，非侵入性脑电图评估了同步，复杂性和网络效率之间的相互作用（Van Dellen等，2015）。例如，较高的智商与减少的长距离脑电图信息流和增强的局部处理效率相关联，支持小世界模型（Thatcher等，2016）。额外区域的短脑段延误和增加的连贯性与较高的智力相关，强调了额叶同步的作用（Thatcher等，2005）。Microstate动力学的变化与液体智能及其在认知训练后的增强有关（Santarnecchi等，2017）。静止状态的脑电图研究进一步探索了与智能相关的差异，报告了更聪明的个体中alpha和beta频段中静态间的平衡（Jahidin等，2013）。此外，已经证明，智商与脑电图的能量有负相关，但与特定频率下的信息流强度呈正相关，这强调了效率在神经通信中的作用（Luo等，2021）。（2022）发现，流体智能较高的人会更灵活地分配注意力资源，尤其是在复杂的任务中，如Theta和Alpha EEG活动所反映的那样。在一起，这些发现强调了脑电图在评估智力机制中的实用性，从而揭示了神经效率，半球间协调和适应性资源分配的一致模式。相反，由于脑电图数据的固有可变性，高维度和对噪声的敏感性，对脑电图数据的分析提出了重大挑战（Hassani等，2015）。要应对这些挑战并增强我们建模和预测脑电图模式的能力，需要先进的统计和计算方法。蒙特卡洛模拟已在各种科学学科中广泛使用，为受可变性和不确定性影响的复杂系统建模提供了强大的框架（Metropolis和Ulam，1949； Rubinstein and Kroese，2016）。通过利用从观察到的数据得出的统计特性，蒙特卡洛模拟产生了可能反映现实世界行为的合成数据集（Salvadori等，2024； Jones and Fleming，2024）。一种蒙特卡洛方法可能特别适合脑电图数据，因为它允许研究人员探索和复制神经动力学，而无需大量的实验数据收集。蒙特卡洛方法已应用于神经科学中以模拟和分析
用于材料模拟的 Wannier 函数软件生态系统
扩展系统（晶体和无序系统）并可用于理解化学键合；表征电极化、磁化和拓扑；并作为最佳基组，在倒易空间或实空间中提供精确插值。本综述总结了当前基于 Wannier 函数的技术、材料特性和模拟代码的概况，这些技术、材料特性和模拟代码已向研究界开放，现已很好地集成到所谓的 Wannier 函数软件生态系统中。首先，介绍 Wannier 函数的理论和实用性，从它们广泛的适用领域开始，适用于使用最大局部化以外的替代方法的高级最小化方法。然后定义了 Wannier 生态系统的概念及其与许多量子模拟引擎和后处理包的交互和互操作性。本评论重点介绍了这种生态系统所赋予的一些关键特性和功能（从带插值和大规模模拟到电子传输、浆果学、拓扑、电子-声子耦合、动态平均场理论、嵌入和 Koopmans 函数），最后总结了互操作性和自动化的现状。本评论旨在强调代码背后的基本理论和概念，同时提及更深入的参考文献。它还阐明了代码之间的关系和联系，以及在相关情况下，其开发策略背后的不同动机和目标。最后，展望了未来的发展，并对整个软件生态系统的生物多样性和可持续性目标发表了评论。
评估CMIP6地球系统中的全球火灾模拟...
1国际气候与环境科学中心，大气物理研究所，中国科学院，北京，北京，100029，中国2，中国2号地理与环境科学系，读书大学，雷丁大学，RG6 6AB，英国3号，英国3号，耶鲁大学，纽黑文，纽黑文，New Haven，New Haven，ct 06511，美国4个州钥匙实验室，用于综合氛围，并进行杂种综合氛围。中国科学院物理学，北京，100029，中国5大气，气候和地球科学司，西北地区西北国家实验室，华盛顿州里奇兰市99354，美国6 Norce Norce Norwegian Research Center和Bjerknes Center for Bergen Center for Bergen，伯格宾，伯格尼，5838，Norway Norway Nerway Centerniquiquiquiquiquiquique，Dequiquiquique te Recuouse te re use ter te uooter te ter te ter ter te uooter， Météo-France，CNRS，Toulouse，31000，法国8瑞典气象与水文研究所（SMHI）（SMHI），Norrköping，60176，瑞典9 Karen Clark＆Company，波士顿，马萨诸塞州波士顿，马萨诸塞州02116，美国10号，美国科学和技术学院，诺维利亚科学和技术部，Norwem and Ecosement and Ecosement and Ecomention and 7419。隆德大学，隆德，22362，瑞典12气候和全球动力学实验室，国家大气研究中心，博尔德，CO 80305，美国