XiaoMi-AI文件搜索系统
World File Search Systemsolvers
Innovision Magazine（1月）
在迅速发展的技术，机器人技术和人工智能（AI）中，已成为变革力量，塑造行业，生活方式和工作的未来。机器人技术不仅仅是一个主题。它是通往未来的门户，使学生能够成为技术不断发展的技术领域的创新者，问题解决者和领导者。认识到它们的重要性，G.K。古鲁库尔（Gurukul）通过引入机器人技术作为所有学生的强制性主题，采取了突破性的一步。为了确保成功实施该主题，我们的学校与技术教育领域的领先组织Omotec合作。他们的持续支持，资源和指导在丰富学习体验中起着至关重要的作用。Omotec还可以帮助我们展示学生在展览和比赛中的才能。
填字游戏线索答案检索和排序的多策略方法
填字游戏 (CP) 解析是一种流行的游戏。与几乎所有其他人类游戏一样，可以自动解决这个问题。CP 求解器将其纳入约束满足任务，其目标是最大限度地提高用与线索一致并与谜题方案连贯的答案填充网格的概率。这些系统（Littman 等人，2002 年；Ernandes 等人，2005 年；Ginsberg，2011 年）严重依赖于每个线索的候选答案列表。候选答案的质量对 CP 解析至关重要。如果正确答案不在候选列表中，则无法正确解答填字游戏。此外，即使是排名较差的正确答案也会导致填字游戏填写失败。答案列表可以来自多个求解器，其中每个求解器通常专门解决不同类型的线索，和/或利用不同的信息来源。此类列表主要通过两种技术检索：（1）使用线索表示通过搜索引擎查询网络；（2）查询包含先前回答过的线索的线索-答案数据库。在本文中，我们专注于后者。在从线索-答案知识源中检索候选答案的问题中，答案根据查询线索与数据库中的线索之间的相似性进行排序。相似性由搜索引擎提供，搜索引擎为每个检索到的答案分配一个分数。已经实施了几种方法，通过学习排序策略对候选列表进行重新排序（Barlacchi 等人，2014a；Barlacchi 等人，2014b；Nicosia 等人，2015；Nicosia 和 Moschitti，2016；Severyn 等人，2015）。这些方法需要一个训练阶段来学习如何排序，并且大多数情况下在重新排序方面有所不同。
迈向利用量子计算机解决优化问题的自动化框架
摘要 — 利用量子计算机优化目标函数将带来巨大好处，有望在未来提高各个应用领域的解决方案质量。然而，要发挥量子求解器的潜力，就必须根据二次无约束二元优化 (QUBO) 模型来制定问题，这需要具备丰富的量子计算和 QUBO 公式专业知识。这种专业知识障碍限制了量子解决方案的获取。幸运的是，将传统优化问题自动转换为 QUBO 公式为提高量子求解器的可访问性提供了一种解决方案。本文解决了尚未满足的全面自动化框架需求，该框架可帮助用户利用量子求解器进行优化任务，同时保留与传统优化实践非常相似的界面。该框架提示用户指定变量、优化标准以及有效性约束，然后允许他们选择所需的求解器。随后，它会自动将问题描述转换为与所选求解器兼容的格式并提供最终解决方案。此外，该框架还提供了分析解决方案有效性和质量的工具。与文献中现有的库和工具的比较分析突出了所提框架的全面性。考虑了两个用例（背包问题和线性回归）来显示该框架在实际应用中的完整性和效率。最后，所提出的框架代表了在自动化量子计算解决方案和扩大更广泛用户对量子优化的访问方面取得的重大进步。该框架作为 Munich Quantum Toolkit (MQT) 的一部分在 GitHub (https://github. com/cda-tum/mqt-qao) 上公开提供。索引术语 —QUBO、量子计算、设计自动化、量子优化、量子退火器、量子近似优化算法、变分量子特征求解器、Grover 自适应搜索
最优功率流导出的稀疏线性求解器基准
由于电网的变化性质，能够在大型电网中求解高保真最优潮流模型变得越来越重要。这种高保真问题称为交流最优潮流 (ACOPF)，是一个非线性、非凸优化问题。解决此类问题的少数可靠方法之一是内点法。这些方法会产生稀疏线性系统，其中系数矩阵是对称的、不确定的并且通常是病态的。因此，它们对于稀疏线性求解器来说尤其具有挑战性，并且代表了求解 ACOPF 问题时相当大的计算瓶颈。在本文中，我们介绍了一个线性系统存储库，该存储库由开源优化器 IPOPT 求解 ACOPF 问题时捕获。这些矩阵旨在用作稀疏线性求解器开发的测试套件。
不确定性下的轨迹计划的连续时间最佳控制
摘要。本文提出了连续的时间最佳控制框架 - 在不确定性驱动方案中生成参考轨迹的工作。先前的工作[1]提出了一个自动驾驶汽车的离散时间随机代理。这些结果扩展到连续的时间，以确保在实时设置中发电机的鲁棒性。我们表明，连续时间的随机模型可以通过产生更好的结果来捕获信息的不确定性，从而限制了与离散方法相比，违反问题限制的风险。动态求解器提供更快的计算，而连续的时间模型比离散时间模型更适合多种多样的驾驶场景，因为它可以处理进一步的时间范围，这可以在城市驾驶场景的框架之外进行轨迹计划。
2023-2028年战略行动计划
当我们将学术学科和研究方法带入课堂或通过相关的外部活动和机会时，我们的学生将获得关键优势。为了在课堂上保持最新状态，研究和创造性活动必不可少，这些努力最能为学生提供指导，帮助他们成为未来的专业人士。我们的学生要在学术卓越方面取得全面成功，需要具备必要的设施，包括支持良好的图书馆，这是支持研究/创造性活动和教学/学习方面学术卓越的关键因素。创新、文化响应、准备充分的教师队伍以及适当的支持设施将为康涅狄格州的下一代企业家、社区领袖、创新者和问题解决者提供最好的服务。
物理（物理）
物理5350。计算物理学简介。（3个学分）计算物理学简介，包括C，C ++和Python中的编程。主题包括普通微分方程，有限的差异和稳定性分析，在超过一个维度中的部分微分方程（例如Schroedinger和扩散方程）的数值解决方案，Krylov空间方法（例如，特征系统溶解器和Matrix Inversion）和Monte Carlo集成。可以涵盖介绍性机器学习和高性能计算方法。编写代码以解决物理和天体物理学选定领域的当前问题。注册要求：建议准备：Python，C，C ++，UNIX。查看类（https://catalog.uconn.edu/course-search/？详细信息和代码= Phys％205350）
半正定规划与量子信息
摘要 本文全面探讨了量子信息背景下的半正定规划 (SDP) 技术。它研究了凸优化、对偶和 SDP 公式的数学基础，为解决量子系统中的优化挑战提供了坚实的理论框架。通过利用这些工具，研究人员和从业者可以表征经典和量子相关性、优化量子态并设计高效的量子算法和协议。本文还讨论了实现方面，例如 SDP 求解器和建模工具，从而能够在量子信息处理中有效使用优化技术。本文提出的见解和方法已被证明有助于推动量子信息领域的发展，促进新型通信协议、自测试方法的开发以及对量子纠缠的更深入了解。