XiaoMi-AI文件搜索系统
World File Search Systemsolving
关于求解条件数中运行时间二次改进的正定量子线性系统类
用于解决量子线性系统 (QLS) 问题的量子算法是近年来研究最多的量子算法之一，其潜在应用包括解决计算上难以解决的微分方程和提高机器学习的速度。决定 QLS 求解器效率的一个基本参数是 κ，即系数矩阵 A 的条件数，因为自从 QLS 问题诞生以来，我们就知道，在最坏情况下，运行时间至少与 κ 呈线性关系 [1]。然而，对于正定矩阵的情况，经典算法可以求解线性系统，运行时间扩展为 √κ，与不确定的情况相比，这是一个二次改进。因此，很自然地会问 QLS 求解器是否可以获得类似的改进。在本文中，我们给出了否定的答案，表明当 A 为正定时，求解 QLS 也需要与 κ 呈线性关系的运行时间。然后，我们确定了可以规避此下限的正定 QLS 的广泛类别，并提出了两种新的量子算法，其特点是 κ 的二次加速：第一种基于有效实现 A − 1 的矩阵块编码，第二种构建形式为 A = LL † 的分解来预处理系统。这些方法适用范围广泛，并且都允许有效地解决 BQP 完全问题。
减少量子退火偏差以解决图分割问题
当以 QUBO（二次无约束二进制优化）或 Ising 形式表示时，量子退火器提供了一种计算 NP 难题高质量解决方案的有效方法。这是通过将问题映射到量子芯片的物理量子比特和耦合器上来实现的，在称为量子退火的过程之后，从中读取解决方案。然而，这个过程受到多种偏差来源的影响，包括校准不良、相邻量子比特之间的泄漏、控制偏差等，这些偏差可能会对退火结果的质量产生负面影响。在这项工作中，我们旨在通过提供一种两步方法来减轻此类偏差对解决约束优化问题的影响，并将其应用于图分区。在第一步中，我们测量并减少因实施问题约束而导致的任何偏差。在第二步中，我们将目标函数添加到约束的结果偏差校正实现中，并将问题发送给量子退火器。我们将这一概念应用于图分割，这是一个重要的 NP 难题，它要求找到一个图的顶点分割，该分割是平衡的（约束）并最小化切割尺寸（目标）。我们首先量化量子退火器上约束实现的偏差，也就是说，在无偏实现中，我们要求任何两个顶点被分配到相同或不同分区部分的可能性相同。然后，我们提出了一种迭代方法来纠正任何此类偏差。我们证明，在添加目标后，在量子退火器上解决由此产生的偏差校正的 Ising 问题可获得更高的解决方案精度。
在 PUREX 溶剂中溶解废核燃料的流程评估
本报告是由美国政府某个机构资助的工作报告。美国政府及其任何机构、巴特尔纪念研究所或其任何雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，或承担任何法律责任或义务，或保证其使用不会侵犯私有权利。本文中对任何特定商业产品、流程或服务的商品名、商标、制造商或其他方面的引用并不一定构成或暗示美国政府或其任何机构或巴特尔纪念研究所对其的认可、推荐或支持。本文中表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/d/dd5abf0752fcc9f891dc4a96743f916f96f28350.png)
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
岩性材料的机械综述：解决锂树突和前进的锂金属电池
近年来，研究界的高理论能力（3860 mA H G 1），其低氧化还原电位为3.04 V. 3,4，锂金属在基于锂金属的电池（LMB）的阳极材料（例如锂 - air – air（li – air）和lithium – lithium-sulfur（lithium）和lith-ssul（lithium – ssulfur（lithium – ssul），锂金属起着必不可少的作用。5,6尽管有前途的方面，但由于骑自行车期间锂的可逆性差而导致Li Metal作为阳极的实施引起了许多挑战。，李树突的寄生生长可能导致安全问题和腐蚀，从而导致性能丧失。7 li金属阳极也遭受无限体积波动和不稳定的固体电解质相（SEI）的形成。关于无限的体积变化，阳极承受着巨大的内部压力，促使Li Dendrites从阳极中脱离并致力于“ Dead Li Li”。3此外，LI的高度还原性使电解质在阳极表面上分解形成不稳定且脆弱的SEI，该SEI易受树突和体积波动的综合作用而崩溃。8因此，已经考虑了巨大的努力来实现Li金属作为阳极的实际使用，包括（i）用原位或原位衍生的SEI层保护Li Metal，9-11（ii）实施固态电解质（SSES），12,13
研究文章非公布问题解决和策略...
本研究旨在确定与非公布问题解决的指导对五年级学生的策略灵活性和解决问题的成功的影响。为此，设计了没有对照组的准实验性测试后设计。研究的抽样方法是方便抽样。有65名五年级（11-12岁），他们来自位于伊斯坦布尔/土耳其的两种不同类别的公立中学。学生教室中的第一位研究人员进行的指导持续了十个星期（课程20个小时）。预测试和后测试包括八个非规则问题，可以通过使用猜测和检查，制作系统列表，向后工作，寻找模式，简化问题并制定绘图策略来解决这些问题。结果表明，专注于非列表问题解决的指导可以提高学生在这一领域的策略灵活性。此外，非列治解决问题的指导与学生解决问题的成就有了显着的积极改善。基于这些结果，讨论了一些教育意义和未来研究的建议。
人工智能驱动的 CEM 如何成为解决当今问题的理想选择
当分秒必争™ 时，快速响应至关重要。人工智能驱动的 CEM 平台使用机器学习算法在大量数据中寻找模式。该算法扫描新闻、社交媒体和其他来源，并可以在几分钟内识别它们——而不是几小时或几天。
可再生能源转型与解决存储问题......
虽然这些发展是积极的，但正如其他国家所发现的那样，可再生能源在总发电量中所占份额的不断增长并非没有问题。太阳能光伏电站和海上风电场的最佳位置通常远离主要电力消耗中心，这对电网连接和输电构成了挑战。在九州和北海道等地区，高峰发电时段的可用电网容量受到限制，导致可再生能源生产商面临限电风险。在九州，地区公用事业公司和电网系统运营商已要求太阳能光伏电站运营商限制输送到电网的电量，以应对供应过剩的问题。由于这种容量限制，一些开发商的拟建太阳能光伏电站被拒绝接入电网。