XiaoMi-AI文件搜索系统
World File Search System代入
对量子态的承诺
承诺量子态意味着什么？在这项工作中，我们提出了一个简单的答案：如果在承诺阶段之后，承诺状态从发送者的角度来看是隐藏的，则对量子消息的承诺是具有约束力的。我们用几个实例来说明这个新定义。我们构建了第一个非交互式简洁量子态承诺，它可以看作是量子消息的抗碰撞散列的类似物。我们还表明，任何经典消息的承诺方案都隐含着隐藏量子态承诺 (QSC)。我们所有的构造都可以基于量子密码假设，这些假设隐含在单向函数中，但可能比单向函数更弱。对量子态的承诺为许多新的加密可能性打开了大门。我们对简洁 QSC 的旗舰应用是 Kilian 简洁论证的量子通信版本，适用于任何具有具有恒定误差和多对数局部性的量子 PCP 的语言。代入 PCP 定理，这可以在比经典要求弱得多的假设下为 NP 提供简洁的论证；此外，如果量子 PCP 猜想成立，这将扩展到 QMA。我们安全性证明的核心是一种用于提取量子信息的新型倒带技术。
六氟化硫的熔化曲线
SF 6 高温形式在环境压力附近的晶格间距，从大约 94 K 到三相点都是稳定的。由于结构（体心立方）已知，因此这些数据可以转换为摩尔体积。Konstantinov 等人14 报告了最接近三相点（高达 212 K）的固体体积，但未说明测量方法。对于外推到三相点，在接近 100 K 温度下的研究（参考文献7 、 9 、 10 和 12 ）不是很有用。在图1 中，我们绘制了 150 K 以上温度的数据。Konstantinov 等人的数据之间存在细微的不一致。14 与 Taylor 和 Waugh 8 以及 Powell 11 的观点，我们还注意到该函数在这些坐标上不是完全线性的。直观地将图1 外推到三重点，我们估计体积为 64.1 cm 3 mol 2 1 ，扩展不确定度为 0.5 cm 3 mol 2 1 。将其与液体密度相结合可得出 D v m 5 15.06 cm 3 mol 2 1 ，扩展不确定度为 0.5 cm 3 mol 2 1 。将上述数字代入方程。(1) 得出斜率为 d p m /d T 5 1.56 MPa K 2 1 ，扩展 ( k 5 2) 不确定度为 0.05 MPa K 2 1（相对而言约为 3%）。这种不确定性主要由三相点处固体摩尔体积的不确定性决定。
基于集成卡尔曼滤波框架与机器学习算法的锂电池荷电状态估计
摘要：基于卡尔曼滤波（KF）框架和机器学习算法的电池等效电路模型荷电状态（SOC）估计研究相对有限，大部分研究仅针对少数几种机器学习算法，缺乏全面的分析比较，且大部分研究侧重于通过机器学习算法获取卡尔曼滤波框架算法模型的状态空间参数，再将状态空间参数代入卡尔曼滤波框架算法中进行SOC估计，此类算法耦合性强，复杂度高，实用性不强。本研究旨在将机器学习与卡尔曼滤波框架算法相结合，将五种卡尔曼滤波框架算法的输入、输出和中间变量值的不同组合作为六种主流机器学习算法的输入，估计最终的SOC。这六种主流机器学习算法包括：线性回归、支持向量回归、XGBoost、AdaBoost、随机森林、LSTM；算法耦合度较低，无需进行双向参数调整，且不涉及机器学习与卡尔曼滤波框架算法之间。结果表明，集成学习算法与纯卡尔曼滤波框架或机器学习算法相比，估计精度有显著提高。在各类集成算法中，随机森林与卡尔曼滤波框架的估计精度最高，且实时性好。因此，可以在各种工程应用中实现。
![arXiv:2005.11997v1 [physics.optics] 2020 年 5 月 25 日](/simg/g:\will\search\icon\source\0\02aee865392731274f9ef47bbb483d9a4ce97155.webp)
arXiv:2005.11997v1 [physics.optics] 2020 年 5 月 25 日
光子霍尔效应 (PHE) 早在 20 多年前就被预测 [1] 并被测量 [2]。它指的是沿垂直于入射电流和磁场的优先方向散射的电磁通量，这与电子传导中的 (异常) 霍尔效应非常相似。研究表明，PHE 源自介电米氏球单次散射中的法拉第旋转 [3]，并在纯电偶极耦合区域（瑞利区域）中消失。因此，PHE 不会发生在原子的单次光散射中，而是由多次散射 [4] 或电偶极跃迁与更高的多极子发生干涉时产生的 [5]。在最近的文献中，人们发现了许多或多或少相关的效应，例如光子自旋霍尔效应 [6–8]、光的量子自旋霍尔效应 [9]、声子霍尔效应 [10]、等离子体霍尔效应 [11] 甚至其他光子霍尔效应 [12]。在具有中心光源的散射介质中，沿 z 轴施加均匀磁场 B 0 时，PHE 表现为绕场线旋转的电流。与 PHE 相关的坡印廷矢量由 S PHE = DH b B 0 × ∇ ρ ( r , t ) 给出，其中 ρ ( r , t ) 为电磁能量密度，DH ( B 0 ) 为霍尔扩散常数，其符号由法拉第旋转方向决定。最简单的情况是考虑一个点源 P ( r , t ) = P ( t ) δ ( r )，将功率 P 注入扩散常数为 D 的无限扩散介质中。对于单次能量为 W 的辐射，P ( t ) = Wδ ( t )，我们可以代入扩散方程的著名解，得到：
扩散磁光介质的光子霍尔风轮辐射角动量
光子霍尔效应 (PHE) 早在 20 多年前就被预测 [1] 并被测量 [2]。它指的是沿垂直于入射电流和磁场的优先方向散射的电磁通量，这与电子传导中的 (异常) 霍尔效应非常相似。研究表明，PHE 源自介电米氏球单次散射中的法拉第旋转 [3]，并在纯电偶极耦合区域（瑞利区域）中消失。因此，PHE 不会发生在原子的单次光散射中，而是由多次散射 [4] 或电偶极跃迁与更高的多极子发生干涉时产生的 [5]。在最近的文献中，人们发现了许多或多或少相关的效应，例如光子自旋霍尔效应 [6–8]、光的量子自旋霍尔效应 [9]、声子霍尔效应 [10]、等离子体霍尔效应 [11] 甚至其他光子霍尔效应 [12]。在具有中心光源的散射介质中，沿 z 轴施加均匀磁场 B 0 时，PHE 表现为绕场线旋转的电流。与 PHE 相关的坡印廷矢量由 S PHE = DH b B 0 × ∇ ρ ( r , t ) 给出，其中 ρ ( r , t ) 为电磁能量密度，DH ( B 0 ) 为霍尔扩散常数，其符号由法拉第旋转方向决定。最简单的情况是考虑一个点源 P ( r , t ) = P ( t ) δ ( r )，将功率 P 注入扩散常数为 D 的无限扩散介质中。对于单次能量为 W 的辐射，P ( t ) = Wδ ( t )，我们可以代入扩散方程的著名解，得到：
用于药物发现和开发的机器学习
1. 小分子药物设计。小分子药物又称化学药物，是种类最广泛的药物。小分子药物设计分为两个阶段：从头设计和先导化合物优化。• 从头设计。从头药物设计旨在从头开始生产具有理想药理特性的新型、多样化药物分子。关键挑战是有效地遍历离散的化学空间。具体而言，为了规避药物分子的离散性质并减轻强力试错策略，[2]将离散药物分子放宽为可微分支架树 (DST)，以使基于梯度的数值优化能够直接更新可微分分子，从而实现基于梯度的药物分子优化。实证研究表明，所提出的 DST 方法具有更高的样本效率，能够在数千次评估（Oracle 调用）中识别所需的分子。Oracle 调用可以是体内实验，也可以是体外实验，而且成本总是很高。这意味着我们的方法将大大降低药物设计的成本。此外，受遗传算法优越但不稳定的性能（由于随机游走行为）的启发，强化遗传算法 [ 1 ] 被设计用于抑制随机游走行为，该算法利用强化学习对有希望的搜索分支进行优先排序并智能地导航离散空间。 生成的分子可以紧密结合与某些重大疾病密切相关的目标蛋白，例如 PDB ID 为 7l11 的靶标，它是 SARS-COV-2（2019-NCOV）主蛋白酶。 此外，为了量化不确定性并彻底探索化学空间，多约束分子采样（MIMOSA）[ 15 ]将药物设计问题公式化为从药物空间上的目标分布中抽样的采样问题。 理想的药物分子具有较大的概率，然后设计一种马尔可夫链蒙特卡洛（MCMC）方法与预训练的图神经网络相结合，从目标分布中采样。 与最强基线相比，它获得了高达 49% 的改进。 • 先导化合物优化。先导化合物优化的目的是通过改善先导化合物的药学特性（如降低毒性、改善吸收）并保持其与先导化合物的相似性来增强先导化合物（通常是从头设计中最有前途的分子）。关键挑战在于满足多个约束条件。为了明确增强相似性约束，复制和细化策略（CORE）[17]旨在利用注意机制从输入的药物分子中选择现有的子结构（子结构是基本构建块），而不是在整个子结构空间中搜索。除了在多个任务中不断改进之外，CORE 在具有稀有子结构的分子中取得了尤为出色的表现，成功率提高了 11%。此外，先导化合物优化需要输入和输出药物分子的大小保持一致。为了满足这一要求，提出了带分子奖励的深度生成模型 (MOLER) [ 14 ]，将约束条件代入学习目标中的可微损失函数中。这是一种与模型无关的方法，可以增强几乎所有深度生成模型。