XiaoMi-AI文件搜索系统
World File Search System优于
![b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'](/simg/4/4e9553780581bbfda8e4d6bb48115782efffb2a7.webp)
b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'
b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'
PCNA 的靶向降解优于化学计量抑制，导致程序性细胞死亡
靶向蛋白质降解已成为一种强大的技术 - 既是一种生物学工具，也可用于拓宽治疗性蛋白质组。作为探索这种方法对历史上难以攻克的靶标的工具，我们之前已经开发了“生物降解剂” - 靶向降解融合构建体，由与修饰的 E3 连接酶受体连接的微型蛋白质/肽组成。在此，我们通过对 Con1-SPOP 的详细研究深入了解了生物降解剂的效用和潜力，Con1-SPOP 是一种可快速降解潜在癌症靶标增殖细胞核抗原 (PCNA) 的生物降解剂。在各种环境中，活性生物降解剂 (Con1-SPOP) 在药理学上优于其化学计量（非降解）抑制剂等效物 (Con1-SPOP mut)。具体而言，除了在 2D 细胞培养和 3D 球体中具有更强的抗增殖作用外，PCNA 降解还独特地诱导了 DNA 损伤、细胞凋亡和坏死。在强力霉素 (Dox) 诱导下表达 Con1-SPOP 的稳定细胞系的整体蛋白质组学分析表明，有丝分裂受损和线粒体功能障碍是 PCNA 降解的直接后果，而化学计量抑制剂蛋白则未观察到这种影响。为了评估生物降解剂的治疗潜力，我们表明 Dox 诱导的 Con1-SPOP 在异种移植模型中实现了完全的肿瘤生长抑制。为了探索生物降解剂作为一种新型治疗方式的应用，合成了编码 Con1-SPOP 的修饰 mRNA 并将其封装到脂质纳米颗粒 (LNP) 中。该方法成功地在体外递送了 mRNA，以在应用后数小时内以纳摩尔效力耗尽内源性 PCNA。总体而言，我们的结果证明了生物降解剂作为生物工具的效用，并强调靶向降解是一种比化学计量抑制更有效的方法。最后，一旦体内递送和表达得到优化，生物降解剂就可能成为一种令人兴奋的治疗方式。
结论 定性分析显示，爱气疗法对各种患者群体都具有良好的效果。大部分研究发现，爱气疗法在平衡、疼痛、功能性活动和生活质量方面的效果优于陆地干预，与替代性水上干预相比，其效果相似。值得进一步研究。
桑塔纳 19 纤维肌痛 9 4/10 VAS FIQ 卡米洛蒂 22 背痛 29 4/10 VAS** ODI** 缩写：6MWT，6 分钟步行测试；ABC，活动特定平衡信心量表；BBS，伯格平衡量表；BDI，贝克抑郁量表；FIQ，纤维肌痛影响问卷；FSS，疲劳严重程度量表；FTSST，五次坐站测试；GDS，老年抑郁量表；MPQ（PPI/PRI），麦吉尔疼痛问卷（PPI，当前疼痛强度；PRI，当前评分指数）；MFIS（Ph/Co/PS），改良疲劳影响量表（Ph=身体，Co=-认知，PS=-社会心理）； MSIS-29-Ps/Ph，多发性硬化症影响量表-29（Ps=心理，Ph=身体）；NPRS，数字疼痛评定量表；ODI，奥斯沃斯特里残疾指数；PDQ-39，帕金森病问卷-39；PSQI，匹兹堡睡眠质量指数；SF-12，12 项简明健康调查表；SL，步幅：ST，步幅时间；STAI，状态与特质焦虑量表；TUG，计时起立行走；UPDRS，统一帕金森病评定量表；VAS，视觉模拟量表；^ 爱驰组比对照组有更好的改善，^^ 爱驰与对照组有相似的结果，^^^ 对照组比爱驰组有更好的结果，* p<0.5，** p<0.01，***p<0.001
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
电视学优于丘脑下局部田间潜力，用于帕金森氏病
1个运动障碍和神经调节单元，神经病学系，Charité-柏林大学柏林大学，柏林，柏林，柏林，10117，德国2脑调节实验室，马萨诸塞州神经外科部，马萨诸塞州综合医院，波士顿，波士顿，马萨诸塞州，马萨诸塞州，马萨诸塞州，美国3.2114 15213，美国4计算机科学系，柏林柏林技术大学，柏林，柏林，10587，德国5哈佛医学院，马萨诸塞州波士顿，02114，美国，
b'摘要。我们提出了用于解决随机子集和实例的新型经典和量子算法。首先，我们改进了 Becker-Coron-Joux 算法 (EUROCRYPT 2011)，将 e O 2 0 . 291 n 降低到 e O 2 0 . 283 n，使用更一般的表示，其值在 {\xe2\x88\x92 1 , 0 , 1 , 2 } 中。接下来，我们从几个方向改进了该问题的量子算法的最新技术。通过结合 Howgrave-Graham-Joux 算法 (EUROCRYPT 2010) 和量子搜索，我们设计了一种渐近运行时间为 e O 2 0 的算法。 236 n ，低于 Bernstein、Je\xef\xac\x80ery、Lange 和 Meurer (PQCRYPTO 2013) 提出的基于相同经典算法的量子行走成本。该算法的优势在于使用带有量子随机存取的经典存储器，而之前已知的算法使用量子行走框架，需要带有量子随机存取的量子存储器。我们还提出了用于子集和的新量子行走，其表现优于 Helm 和 May (TQC 2018) 给出的先前最佳时间复杂度 e O 2 0 . 226 n 。我们结合新技术达到时间 e O 2 0 . 216 n 。这个时间取决于 Helm 和 May 形式化的量子行走更新启发式方法，这也是之前的算法所必需的。我们展示了如何部分克服这种启发式方法，并获得了一个量子时间为 e O 2 0 的算法。 218 n 只需要标准的经典子集和启发式方法。'
b'摘要。我们提出了用于解决随机子集和实例的新型经典和量子算法。首先，我们改进了 Becker-Coron-Joux 算法 (EUROCRYPT 2011)，将 e O 2 0 . 291 n 降低到 e O 2 0 . 283 n，使用更一般的表示，其值在 {\xe2\x88\x92 1 , 0 , 1 , 2 } 中。接下来，我们从几个方向改进了该问题的量子算法的最新技术。通过结合 Howgrave-Graham-Joux 算法 (EUROCRYPT 2010) 和量子搜索，我们设计了一种渐近运行时间为 e O 2 0 的算法。 236 n ，低于 Bernstein、Je\xef\xac\x80ery、Lange 和 Meurer (PQCRYPTO 2013) 提出的基于相同经典算法的量子行走成本。该算法的优势在于使用带有量子随机存取的经典存储器，而之前已知的算法使用量子行走框架，需要带有量子随机存取的量子存储器。我们还提出了用于子集和的新量子行走，其表现优于 Helm 和 May (TQC 2018) 给出的先前最佳时间复杂度 e O 2 0 . 226 n 。我们结合新技术达到时间 e O 2 0 . 216 n 。这个时间取决于 Helm 和 May 形式化的量子行走更新启发式方法，这也是之前的算法所必需的。我们展示了如何部分克服这种启发式方法，并获得了一个量子时间为 e O 2 0 的算法。 218 n 只需要标准的经典子集和启发式方法。'
机器学习优于回归分析，以预测下赛季的美国职业棒球大联盟球员受伤：从性能和伤害趋势趋势的流行病学和13,982球员的验证，2000-2017
数据库回答复杂问题。ml是人工智能的一个子集，它使用了从经验中学习和改进的计算算法。4,11以其最简单的形式，这涉及使用一组现实世界数据来预测或估计结果。2,4,11这些数据集代表了机器然后能够使用模式认可来从或“学习”来研究和从“学习”中进行推论，以自己做出决定。4这样的结论与实际结果的测试集进行了比较，以量化算法的准确性。随着训练集中的数据的增长，测试重复的数量增加，类似于“体验式学习”，机器的算法变得更加准确和预测性。逻辑回归（LR）代表ML的最原始形式，并且经常在文献中应用。6,7但是，回归分析是静态的，不是预先的，这意味着它不会自动调节以从复杂的数据关系中“学习”，尤其是在添加更多数据输入时。这项研究代表了我们所知的第一次尝试在运动医学文献中应用复杂的ML算法，其中LR与不同的ML算法进行了比较。在这项研究中，从2000年到2017年的玩家志术，伤害和性能指标是最初的训练集，从这些训练集中，机器可以从该训练中学到的关系，以预测带有测试套件的类似概况的未来玩家的最可能结果。此外，可以正确预测损伤的解剖位置可以预防目标。我们假设，尽管有复杂的情况 - iOS会导致DL受伤和放置，但在历史损伤数据中接受培训的ML模型可能能够评估有效性高的MLB参与者的未来伤害风险。我们认为，在所有临床情况下，现代ML算法将比原始LR分析更具有代表性的模型。For the purpose of leveraging available analytics to permit data- driven injury prevention strategies and informed decisions, the objective of this study of MLB players was to (1) char- acterize the epidemiology of injury trends on the DL from 2000 to 2017, (2) determine the validity of an ML model in predicting the injury risk for the subsequent year and ana- tomic injury location, and (3) compare the performance of modern ML算法与LR分析。
体内实验表明匹伐比星对三阴性乳腺癌的疗效优于阿霉素
三阴性乳腺癌 (TNBC) 对抗雌激素和抗 HER2 疗法无反应，需要使用蒽环类、紫杉烷、环磷酰胺和铂化合物的细胞毒药物组合。多药疗法仅能实现 20-40% 的病理治愈率，这是由于药物耐药性和药物治疗可逆性心脏毒性作用导致的累积剂量限制。需要更安全、更有效的 TNBC 治疗方法才能获得持久的治疗反应。本研究描述了新型蒽环类药物匹伐比星的机制分析及其对人类原发性 TNBC 的体内疗效。匹伐比星直接激活 PKCd，触发快速的线粒体依赖性细胞凋亡，并绕过 P-糖蛋白、Bcl-2、Bcl-X L 和 Bcr-Abl 过度表达引起的耐药性。因此，对于在单层培养和肿瘤球中生长的 MDA-MB-231 和 SUM159 TNBC 细胞系，匹伐比星的细胞毒性比阿霉素更强。在植入 MDA-MB-231 人 TNBC 细胞并用匹伐比星和阿霉素的最大耐受剂量 (MTD) 治疗的原位 NSG 小鼠模型中，对匹伐比星和阿霉素的体内疗效进行了比较。通过数字卡尺测量和测定终点肿瘤重量和体积来监测肿瘤生长。通过识别心室心肌细胞中的微空泡来组织学评估终点心脏毒性。与载体治疗的肿瘤相比，用 MTD 多轮阿霉素治疗的原发性肿瘤未能抑制肿瘤生长。但是，单次 MTD 匹伐比星给药可显著抑制肿瘤生长和肿瘤消退（相对于开始治疗之前的肿瘤体积）。对接受药物和载体治疗的小鼠的心脏进行组织学分析显示，治疗剂量的匹伐比星未产生心肌损伤的证据。这些结果支持开发匹伐比星作为阿霉素更安全、更有效的替代品，用于治疗三阴性乳腺癌以及阿霉素治疗适用的其他恶性肿瘤。
卷积网络优于线性解码器......
书籍章节 卷积网络在从脊髓信号预测肌电图方面优于线性解码器 Yi Guo 1 *、Sinan Gok 2 和 Mesut Sahin 2 1 美国混合智能实验室有限责任公司 2 美国新泽西理工学院生物医学工程系神经假体实验室 *通讯作者：Yi Guo，混合智能实验室有限责任公司，加利福尼亚州威尼斯，美国 2020 年 10 月 19 日发布 本书章节是 Yi Guo 等人发表的文章的再版。于 2018 年 10 月在 Frontiers in Neuroscience 上发表。 （Guo Y、Gok S 和 Sahin M (2018) 卷积网络在预测脊髓信号中的 EMG 方面优于线性解码器。Front. Neurosci. 12:689。doi: 10.3389/fnins.2018.00689） 如何引用本书章节：Yi Guo、Sinan Gok、Mesut Sahin。卷积网络在预测脊髓信号中的 EMG 方面优于线性解码器。在：Jose Fernando Maya-Vetencourt，编辑。Prime Archives in Neuroscience。海得拉巴，印度：Vide Leaf。 2020。© 作者 2020。本文根据知识共享署名 4.0 国际许可条款发布（http://creativecommons.org/licenses/by/4.0/），允许在任何媒体中不受限制地使用、分发和复制，前提是对原始作品进行适当引用。道德声明：所有程序均经新泽西州纽瓦克市罗格斯大学机构动物护理和使用委员会 (IACUC) 批准。
PHYSICAL REVIEW E 101, 012110 (2020) 玻色子的表现优于......
随着工业革命期间蒸汽机的广泛应用，热力学作为一门物理理论应运而生，它能够描述和优化这些设备的性能 [1]。虽然现代热力学已远远超出了其原有的范围，但热机仍然是研究热力学机制的经典系统。热机不仅具有明确的实际应用，而且还为研究系统热力学性质如何演变提供了一种范例——应用范围从生物过程、气候系统到黑洞 [2-4]。量子系统受固有涨落和明显的非平衡性影响，为应用热力学框架带来了新的挑战 [5]。尽管如此，量子热机 [5,6] 为以易于理解的方式研究量子系统中的热力学行为提供了天然的基础。例如，在等容冲程中，总能通过能量的变化找到热量，就像在等熵冲程中可以通过能量的变化找到功一样 [7]。这或许可以解释为何有大量研究试图通过利用量子资源来提高发动机性能，包括相干性[8-15]、测量效应[16]、压缩储层[17-19]、量子相变[20]和量子多体效应[15,21-23]。其他研究则探讨了量子热机与经典热机之间的根本区别[24–26]、有限时间循环[13、27、28]、利用捷径实现绝热[12、22、23、29–33]、非热状态下的操作[34、35]、非马尔可夫效应[36]、磁系统[37–42]、非谐势[43]、光机械实现[44]、量子点实现[38、40、42]、二维材料中的实现[38、41]、与量子系统耦合的经典引擎[45]、量子冷却[46、47]、相对论系统[48、49]、简并效应[ 39、50]，以及