XiaoMi-AI文件搜索系统
World File Search System估计算法
分布式相位估计算法和分布式Shor算法
Shor算法是量子算法中最重要的一个，可以在多项式时间内以一定的成功概率对大整数进行因式分解，但在NISQ（Noisy Intermediate-scale Quantum）时代，Shor算法需要的量子比特数量难以承受。为了减少Shor算法所需的资源，本文首先提出了一种新的分布式相位估计算法，该算法不需要量子通信，与传统相位估计算法（非迭代版）相比，减少了单个节点的量子比特数。然后，我们应用该分布式相位估计算法，形成Shor算法的分布式寻阶算法。与传统Shor算法（非迭代版）相比，单个节点寻阶所需的最大量子比特数
针对神经教育应用的实时脑对脑同步估计算法的实现
摘要：本研究致力于创建一种实时算法，用于估计社交互动过程中的脑对脑同步，特别是在协作和竞争场景中。这种类型的算法可以在教育环境中提供有用的信息，例如在师生或学生与学生的互动中。本研究定位于神经教育和超扫描的背景下，解决了生物标记作为反馈指标的需求，这是当前教学方法中缺少的一个要素。该算法使用 Python 中的多处理函数实现双谱技术，有效地处理脑电图信号，并估计在（竞争和协作）活动期间（涉及特定认知过程）受试者之间的脑对脑同步。值得注意的差异，例如协作任务中的双谱值高于竞争任务中的双谱值，在可靠性方面表现出来，通过统计测试验证的显着结果占 33.75%。在承认进展的同时，本研究还确定了机会领域，包括嵌入式操作、更广泛的测试和改进的结果可视化。除了学术界，该算法的实用性还扩展到课堂、行业和任何涉及人际互动的场合。此外，所提出的算法是公开共享的，以方便其他研究人员实施，并且可以轻松调整到其他脑电图设备。这项研究不仅弥补了技术差距，还深入了解了互动在教育环境中的重要性。
使用新的免费锂离子电池电池数据集的基于模型的电荷和最先进的估计算法进行基准测试
摘要：锂离子电池电池的状态估计已成为许多有关电池电池不同状态的出版物的主题。他们经常专注于电池电池的充电状态（SOC）或健康状态（SOH）。因此，本文一方面介绍了一个新的锂离子电池数据集，该数据集具有有关降级的动态验证数据，另一方面，基于该数据集的基于模型的SOC和SOH估计作为参考。使用了一种基于卡尔曼 - 过滤器的方法进行SOC估计，并以整体老化模型扩展以处理SOH估计。本文描述了数据集，模型，参数化，状态估计的实现及其使用数据集的一部分验证，从而在整个电池寿命中产生SOC和SOH估计。结果表明，数据集可用于提取基于它的参数，设计模型，并用动态降级的电池单元进行验证。工作提供了一种方法和数据集，以更好地评估性能评估，适用性和可靠性调查。
量子相估计算法的一些错误分析
许多量子算法中的关键元素[21，40]。具体示例包括Shor的算法[46]，幅度估计[11]，量子大都市采样[49]，状态预先促进[44]，大规模线性方程式[25]的解决方案[25]和一些非线性问题[48]。此外，它还在量子化学中直接应用[3,5,6,9,32,43,50,52]。该算法已包含在各种软件包中[6，14，53，54]。通常使用其特征向量|为单位运算符u进行相位估计算法| ψ⟩作为输入。通过将Hadamard Gates与受控门一起应用，算法将相变的二进制位映射到计算基础上，然后可以使用倒数量子傅立叶变换来提取该列表[40]。在[40]中概述了一个有见地的复杂性分析，该分析为所需量子位的数量提供了下限，t⩾N + log 2 + 1
一种有效的带测量噪声的时变量子态在线估计算法
受在线交替方向乘法器方法 (OADM) 的启发，本文提出了一种高效的在线量子态估计 (QSE) 算法 (QSE-OADM) 用于恢复时变量子态。具体而言，在 QSE-OADM 中，密度矩阵恢复子问题和测量噪声最小化子问题被分开并分别求解，而无需迭代运行算法，这使得所提出的方法比所有先前的工作都更高效。在数值实验中，对于 4 量子比特系统，所提出的算法在 71 个样本后可以达到超过 97.57% (保真度) 的估计准确率，每次估计的平均运行时间为 (4.19±0.41)×10-4 秒，与现有的在线处理算法相比，其性能更为优越。