XiaoMi-AI文件搜索系统
World File Search System傅聪
核物理A
RHIC STAR 光束能量扫描计划的重要目标之一是了解相对论重离子碰撞中产生的强相互作用物质的 QCD 相图。集体流现象是表征产生的 QCD 物质性质的灵敏探针 [1]。将测得的流动可观测量与模型计算进行比较，以约束状态方程 (EoS) 并理解 QCD 现象。发射粒子在动量空间中的傅里叶展开的一阶和二阶谐波分别被描述为定向流 (v 1 ) 和椭圆流 (v 2 ) [2]。v 1 和 v 2 的快度奇分量是研究碰撞早期集体动力学的灵敏探针。输运和流体动力学模型计算表明，重子与光束能量相关的负 v 1 斜率是一级相变的标志 [3, 4, 5]。预计高 p T 带电强子的 v 1 测量将对火球的初始纵向分布提供有价值的约束，并提供有关部分子路径长度相关的能量损失的想法。
核能大学能力目录 | UNENE
ALARA 尽可能低 AR 衰减反射 CASL 轻水反应堆先进模拟联盟 CHF 临界热通量 COG CANDU 业主集团 CNL 加拿大核实验室 CNSC 加拿大核安全委员会 CRD 合作研究与开发 CS 碳钢 CT 排管 CTF COBRA-TF DAS 分布式天线系统 DCPD 直流电位降 DHC 延迟氢化物裂解 DOE 能源部 EBSD 电子背散射衍射 ECCS 应急堆芯冷却系统 EDX 能量色散 X 射线 EPR 电子顺磁共振 EPRI 电力研究院 ESC 端罩冷却 ETH 瑞士联邦理工学院 FAC 流动加速腐蚀（FAC） FEG 场发射枪 FEM 有限元模型 FHS 燃料处理系统 FIB 聚焦离子束 FM 加油机 FPGA 现场可编程门阵列 FTIR 傅里叶传输红外 HCSG 螺旋线圈蒸汽发生器HQP 高素质人才 IAEA 国际原子能机构 ICP 电感耦合等离子体
量子隐式神经表征
摘要 隐式神经表征已成为表示图像和声音等信号的强大范例。这种方法旨在利用神经网络来参数化信号的隐式函数。然而，在表示隐式函数时，传统神经网络（例如基于 ReLU 的多层感知器）在准确建模信号的高频分量方面面临挑战。最近的研究开始探索使用傅里叶神经网络 (FNN) 来克服这一限制。在本文中，我们提出了量子隐式表示网络 (QIREN)，一种新的 FNN 量子泛化。此外，通过理论分析，我们证明了 QIREN 比经典 FNN 具有量子优势。最后，我们在信号表示、图像超分辨率和图像生成任务中进行了实验，以展示 QIREN 与最先进 (SOTA) 模型相比的卓越性能。我们的工作不仅将量子优势融入隐式神经表示中，而且还揭示了量子神经网络的一个有希望的应用方向。我们的代码可在 https://github.com/GGorMM1/QIREN 获得。
圣斯蒂芬教区
主显节 — — 2025 年 1 月 5 日 每日弥撒：周一至周五 — — 上午 9:00 周末义务：周六 — — 下午 4:00（和解时间：下午 3:15-3:45） 周日 — — 上午 9:00 和上午 10:30 圣日：上午 9:00 和晚上 7:00 神奇勋章九日敬礼：周四上午 9 点弥撒后。第一个星期五崇拜：上午 9 点弥撒之后到中午。 念诵玫瑰经：每周二至晚上 7 点在教堂。欢迎所有人加入。 教区成员资格：搬入教区时，请尽快登记。迁入或迁出 — — 请通知教区。 病人傅油/圣体圣事 — — 下午 4:00 在教堂弥撒后应要求进行。需要事先致电教区如果有人生病或不能出门，也请打电话给牧师。如果死亡迫在眉睫，应该叫牧师。担保人：必须是年满 16 岁、信誉良好且活跃的坚定天主教徒。如果已婚，必须在天主教堂结婚。
核能大学能力目录 | UNENE
ALARA 尽可能低 AR 衰减反射 CASL 轻水反应堆先进模拟联盟 CHF 临界热通量 COG CANDU 业主集团 CNL 加拿大核实验室 CNSC 加拿大核安全委员会 CRD 合作研究与开发 CS 碳钢 CT 排管 CTF COBRA-TF DAS 分布式天线系统 DCPD 直流电位降 DHC 延迟氢化物裂解 DOE 能源部 EBSD 电子背散射衍射 ECCS 应急堆芯冷却系统 EDX 能量色散 X 射线 EPR 电子顺磁共振 EPRI 电力研究院 ESC 端罩冷却 ETH 瑞士联邦理工学院 FAC 流动加速腐蚀 (FAC) FEG 场发射枪 FEM 有限元模型 FHS 燃料处理系统 FIB 聚焦离子束 FM 加油机 FPGA 现场可编程门阵列 FTIR 傅里叶传输红外 HCSG 螺旋线圈蒸汽发生器 HQP 高素质人员 IAEA 国际原子能机构 ICP 电感耦合等离子体
微电子和光电子制造中的激光应用 (LAMOM) XXX (LA301)
程序委员会：Craig B. Arnold，普林斯顿大学（美国）;马丁纳斯·贝雷斯纳大学南安普敦（英国）； Laura Gemini，ALPhANOV（法国）；长谷川聪，宇都宫大学中心。光学研究与教育（日本）； Guido Hennig，Daetwyler Graphics AG（瑞士）； Jürgen Ihlemann，哥廷根纳米光子研究所（德国）；伊藤佑介，大学。东京（日本）；牧村哲也，大学筑波（日本）； Inka B. Manek-Hönninger 中心激光强度与应用（法国）；卡洛斯·莫尔佩塞雷斯大学马德里理工大学（西班牙）；米格尔·莫拉莱斯，大学。马德里理工大学（西班牙）；中田芳树，大阪大学（日本）; Aiko Narazaki，日本产业技术综合研究所 (日本)；Beat Neuenschwander，伯尔尼高等技术学院 (瑞士)；Jie Qiao，罗彻斯特理工学院 (美国)；Gediminas Raciukaitis，物理科学与技术中心 (立陶宛)；Joel Schrauben，MKS 仪器公司 (美国)；Felix Sima，罗马尼亚国立激光、等离子体和辐射研究所 (罗马尼亚)；Paul Somers，卡尔斯鲁厄理工学院 (德国)；Koji Sugioka，日本理化学研究所先进光子学中心 (日本)；Mitsuhiro Terakawa，庆应义塾大学 (日本)；Onur Tokel，比尔肯特大学 (土耳其)；Xianfan Xu，普渡大学 (美国)
完善脑部扫描：新视野 - Philippe Ciuciu 1,2
缩短采集时间一直是高分辨率 MRI 面临的一大挑战，而压缩感知 (CS) 理论已成功解决了这一问题。然而，大多数傅里叶编码方案都对现有的 k 空间轨迹进行了欠采样，不幸的是，这些轨迹永远无法充分编码所有必要的信息。最近，我的团队通过提出用于快速 K 空间采样的扩散投影算法 (SPARKLING) 解决了这一关键问题，该算法用于 3 和 7 特斯拉 (T) [1,2] 下的 2D/3D 非笛卡尔 T2* 和磁化率加权成像。在演讲的前半部分，我将介绍这些进展，展示有趣的临床应用，并演示我们如何采用这种方法来解决 7T 下的高分辨率功能和代谢（钠 23 Na）MR 成像——这是一项非常具有挑战性的任务。此外，我将解释如何使用 SPARKLING 欠采样策略来内部估计静态 B0 场不均匀性，这是避免在校正由于这些不均匀性而导致的非共振伪影之前需要进行额外扫描的必要组成部分。
量子开关在广义承诺问题中的实际计算优势
量子开关是一种量子计算原语，通过应用叠加阶运算来提供计算优势。特别是，它可以减少解决承诺问题所需的门查询次数，当目标是区分给定一组酉门的一组属性时。在这项工作中，我们使用复阿达玛矩阵来引入更一般的承诺问题，这将问题归结为已知的傅里叶和阿达玛承诺问题作为极限情况。我们的概括放宽了对矩阵大小、门数和量子系统维数的限制，提供了更多参数供探索。此外，它得出结论，连续变量系统对于实现最一般的承诺问题是必不可少的。在有限维情况下，矩阵族被限制为所谓的 Butson-Hadamard 类型，并且矩阵的复杂性作为约束进入。我们引入了“每个门查询”参数，并用它来证明量子开关在连续和离散情况下都具有计算优势。我们的结果应该会启发使用量子开关实现承诺问题，其中可以更自由地选择参数，因此可以更自由地选择实验设置。
![arXiv:2308.09691v1 [stat.ML] 2023 年 8 月 18 日](/simg/d\d8f20fab612b7d2ade343c615666dc1c91262f27.webp)
arXiv:2308.09691v1 [stat.ML] 2023 年 8 月 18 日
先进制造 (AM) 因其在核材料上的潜在应用而引起了核界的极大兴趣。一个挑战是通过在运行时控制制造过程来获得所需的材料特性。基于深度强化学习 (DRL) 的智能 AM 依赖于自动化过程级控制机制来生成最佳设计变量和自适应系统设置，以改善最终产品特性。爱达荷国家实验室 (INL) 最近在 MOOSE 框架内开发了一种用于直接能量沉积的高保真热机械模型。这项工作的目标是为这种基于 MOOSE 的 AM 模型开发一个准确且快速运行的降阶模型 (ROM)，该模型可用于基于 DRL 的过程控制和优化方法。由于基于算子学习 (OL) 的方法能够学习一组微分方程，在本研究中，这些方程是通过改变激光高斯点热源中的工艺变量而产生的，因此将采用这些方法。我们将使用傅里叶神经算子开发基于 OL 的 ROM，并对其性能与传统的基于深度神经网络的 ROM 进行基准比较。
![arXiv:2002.00055v1 [quant-ph] 2020 年 1 月 31 日](/simg/9\91ebbe9463b032ced4d367ffe5c86aa9d50715e1.webp)
arXiv:2002.00055v1 [quant-ph] 2020 年 1 月 31 日
准备吉布斯分布是量子计算的一项重要任务。它是某些类型的量子模拟中必要的第一步，并且对于量子玻尔兹曼训练等量子算法至关重要。尽管如此，由于需要内存开销，大多数用于准备热态的方法在近期的量子计算机上都无法实现。在这里，我们提出了一种基于最小化量子系统自由能的变分方法来准备吉布斯态。使这种方法实用的关键见解是使用对数的傅里叶级数近似，从而可以通过一系列更简单的测量来估计自由能的熵分量，这些测量可以使用经典的后处理结合在一起。我们进一步表明，如果可编程量子电路的变分参数的初始猜测足够接近全局最优值，则这种方法可以有效地在恒定误差内生成高温吉布斯态。最后，我们用数字方式检验了该过程，并证明了使用 Trotterized 绝热态准备作为假设，我们的方法对于五量子比特汉密尔顿量的可行性。