XiaoMi-AI文件搜索系统
World File Search System初步实验
Bluesky-Gym：空中交通应用的加固学习环境
摘要 - 强化学习（RL）正在迅速成为空中交通管理和控制（ATM/ATC）中的主要研究方向。许多国际财团和个人作品都探索了其对不同ATC和U空间 / Urban Aircraft系统交通管理（UTM）任务的适用性，例如合并交通流，成功的水平有所不同。但是，迄今为止，还没有比较这些RL技术的共同基础，许多研究方从头开始构建自己的模拟器和场景。这可能会降低这项研究的价值，因为算法的性能无法轻易验证，也不能与其他实现相比。从长远来看，这会阻碍发展。体育馆图书馆显示了其他研究领域的库，可以通过提供一组标准化环境来解决，这些环境可用于测试不同的算法，并将它们与基准结果进行比较。本文提出了Bluesky-gym：为航空域提供类似的测试环境的库，建立在现有的开源空中交通模拟器Bluesky上。当前的Bluesky-Gym环境从垂直下降环境到静态障碍物和交通流量的合并。建立在体育馆API和Bluesky空中交通模拟器上，为ATC特定的RL性能基准提供了开源解决方案。在Bluesky-Gym的初始发布中，提出了7个功能环境。本文提出了PPO，SAC，DDPG和TD3的初步实验。结果表明，在所有环境中都具有默认超参数的所有环境。在某些环境中，出现较大的性能差距，并且在政策PPO上经常落后，但总的来说，没有明确的算法在总奖励方面超过了其他人的表现。关键字 - 空气流量管理（ATM），增强学习，自动化，基准测试，人工智能
微型原子磁传感器在军事系统中的应用
新一代微型超高灵敏度原子磁强计正在开发中，并被集成到军事系统中。这些新系统汇集了微机电系统、原子物理学、光学、电磁学和数据采集方法方面的进步，在总磁场灵敏度方面实现了创纪录级别的性能，同时实现了尺寸、重量和功率的大幅降低。非常小规模的传感器（大约几立方厘米）已经在标量和矢量模式下进行了演示，并集成到各种国防应用的设计中。我们的工作重点是将这些传感器实际集成到操作平台中。在工作环境中使用这些传感器有许多意义，例如优化信噪比、检测概率和误报缓解。开发在地球磁场中有效运行的工作传感器模块和平台以用于各种军事目标检测、定位和特性描述任务的挑战是巨大的。我们研究了平台和环境噪声的缓解以及传感器阵列和相关数据采集系统的开发。除了建模和模拟之外，我们还通过初步实验数据研究了传统低频磁力测量的变化和增强。特别是，我们讨论了传感器控制、目标地理定位和数据处理的独特部署概念。重点放在针对平台子集（小型无人地面、无人水下和无人驾驶飞行器）和感兴趣的目标定制的具有特定带宽灵敏度的原型上。应用包括用于海底和地下威胁检测的配置 - 特别是与固定或移动爆炸物和紧凑金属目标（如弹药、简易威胁装置、潜艇和其他危险物体）相关的配置。我们展示了微型磁传感器的当前和未来功能的潜力，包括非常高的磁场灵敏度、带宽选择性、源场控制和阵列处理。
使用单次水下弹性 - 拉曼激光雷达
摘要：LIDAR已成为水中垂直分析光学参数的有前途的技术。单光子技术的应用使紧凑型海洋激光雷达系统的发展，促进了其在水下部署。这对于进行空气海界面上没有干扰的海洋观测至关重要。然而，同时在532 nm（βM）处于180°处的体积散射函数，而在弹性反向散发信号中，在532 nm（k m激光拉尔）处的激光雷达衰减系数仍然具有挑战性，尤其是在几何近距离信号中受到了几何形状重叠因子（GOF）的影响。为了应对这一挑战，这项工作提出了添加拉曼通道，使用单光子检测获得了拉曼反向散射的轮廓。通过用拉曼信号将弹性反向散射信号归一化，归一化信号对激光雷达衰减系数变化的敏感性大大降低。这允许将扰动方法应用于反转βM并随后获得K M LIDAR。此外，可以降低GOF和激光功率中波动对反转的影响。为了进一步提高分层水体的反转算法的准确性，提出了迭代算法。此外，由于激光雷达的光望远镜采用了一个小的光圈和狭窄的视野设计，因此K M LIDAR倾向于在532 nm处的光束衰减系数（C M）。使用Monte Carlo模拟，建立了C M和K M LIDAR之间的关系，从而允许C M衍生物来自K M LIDAR。最后，通过反演误差分析来验证该算法的可行性。通过在水箱中进行的初步实验来验证LiDAR系统的鲁棒性和算法的有效性。这些结果表明，LIDAR可以准确地介绍水的光学参数，从而有助于研究海洋中的颗粒有机碳（POC）。
CRUISE 关于推荐系统中特征选择的量子计算
协同过滤技术[1,2]根据用户行为模式和物品特征预测潜在的用户-物品交互，广泛应用于推荐算法中，该领域的一些著名技术包括矩阵分解方法[3]、基于邻域的方法[4]、深度学习方法[5,6]、基于图的技术[7,8]、因式分解机[9]、混合方法[10]、贝叶斯方法[11]和大型语言模型（LLM）[12]。然而，协同过滤技术[1]严重依赖于数据的质量。例如，使用用户个人资料、物品特征、评论、图像和其他信息可以显著提高推荐算法的性能，但在某些情况下，也会降低其性能。因此，区分哪些信息对推荐有用至关重要，这有助于构建高效的系统并降低能耗[13、14、15、16]。量子计算机利用量子比特和叠加、纠缠、量子隧穿等量子效应，是从冗余数据中识别有用信息的有效工具[17]。它显著提高了搜索问题和大整数分解的处理速度[18]。因此，在本文中，我们旨在利用量子计算技术寻找对推荐有用的特征。我们的目标是通过识别和利用相关数据来提高推荐系统的效率和准确性，从而降低计算要求和能耗[18、19、20]。在 QuantumCLEF 2024 中，我们专注于任务 1B，其中为每个项目分别提供 150 和 500 个特征[21、22]。我们将分析这些特征以提取与推荐系统最相关的特征。该任务要求参与者使用量子退火和模拟退火从给定数据中选择合适的特征，用于基于项目的 KNN 推荐算法（Item-KNN）。组织者提供了一个使用互信息进行特征选择的示例 [18]。但是，我们的初步实验表明，与使用所有特征而不进行任何选择相比，仅使用互信息进行特征选择对 Item-KNN 性能的改善有限。这是因为互信息仅反映两个变量之间的相互关系，与推荐算法的最终目标无关。因此，
马克·科博斯上校 第一太空旅指挥官 美国陆军太空与导弹防御司令部 马克·科博斯上校出生并成长于德克萨斯州埃尔帕索。他
马克·科博斯上校 第一太空旅指挥官 美国陆军空间与导弹防御司令部 马克·科博斯上校出生并成长于德克萨斯州埃尔帕索。2000 年从美国军事学院毕业后，他被任命为工程师，2008 年成为陆军空间作战军官。科博斯上校曾参与支持联合锻造行动（波斯尼亚）、伊拉克自由行动（伊拉克，三次）和持久自由行动（阿富汗）。科博斯上校曾率领陆军多次从太空、穿过太空和进入太空作战，包括在第一太空旅担任营长、作战军官和支队指挥官。他还曾指挥第 3 步兵师的一个工兵连，并领导第 10 山地师的工兵排。科博斯上校最近担任联合功能部件司令部综合导弹防御副指挥官和美国太空司令部 J35 未来行动负责人。他还曾在联合参谋部 J5 任职，帮助领导联合参谋部建立美国太空司令部，并为国家安全委员会、国家空间委员会和国防部政策副部长办公室的太空相关举措和战略做出军事贡献。之前的其他参谋职务包括陆军空间实验和军事游戏部门负责人，协助进行联合跨部门联合空间作战中心（现为国家空间防御中心）的初步实验；美国陆军空间与导弹防御司令部指挥官的副官；以及巴基斯坦/阿富汗协调和向阿富汗喀布尔国际安全援助部队总部“坚决支援行动”过渡的战役策划员。科博斯上校拥有西点军校国际关系理学学士学位、密苏里大学罗拉分校地质学和地球物理学理学硕士学位、美国陆军高级军事研究学院军事艺术与科学硕士学位以及国家战争学院国家安全战略理学硕士学位。科博斯上校已婚，有两个孩子。
量子自然语言处理中的密度矩阵方法
尽管向量是计算编码单词含义最常用的结构，但它们无法表示对潜在含义的不确定性。模糊词可以通过其各种可能含义的概率分布来最好地描述。将它们放在上下文中应该可以消除其含义的歧义。同样，词汇蕴涵关系也可以使用概率分布来表征。然后，将层次顺序中较高位置的单词建模为其所包含单词含义的概率分布。DisCoCat 模型受到量子理论数学结构的启发，提出密度矩阵作为能够捕捉这种结构的词嵌入。在量子力学中，它们描述的是状态仅以不确定性已知的系统。初步实验已经证明了它们能够捕捉单词相似性、单词歧义性和词汇蕴涵结构。Word2Vec 模型的改编版 Word2DM 可以学习这种密度矩阵词嵌入。为了确保学习到的矩阵具有密度矩阵的属性，该模型学习中间矩阵并从中导出密度矩阵。这种策略导致参数更新不是最优的。本论文提出了一种用于学习密度矩阵词嵌入的混合量子-经典算法来解决这个问题。利用密度矩阵自然描述量子系统的事实，不需要中间矩阵，理论上可以规避经典 Word2DM 模型的缺点。变分量子电路的参数经过优化，使得量子比特的状态与单词的含义相对应。然后提取状态的密度矩阵描述并将其用作词嵌入。为词汇表中每个单词学习一组与其密度矩阵嵌入相对应的单独参数。在本论文中，已经在量子模拟器上执行了第一次实现。所利用的目标函数减少了同时出现的单词之间的距离，并增加了不同时出现的单词之间的距离。因此，可以通过评估学习到的词向量的相似性来衡量训练的成功程度。该模型是在词汇量较小的文本语料库上进行训练的。学习到的词向量显示了文本中单词之间的预期相似性。我们还将讨论在真实量子硬件上的实现问题，例如提取完整的状态表示和计算该模型的梯度。
扩展知识驱动方法以实现机器人化身的可扩展自主遥操作
摘要——载人航天任务（如月球和火星）正成为越来越多航天机构关注的焦点。确保机组人员安全着陆地外表面的预防措施以及将机组人员带回地球的偏远地区可靠的基础设施是任务规划的关键考虑因素。欧洲航天局 (ESA) 在其 Terrae Novae 2030+ 路线图中指出，需要机器人作为先驱和侦察兵来确保此类任务的成功。这些机器人将发挥的重要作用是支持在轨宇航员开展科学工作，并最终确保地面宇航员支持基础设施的正常运行。METERON SUPVIS Justin ISS 实验表明，监督自主机器人指挥可用于使用行星表面的机器人同事执行检查、维护和安装任务。实验中使用的知识驱动方法只有在出现任务设计未预料到的情况时才会达到极限。在深空场景中，宇航员必须能够克服这些限制。在 METERON ANALOG-1 ISS 实验中展示了一种更直接指挥机器人的方法。在这次技术演示中，宇航员使用触觉远程呈现来指挥地面上的机器人化身执行采样任务。在这项工作中，我们提出了一个通过扩展知识驱动方法将监督自主性和远程呈现相结合的系统。知识管理基于在以对象为中心的环境中组织机器人的先验知识。动作模板用于在符号和几何级别上定义有关处理对象的知识。这种与机器人无关的系统可用于对任何机器人同事进行监督指挥。通过将机器人本身作为对象集成到以对象为中心的领域中，可以通过制定相应的动作模板将特定于机器人的技能和（远程）操作模式注入现有的知识管理系统中。为了有效使用先进的远程操作模式（如触觉远程呈现），各种输入设备都集成到了所提出的系统中。这项工作展示了如何以与输入设备和操作模式无关的方式实现这些设备的集成。所提出的系统在 Surface Avatar ISS 实验中进行了评估。这项工作展示了如何将系统集成到国际空间站哥伦布舱中的机器人指挥终端中，该终端具有 3 自由度操纵杆和 7 自由度触觉输入设备。在 Surface Avatar 的初步实验中，两名在轨宇航员
使用激光产生的bremsstrahlung的工业成像...
简介中央激光设施（CLF）主持了英国最强大的激光器，包括Vulcan，Gemini和即将到来的Extreme Photonics应用中心（EPAC）。EPAC是一种新的高功率激光设施，旨在推动对激光驱动的加速器，成像源的科学理解，并进一步实用了高功率激光器的实用应用。预计将为2025年的初步实验（不在全部设计规范）中为来自学术界和行业的用户提供操作。EPAC将能够获得广泛的物体的高分辨率层析成像图像，包括复杂的动态结构，例如运行发动机和流体流。双子座激光（〜300 TW）已经证明能够产生样品的高质量图像[1-4]，但受源不稳定性和相对较低的重复率（每20秒1脉冲）的限制。EPAC将以10 Hz的重复率以1 PW峰值功率运行，从而使双子座的能力和容量的重大增加。与前几代搅动的脉冲放大激光器相反，EPAC遵循了一种工业设计方法，该方法受益于CLF在将基于商业偶极子的高能激光器传递给Hilase [5]和欧洲XFEL [6]方面的经验。更好的建筑基础架构，增加的系统监测，主动反馈稳定和机器学习优化[7]将导致次级辐射源的性能大大改善。当前使用传统的线性加速器扫描大型，密集的对象，这些线性加速器由于MM尺度源大小而被限制分辨率[9]。这个EPAC辐射源的主要应用将是高能X射线成像，尤其是在300 KEV以上的区域，该区域超出了同步基因，商用X射线管和紧凑的compt compton Compton散射源的范围[8]。EPAC将提供高时空和空间分辨率的深度渗透，并具有快速3D扫描的潜力。在EPAC正在建设中，CLF仍在继续与学术和工业合作伙伴合作，以证明使用我们现有激光器使用激光驱动来源的实用应用。在这里，我们报告了使用高能量（〜MEV）Bremsstrahlung辐射来证明工业非破坏性检查（NDI），该辐射是通过使用Gemini加速的电子束加速而产生的。实验是与劳斯莱斯（Rolls-Royce）的合作，他们对航空航天组件的动态NDI感兴趣。Rolls-Royce正在开发高功率密度电动机，并利用此机会带来了一个大型转子，该转子已在演示器项目中使用。ndi，因为检查零件的拆卸会干扰基础结构。常规成像很难观察到内部特征，但应通过EPAC提供的优质分辨率可见。