XiaoMi-AI文件搜索系统
World File Search System参数估计
与模型无关的参数估计水印...
虽然 PEST 与现有的非线性参数估计软件有一些相似之处（它使用一种功能强大且稳健的估计技术，该技术已在各种问题类型上进行了广泛的测试），但它的设计理念却截然不同。PEST 的新颖之处在于它允许您使用特定模型进行参数估计和/或数据解释，而无需对该模型进行任何更改。因此，PEST 可以适应现有模型，您无需让您的模型适应 PEST。通过将 PEST 包装在您的模型上，您可以将其变成您的模型模拟的系统的非线性参数估计器或复杂的数据解释包。该模型可以是简单的或复杂的，自制的或购买的，并且可以使用任何编程语言编写。
数字孪生、模型和参数估计简介
报告介绍了建筑环境中的数字孪生概念。报告指出，数据和以这些数据为基础的模型对于构建数字孪生至关重要。根据建模方法，模型分为白盒、灰盒和黑盒模型，根据建模问题，分为正向和反向模型。报告解释了这些模型中的每一个，以阐明如何根据可用数据和要实现的目标类型选择模型。目标可以是性能预测、参数估计、控制、优化和故障检测和诊断。报告的下一部分简要介绍了参数估计模型。参数估计模型本质上是灰盒模型。它们在做出改造决策时很有用，因为它们有助于描述现有房屋的特征，并检查拟议改造方案的有效性。报告阐明了数据选择和热网络配置选择如何影响估计参数。它还进一步解释了为什么需要详细测量来验证参数估计模型。报告的最后一部分简要描述了行为模型、实施这些模型的挑战以及将它们纳入其中以缩小性能差距的重要性。该报告包括来自科学文献的几个行为模型示例，重点介绍了所使用的数据、建模方法和居住者行为研究
来自机器学习的直接参数估计 -
摘要：有能力找到任意复杂的对称性，机器学习（ML）增强量子状态层析成像（QST）的最佳拟合，已经证明了其在提取有关量子状态的完整信息方面的优势。我们通过直接生成目标参数来开发高性能，轻巧且易于安装的监督特征模型，而不是在训练截短的密度矩阵中使用重建模型。这样的基于特征模型的ML-QST可以避免处理大型希尔伯特空间的问题，但是CAB将特征提取高精度提取，从而捕获数据中的基础对称性。使用从平衡同源探测器生成的实验测量数据，我们比较了有关重建和特征模型预测的量子噪声挤压状态的退化信息；两者都与从协方差法获得的经验拟合曲线一致。具有直接参数估计的这种ML-QST说明了一个至关重要的诊断工具箱，用于使用挤压状态的应用，从量子信息过程，量子计量学，高级重力波检测器到宏观量子状态生成。
通过参数估计实现量子信道通信
摘要 — 当解码器需要重建参数序列时，考虑通过随机参数量子信道进行通信。我们研究了编码器处可用的严格因果、因果或非因果信道边信息 (CSI) 的场景，以及 CSI 不可用的情况。该模型可以看作是一种量子计量学，也是解码器处具有状态估计的经典速率和状态信道的量子对应物。推导出容量失真区域的正则化公式。在测量信道的特殊情况下，推导出严格因果和因果设置的单字母特征。此外，在更一般的纠缠破坏信道情况下，当 CSI 不可用时，推导出单字母特征。因此，我们获得了具有 CSI 的随机参数量子信道容量的正则化公式，推广了 Boche 等人在 2016 年关于经典量子信道的先前结果。最后，我们引入了玻色子脏纸编码，证明最佳系数不一定是经典设置中的最小均方误差估计的系数。
量子系统参数估计的最佳控制策略
使用量子特征进行参数估计的量子计量学最近引起了人们的注意，因为它可以胜过任何基于资源的经典测量方案[1-8]。尽管可以实现令人印象深刻的精确提高，但只有在优化协议的各个步骤时才能达到最终性能[4,9,10]。标准过程通常考虑最初以最佳初始状态制备的系统的自由演变。但是，在许多示例中，这种方法还不够，并且必须通过外部控制修改系统动力学，以实现给定实验约束的最高精度。控制设计通常由最佳控制理论（OCT）执行，该理论证明了其在许多量子应用中的有效性[6，11-14]。到目前为止，已经提出了不同的解决方案，以定义最佳控制问题。它们在固定的最后时间示意性地差异以最大化（或最小化）。除其他外，我们可以提到量子渔民信息（QFI）[10,15–30]，选择性控制方案[31-39]和指纹识别方法[40-43]的最大化。QFI基于与量子系统结合的cram'er-rao的概括[9,44,45]。对于纯状态，QFI与特定可观察的特定可观察的方差成正比，该方差与哈密顿量的部分衍生物相对于参数进行估计。通过最大化此数量，我们确保参数的小扰动会引起对系统动力学的显着修改，因此，这使我们能够减少测量过程中造成的误差。对于QFI，该信息在参数空间中是本地的，并且在控制问题的定义中没有明确的目标量子状态。本质上非本地的选择性控制过程并非如此。可以将它们视为以不同参数值为特征的系统的不同副本的同时状态对状态控制协议[33，34，36，46-46-50]。选择性控制已广泛用于核磁共振中[51-55]。在此框架中，目标是找到一个控制系统的控件，以达到系统的每个副本，以达到（可能尽可能快）的目标状态，并专门选择目标状态以最大程度地减少测量误差。指纹方法更加详尽，并结合了来自QFI和选择性协议的想法[40-43]。没有特定的目标状态，但目标是最大化一个或几个可观察到的时间演变之间的距离。在这种情况下，考虑了整个动态，而不仅仅是最终系统配置[43]。除了给定优点的最大化外，还可以包括其他约束来分析这些问题，例如控制时间或能量的最小化[56-59]。可以通过这些方法独立地获得不同的控制策略，例如，用于自旋系统的参数估计。自然出现的一个问题是在哪些条件下这些控制方案是等效的，更一般而言，不同技术之间的优点，相似性和差异。本文旨在朝这个方向迈出一步。据我们所知，只有指纹方法已短暂地连接到[60,61]中的Fisher信息，但是QFI和选择性方案之间的关系仍未得到探索。为了简化分析，我们专注于链接
量子系统参数估计的最佳控制策略
使用量子特征进行参数估计的量子计量学最近引起了人们的注意，因为它可以胜过任何基于资源的经典测量方案[1-8]。尽管可以实现令人印象深刻的精确提高，但只有在优化协议的各个步骤时才能达到最终性能[4,9,10]。标准过程通常考虑最初以最佳初始状态制备的系统的自由演变。但是，在许多示例中，此方法不足以齐奏，必须通过外部控制来修改系统动力学，以实现给定实验约束的最高精度。控制设计通常由最佳控制理论（OCT）执行，该理论证明了其在许多量子应用中的效果[6,11-14]。到目前为止，已经提出了不同的解决方案，以定义最佳控制问题。它们在固定的最终时间时示意性地将要最大化（或最小化）的数量差异。除其他外，我们可以提及量子Fisher信息的最大化（QFI）[10,15-29] ::::::::::::::: [10,15–30]，选择性控制协议[31-39]和fingerprinting方法[40-43]。QFI基于与量子系统结合的cram'er-rao的概括[9,44,45]。对于纯状态，QFI与可观察到的特定观察值的方差成正比，该方差与哈密顿的部分衍生物相对于参数估算的部分衍生物。通过最大化此数量，我们确保参数的少量扰动会引起系统动力学的显着修改，因此，这使我们能够减少测量过程中造成的误差。对于QFI，该信息在参数空间中是局部的，并且在控制问题的定义中没有明确的目标量子状态。本质上非本地的选择性控制过程并非如此。可以将它们视为同时的状态到状态控制协议，用于以参数的不同值为特征的系统的不同副本[33，34，36，46-46-50]。选择性控制已广泛用于核磁共振中[51-55]。在此框架中，目标是找到一个控件，该控件使我们能够（可能尽可能快）为系统的每个副本达到目标状态，并专门选择目标状态以最大程度地减少测量误差。填充方法更加详尽，并结合了来自QFI和选择性协议的想法[40-43]。没有特定的目标状态，但目标是最大化一个或几个可观察到的时间演变之间的距离。在这种情况下，考虑了整个动态，而不仅仅是最终系统配置[43]。除了给定功绩的最大化外，还可以包括其他约束来分析这些问题，例如最小化控制时间或能量[56-59]。不同的控制策略。自然出现的一个问题是在哪些条件下这些控制方案是等效的，更普遍地说，不同技术之间的优点，相似性和差异。本文旨在朝这个方向迈出一步。据我们所知，只有固定方法才与[60,61]中的Fisher信息连接起来，但是QFI与选择性协议之间的关系仍未得到探索。为了简化分析，我们专注于链接
通过量子系统参数估计增强随机过程分析
摘要 本文从所有可能的角度研究了向量空间中的线性伊藤随机微分方程。在这种情况下，势向量描述了作用于量子系统的经典噪声的大小。该向量势可以表示为其参数的线性函数，其中厄米算子作为其系数，因为其参数被假定为未知的。对于二阶扰动，可以借助势扰动参数确定幺正演化算子。至于第二项，它写成关于布朗运动的双迭代随机积分，而第一项写成伊藤随机积分。在控制量子系统时，来自环境的噪声可能是一个主要障碍；这种技术可以提供帮助。通过学习检测和调节噪声，提高计算机等量子技术的可靠性和实用性。如果势的参数受到噪声的影响，那么它们的可靠性就会降低。我们重点关注特殊情况，即势能是这些参数的线性函数，以厄米算子为系数。为了找到达到 O ( ǫ ) 的幺正演化算子，我们可以将 O ( ǫ ) 项写为关于布朗运动的伊藤随机积分，将 O ( ǫ 2 ) 项写为关于布朗运动的双迭代随机积分。
用于量子多参数估计的深度强化学习
摘要。物理量的估计是大多数科学研究的核心，而量子设备的使用有望提高其性能。在实际场景中，必须考虑到资源是有限的，而贝叶斯自适应估计是一种在估计过程中有效分配所有可用资源的强大方法。然而，这个框架依赖于通过精细校准获得的系统模型的精确知识，其结果通常在计算和实验上要求很高。我们引入了一种无模型和基于深度学习的方法来有效地实现现实的贝叶斯量子计量任务，完成所有相关挑战，而不依赖于任何系统的先验知识。为了满足这一需求，直接在实验数据上训练神经网络以学习多参数贝叶斯更新。然后，通过强化学习算法提供的反馈将系统设置在最佳工作点，该算法经过训练以重建和增强所研究的量子传感器的实验启发式方法。值得注意的是，我们通过实验证明了比标准方法更高的估计性能，证明了这两种黑盒算法在集成光子电路上结合的强大功能。我们的工作代表着朝着完全基于人工智能的量子计量迈出了重要一步。
相干叠加噪声信道上的量子参数估计
受量子噪声影响的通用量子比特幺正算子被复制并插入到相干叠加通道中，叠加了两个路径，这些路径提供给穿过噪声幺正的探测量子比特，并由控制量子比特驱动。对叠加通道在探测-控制量子比特对的联合状态上实现的变换进行表征。然后针对噪声幺正相位估计的基本计量任务对叠加通道进行专门分析，其性能由经典或量子 Fisher 信息评估。与传统估计技术以及最近为类似相位估计任务研究的具有不确定因果顺序的量子切换通道进行了比较。在此处的分析中，第一个重要的观察结果是，叠加通道的控制量子比特虽然从未直接与被估计的幺正相互作用，但仍然可以单独测量以进行有效估计，同时丢弃与幺正相互作用的探测量子比特。切换通道也存在此属性，但无法通过传统技术实现。这里在一般条件下描述了控制量子比特的最佳测量。第二个重要的观察结果是噪声在将控制量子比特耦合到幺正量子比特中起着至关重要的作用，并且控制量子比特在非常强的噪声下仍可用于相位估计，即使在完全去极化的噪声下也是如此，而常规估计和切换通道在这些条件下不起作用。结果扩展了相干控制通道能力的分析，这些通道代表了可用于量子信号和信息处理的新设备。