XiaoMi-AI文件搜索系统
World File Search System参数化
干燥大气边界层的生成对流参数化
抽象的湍流参数将仍然是公里尺度地球系统模型中必要的构建块。在对流边界层中，其中保守特性（例如潜在温度和水分）的平均垂直梯度大约为零，标准的ANSATZ将湍流通量与涡流扩散率的平均垂直梯度相关联，必须通过质量 - 浮力参数来扩展典型的非元素和降低的质量上流和下向大气边界层。我们提出了基于生成对抗网络的干燥和瞬时增长的对流边界层的参数化。训练和测试数据是从三维高分辨率直接数值模拟获得的。模型结合了自同性恋层生长的物理学，随后是通过重生化的经典混合层理论。这增强了生成机器学习算法的训练数据库，因此显着改善了在地面层上方边界层内部不同高度的合成生成的湍流场的预测统计数据。与随机参数的不同，我们的模型能够预测不同高度的浮力波动，垂直速度和浮力通量的高度非高斯和短暂性统计，从而捕获了最快的热量渗透到稳定的顶部区域。我们的生成算法的结果与标准的双方程质量 - 舒适方案一致。我们的概念证明也为在其他自然流中有效的数据驱动对流参数铺平了道路。目前的参数化还提供了湍流对流的颗粒型水平组织，这在其他模型封闭中均无法获得。
参数化量子电路的多目标进化架构搜索
摘要：最近关于混合量子-经典机器学习系统的研究已证明，利用参数化量子电路 (PQC) 解决具有挑战性的强化学习 (RL) 任务是成功的，并且与经典系统（例如深度神经网络）相比具有可证明的学习优势。虽然现有研究展示并利用了基于 PQC 的模型的优势，但 PQC 架构的设计选择以及不同量子电路在学习任务中的相互作用通常尚未得到充分探索。在这项工作中，我们引入了一种用于参数化量子电路 (MEAS-PQC) 的多目标进化架构搜索框架，该框架使用具有量子特定配置的多目标遗传算法来高效搜索最佳 PQC 架构。实验结果表明，我们的方法可以找到在三个基准 RL 任务上具有出色学习性能的架构，并且还针对其他目标进行了优化，包括减少量子噪声和模型大小。进一步分析量子操作的模式和概率分布有助于确定混合量子-经典学习系统的性能关键设计选择。
用于估计分布度量的参数化量子电路
抽象量子计算是一个新的令人兴奋的领域，有可能解决一些世界上最具挑战性的问题。当前，随着量子计算机的兴起，主要挑战是创建量子算法（在量子物理学的限制下），并使不是物理学家的科学家可以使用它们。本研究提出了一个参数化的量子电路及其在估计离散值向量的分布度量时的实现。可以从这种方法中得出各种应用程序，包括信息分析，探索性数据分析和机器学习算法。此方法在提供对量子计算的访问并使用户可以在无量子物理学的情况下运行它是独一无二的。在数据集和具有不同参数的五个离散值分布上实现并测试了所提出的方法。结果显示了使用量子计算的经典计算与提出的方法之间的高度一致性。数据集获得的最大误差为5.996％，而对于离散分布，获得了5％的最大误差。
下一代飞机先进螺旋桨的参数化建模与优化
此处，我呈现了我的论文最终报告，题为“下一代飞机先进螺旋桨的参数化建模与优化”。本报告是在攻读代尔夫特理工大学航空航天工程学院飞行性能与推进系理学硕士学位期间撰写的。去年，我致力于撰写一篇令我引以为豪的论文。这是艰难而紧张但收获颇丰的一年，标志着我在代尔夫特理工大学的时光的结束，我之所以离开，是因为我觉得之前的教育对我的挑战不够。好吧，可以肯定地说，我在航空航天工程学院得到了我想要的东西。这是紧张、充满挑战但又令人惊叹的五年，在这五年里，我有幸从鼓舞人心的老师和其他人那里学习。首先，我要感谢 Tomas 和 Salvatore，他们指导我完成了一个艰难的论文项目。他们对我非常耐心，总是愿意帮助或提供建议艰难的时刻。我要感谢委员会的其他成员，他们让我能够毕业。当然，还有我的父母、Evelien 和 Jelle；你们真是太棒了。
PyBOP：用于电池模型优化和参数化的 Python 包
Python 电池优化和参数化 (PyBOP) 包提供了估算和优化电池模型参数的方法，提供确定性和随机性方法以及示例工作流程来帮助用户。PyBOP 支持从各种电池模型的数据中识别参数，包括流行的开源 PyBaMM 包 (Sulzer et al., 2021) 提供的电化学和等效电路模型。使用相同的方法，PyBOP 还可用于在用户定义的操作条件下针对各种模型结构和设计目标进行设计优化。PyBOP 通过多种方法促进优化，并通过诊断来检查优化器的性能以及成本和相应参数的收敛。识别出的参数可用于预测、在线估计和控制以及设计优化，从而加速电池的研究和开发。
具有参数化量子电路的长寿命颗粒异常检测
摘要：我们研究了将量子机学习技术应用于数据分析的可能性，特别是关于高能物理学中有趣的用例。我们根据参数化的量子电路提出了一种异常检测算法。该算法在古典计算机上进行了培训，并通过模拟以及实际量子硬件进行了测试。使用IBM量子计算机对NISQ设备进行测试。为了执行量子硬件，设计和实现了特定的硬件驱动的改编。量子异常检测算法能够检测到简单异常，例如手写数字中的不同字符以及更复杂的结构，例如由粒子检测器中的异常模式，这是由在碰撞器实验中产生的长寿命颗粒产物产生的粒子探测器。对于高能物理应用程序，仅在模拟中估算了性能，因为量子电路不够简单，无法在可用的量子硬件平台上执行。这项工作表明可以使用量子算法进行异常检测。但是，由于该任务需要对经典数据的振幅编码，因此由于可用的量子硬件平台中的噪声水平，当前的实现无法胜过基于深神经网络的经典典型异常检测算法。
非线性电化学阻抗谱用于锂离子电池模型参数化
在本研究中，我们分析了锂离子电池的局部非线性电化学阻抗谱 (NLEIS) 响应，并从测量的 NLEIS 数据中估算模型参数。该分析假设单粒子模型包括电极粒子内锂的非线性扩散和其表面的不对称电荷转移动力学。基于此模型并假设一个中等较小的激励幅度，我们系统地推导出直至二次谐波响应的阻抗的解析公式，从而可以根据模型中的物理过程和非线性对每个贡献进行有意义的解释。我们探讨了这对参数化的影响，包括使用最大似然进行结构识别分析和参数估计，同时使用了合成和实验测量的阻抗数据。可以精确拟合阻抗数据，但拟合的扩散时间尺度的不一致性表明非线性扩散模型可能不适用于所考虑的电池。还通过使用参数化模型预测时域电压响应来证明模型验证，并且结果表明这与测量的电压时间序列数据 (11.1 mV RMSE) 具有出色的一致性。© 2023 作者。由 IOP Publishing Limited 代表电化学学会出版。这是一篇开放获取的文章，根据知识共享署名 4.0 许可条款分发 (CC BY，http://creativecommons.org/licenses/ by/4.0/ )，允许在任何媒体中不受限制地重复使用作品，前提是对原始作品进行适当的引用。[DOI：10.1149/ 1945-7111/acada7 ]
混合机器学习参数化中夹带封闭的在线学习
摘要这项工作将机器学习整合到大气参数化中，以目标不确定的混合过程，同时保持可解释，预测和建立良好的物理方程。我们采用涡流质量频阵（EDMF）参数化来对各种对流和湍流制度的统一建模。为避免流失和不稳定性，随后与气候模型相结合，我们陷入了离线训练的机器学习参数化，我们将学习作为一个逆问题：数据驱动的模型嵌入了EDMF参数化中，并将其嵌入在一个二维的在线培训中，以一维垂直气候模型（GCM）列。训练是针对太平洋中GCM模拟的大型大规模条件的大型模拟（LE）的输出进行的。我们的框架不是优化亚网格尺度趋势，而是直接针对感兴趣的气候变量，例如熵和液态水路的垂直剖面。具体来说，我们使用集合卡尔曼反转来同时校准edmf参数和管理数据驱动的侧向混合速率的参数。校准的参数化优于现有的EDMF方案，尤其是在当前气候的热带和亚热带位置，并且在模拟AMIP4K实验的海面温度下增加的海面温度下，在模拟浅层积木和层状机制方面保持了高忠诚度。结果展示了物理上约束数据驱动模型的优势，并通过在线学习直接针对相关变量，以构建强大而稳定的机器学习参数化。
高能物理中的双参数化量子电路 GAN 模型
摘要。生成模型，尤其是生成对抗网络 (GAN)，正在被研究作为蒙特卡罗模拟的可能替代方案。有人提出，在某些情况下，使用量子 GAN (qGAN) 可以加速使用 GAN 的模拟。我们提出了一种新的 qGAN 设计，即双参数化量子电路 (PQC) GAN，它由一个经典鉴别器和两个采用 PQC 形式的量子生成器组成。第一个 PQC 学习 N 像素图像的概率分布，而第二个 PQC 为每个 PQC 输入生成单个图像的归一化像素强度。为了实现 HEP 应用，我们在模拟量热仪输出并将其转换为像素化图像的任务上评估了双 PQC 架构。结果表明，该模型可以重现固定数量的图像，尺寸更小，并且能够重现它们的概率分布，我们预计它应该可以让我们扩展到真实的量热仪输出。
对小量子处理器的连续参数化量子门的样本有效验证
大多数近期量子信息处理设备将无法实现量子误差校正和相关的逻辑量子门集。相反，量子电路将使用设备的物理NATIVE GATE直接进行。这些天然门通常具有参数化（例如，旋转角度），该参数为执行连续的操作范围提供了效果。验证对于在这些设备的可靠性中获得信心很重要。在这项工作中，我们展示了一种方法，用于对小量子处理器的连续参数化量子的样本验证，最多约为10吨。此过程涉及生成从设备的天然门集中选择的随机参数层的随机分析，然后随机堆积与此序列的近似近相，以便执行该设备上的完整座位应在其初始状态附近离开该设备。我们表明，通过这项技术进行的估计值的差异低于通过跨凝结基准标记进行的实现估计值。这提供了实验 -