XiaoMi-AI文件搜索系统
World File Search System参数化
一种用于参数化电路时间演化的高效量子算法
我们引入了一种新颖的混合算法，使用参数化量子电路模拟量子系统的实时演化。该方法名为“投影变分量子动力学”（p-VQD），实现了将精确时间演化迭代、全局投影到参数化流形上。在小时间步长极限下，这相当于 McLachlan 的变分原理。我们的方法之所以有效，是因为它表现出与变分参数总数的最佳线性缩放。此外，它是全局的，因为它使用变分原理一次优化所有参数。我们方法的全局性大大扩展了现有高效变分方法的范围，而这些方法通常依赖于对变分参数的受限子集进行迭代优化。通过数值实验，我们还表明，我们的方法比现有的基于时间相关变分原理的全局优化算法特别有利，由于参数数的二次缩放要求高，不适合大型参数化量子电路。
建立支持森林管理的虚拟森林景观：参数化的挑战
A：意大利博尔扎诺的高山环境研究所Eurac Research。b：意大利农业，环境和食品科学学院博尔扎诺大学免费大学。C：意大利博尔扎诺的气候变化与转型中心EURAC研究。D：芬兰赫尔辛基自然资源研究所（Luke）。E：芬兰森林科学学院东部芬兰大学 *通讯作者：电子邮件：marco.mina@eurac.edu摘要关键字校准，干扰建模，欧洲阿尔卑斯山，森林景观模型，森林模型，模型初始化引用引用Mina M，Mina M，Marzini S，Marzini S，Crespi A，Crespi A，Crespi A，Crespi A，Albrich a，Albrich K. 2025252525252525252525252525252525252525. 建立支持森林管理的虚拟森林景观：参数化的挑战。 。 monit。 2（1）：49-96。建立支持森林管理的虚拟森林景观：参数化的挑战。。monit。2（1）：49-96。
用于参数化量子算子发现的混合多目标遗传规划
量子信息的处理由量子电路定义。对于当前量子设备上的应用，这些通常是参数化的，即它们包含具有可变参数的操作。设计这样的量子电路和聚合的高级量子算子是一项具有挑战性的任务，需要大量的量子信息理论知识，前提是可以通过分析找到多项式大小的解。此外，找到一个具有低计算成本的精确解决方案代表着一个重大的权衡，特别是对于当前一代量子计算机而言。为了应对这些挑战，我们提出了一种多目标遗传编程方法（与数值参数优化器混合）来自动合成参数化量子算子。为了证明所提出方法的优势，将其应用于混合量子经典算法的量子电路，然后与分析解决方案和非混合版本进行比较。结果表明，与非混合版本相比，我们的方法产生了更多样化的解决方案和更准确的量子算子，甚至达到了分析基线的质量。
利用参数化量子电路实现生成建模的稳健实现∗
摘要：尽管混合量子经典算法的性能在很大程度上取决于经典优化器和电路设计的选择 [ 1 – 3 ]，但迄今为止，对此类特性的硬件稳健而全面的评估仍然缺失。从优化器的角度来看，主要挑战在于求解器的随机性，以及它们对随机初始化的显著差异。因此，稳健的比较需要对每个求解器执行多条训练曲线，然后才能得出关于其典型性能的结论。由于每条训练曲线都需要在量子计算机中执行数千个量子电路，因此对于当今大多数混合平台而言，这种稳健的研究仍然是一项艰巨的挑战。在这里，我们利用 Rigetti 的量子云服务 (QCS™) 来克服这一实施障碍，并研究数据驱动的量子电路学习 (DDQCL) 在三种不同的最先进经典求解器上的硬件性能，以及与同一任务的不同纠缠连接图相关的两种不同电路分析。此外，我们还评估了不同电路深度带来的性能提升。为了评估此基准研究中与这些设置中的每一个相关的典型性能，我们使用至少五次独立的 DDQCL 运行来生成能够捕捉规范 Bars and Stripes 数据集模式的量子生成模型。在此实验基准测试中，无梯度优化算法与基于梯度的求解器相比表现出了出色的性能。特别是，其中一个在处理实验条件下要最小化的不可避免的噪声目标函数时具有更好的性能。
用于比较算法组件的参数化任务图计划算法
摘要 - 在异质计算网络上运行的分布式应用程序在分布式计算中是一个基本问题（NP-HARD）问题，在过去的几十年中，已经提出了许多启发式算法。这些算法中的许多算法都属于列表安排范式，因此该算法首先计算任务的优先级，然后将它们贪婪地安排在最小化某些成本函数的计算节点上。因此，许多算法仅在几个关键组件中彼此不同（例如，它们优先级任务，其成本功能，算法考虑将任务插入部分完成时间表等）。在本文中，我们提出了一种广义列表安排算法，该算法允许混合和匹配不同的任务优先级和贪婪节点选择方案，以产生72个独特的算法。我们在四个数据集上对这些算法进行基准测试，以研究不同算法组件对性能和运行时的个体影响。索引项 - 安排，任务图，工作流程，基准测试
从事与任务参数化的高斯流程一起学习的多参考框架技能
摘要 - 从演示中学习的核心挑战是生成适应能力并可以推广到看不见的情况的表示。这项工作建议在不使用特定于任务的启发式方法的情况下学习这种表示形式，而在全球框架中叠加本地技能，在多次参考框架技能学习的背景下。首先通过使用高斯流程（GPS）拟合相对技能来了解本地政策。然后，另一个GP决定了每个帧与每个时间步的相关性，它是从不同批次的演示中以自我监督的方式训练的。GP的不确定性定量能力被利用以稳定当地政策并以完全贝叶斯的方式训练框架相关性。我们通过在模拟中生成的多帧任务的数据集以及具有机器人操作的拾取和位置重新封闭任务的真实实验中生成的多帧任务。我们用两个指标评估了方法的性能：生成的轨迹与每个任务目标以及这些轨迹和测试专家轨迹之间的偏差有多近。根据这两个指标，所提出的方法始终优于最先进的基线，任务参数化的高斯混合模型（TPGMM）。
海洋垂直混合：审查和具有非局部边界层参数化的模型
摘要。如果未解决的物理学的模型参数化（例如上海混合过程的种类）将在对气候重要的时间和空间范围内保持范围很大，则必须强烈基于物理。的观察，理论和海洋垂直混合模型。确定了两种不同的机制：在各种表面强迫条件下（稳定，不稳定和风驱动），在表面附近的边界层中混合海洋混合，以及由于内部波，剪切不稳定性和双重扩散而导致海洋内部混合（由不同的热和盐分子扩散速率引起）。通常应用于上大洋的混合方案不包含一些潜在的边界层物理。因此，开发了海洋边界层混合的新参数化，以适应某些物理学。它包括一个用于确定边界层深度h的方案，其中对散装理查森数字的垂直剪切的湍流有参数为参数。给出了整个边界层中扩散性和非局部传输的表达式。扩散率是与表面层中湍流的模拟理论一致的，并且受其及其垂直梯度均与H处的内部值相匹配的条件。然后对此非局部“ k剖面参数化”（kpp）进行验证，并将其与替代方案（包括其大气相对）进行比较。它最重要的功能是
探索使用机器学习来参数化海面边界层中垂直混合的参数
本文由LSU学术存储库的Craft and Hawkins Engifeering提供给您，并免费提供开放访问权限。已被LSU学术存储库的授权管理人纳入教师出版物。有关更多信息，请联系ir@lsu.edu。
通过准二级，局部参数化优化的合同量子本质量的加速收敛
摘要：通过将其集成（或收缩）与两电子空间求解，合同的量子本素（CQE）为多电子schro方程找到了解决方案的解决方案。当将CQE迭代应用于CSE（ACSE）的抗赫米特部分时，CQE迭代优化了波函数，相对于一般产品ANSATZ的两体指数式统一变换，可以精确地求解Schro dinger dinger方程。在这项工作中，我们通过经典优化理论的工具加速了CQE及其波函数ANSATZ的收敛性。通过将CQE算法视为局部参数空间中的优化，我们可以应用准二级优化技术，例如准牛顿方法或非线性共轭梯度方法。实际上，这些算法会导致波函数的超线性收敛到ACSE的溶液。收敛加速度很重要，因为它既可以最大程度地减少近期中等规模量子（NISQ）计算机上噪声的积累，又可以在未来易受断层量子设备上实现高度准确的解决方案。我们演示了算法以及与减少成本考虑有关的一些启发式实现，与其他常见方法（例如变异量子eigensolvers）的比较以及CQE的无费用编码形式。
基于生理学的人体血液稳定剪切流性通过机器学习的参数化：止血贡献
摘要级别的血液学是对血流以及所涉及的机械应力和运动学的研究。卡森本构方程是一种流行而简单的模型，用于描述血液的稳定剪切流变性，只有两个参数指定了无限的剪切粘度和取决于血液生理学的屈服应力。以前的文献已经将血细胞比容和纤维蛋白原浓度确定为影响血流的两个最重要的生理因素，但是由于使用了非标准化的数据集，卡森模型的先前参数化可能并不可靠。本研究使用机器学习和最大的标准化数据集来改善卡森模型在健康个体的血细胞比容和纤维蛋白原浓度方面的参数化。该研究还采用机器学习来识别可能影响血液流变学的潜在额外因素，即平均肌张力性血红蛋白（MCH）。所提出的方法证明了机器学习的潜力，以改善生理学和血液流变学之间的联系，并在心血管诊断中产生可能的影响。