XiaoMi-AI文件搜索系统
World File Search System参数化
论文：使用问题特定的参数化量子电路增强优化问题的 VQE 收敛性
摘要 变分量子特征求解器 (VQE) 算法因其在近期量子设备中的潜在用途而受到越来越广泛的关注。在 VQE 算法中，参数化量子电路 (PQC) 用于准备量子态，然后利用这些量子态计算给定汉密尔顿量的期望值。设计高效的 PQC 对于提高收敛速度至关重要。在本研究中，我们通过动态生成包含问题约束的 PQC，引入了针对优化问题量身定制的问题特定 PQC。这种方法通过关注有利于 VQE 算法的酉变换来减少搜索空间，并加速收敛。我们的实验结果表明，我们提出的 PQC 的收敛速度优于最先进的 PQC，凸显了问题特定 PQC 在优化问题中的潜力。关键词：VQE算法，优化问题，问题特定参数化量子电路
视觉传感器 PHA400-F200A-B17-V1D
外部参数化 为了从外部对设备进行参数化，需要包含所需参数的数据矩阵形式的参数化代码。视觉传感器的操作说明中印有数据矩阵代码卡，详细介绍了从外部对设备进行参数化的分步过程。 • 使用设备背面的按钮 2，将视觉传感器从正常运行模式切换到参数化模式。要切换设备，必须按住按钮 2 超过两秒钟。然后 LED5 闪烁。注意：如果设备一分钟不活动，则会自动退出参数化模式。在这种情况下，视觉传感器将恢复到正常模式并在未更改设置的情况下运行。 • 将参数化代码放在相机模块的视野范围内。检测到参数化代码后，绿色 LED4 亮起一秒钟。如果参数化代码无效，LED4 将亮起红色两秒钟。 • 短暂按下按钮 2 将结束参数化模式。未保存的更改将丢失。
使用参数模型降阶对电力电子模块热机械分析中的温度相关特性进行参数化
摘要 — 本文使用 ANSYS-FEM（有限元方法）对电力电子模块 (PEM) 进行直接耦合热机械分析，并结合参数模型降阶 (pMOR) 技术。与目前大多数通过顺序耦合热机械模型进行耦合热机械分析的模型降阶研究不同，本研究中采用的直接耦合热机械方法同时解决了热和结构模型。通常，pMOR 主要侧重于参数化模型参数（例如材料属性、负载），这些参数是常数。在本研究中，在电子模块可靠性评估的背景下，展示了一种使用 pMOR 参数化温度相关属性的新方法，例如 PEM 结构中材料的热膨胀系数 (CTE)。开发了 PEM 的二维有限元模型，并用于研究铝 (Al) 合金的温度相关 CTE 对热负荷下系统热机械响应的影响。基于 Krylov 子空间的技术 PRIMA 已用于模型降阶，并采用矩阵插值的线性方法进行 pMOR 中的参数化。全阶状态空间模型具有 30,612 个自由度 (DOF)，而通过 pMOR 实现的简化模型只有 8 个自由度。模拟运行表明，对于此问题，使用这种方法可以大大减少计算时间，全阶模型和简化模型之间的计算时间减少了 81%。在建模预测中，基于 pMOR 的解决方案保留了结果的准确性。在这种情况下，与 ANSYS-FEM 模型 (FOM) 解决方案相比，应力结果的平均差异仅为 0.43%。
数据随机性和模型参数化影响物种分布模型的性能：从模拟研究中获得的见解
1 简介。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。2 2 方法。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 2.1 调查区域。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。...5 2.2 海洋条件 ..................。。。。。。。。。。。。。。。。。。。。。。。。.5 2.3 模拟虚拟物种 ....................。。。。。。。。。。。。。。。。。。。。。。。。.6 2.4 模拟虚拟调查 ....................。。。。。。。。。。。。。。。。。。。。。。。。.8 2.5 采样分辨率处理 .....................。。。。。。。。。。。。。。。。。。。8 2.6 建模。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。8 3 结果。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 3.1 虚拟调查。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。.......10 3.2 单变量模型 ..............。。。。。。。。。。。。。。。。。。。。。。。。..........11 3.3 模型选择 ............。。。。。。。。。。。。。。。。。。。。。。。。...................12 3.4 模型预测 ......。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。16 4 讨论。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 4.1 方法学局限性。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 4.2 采样类型的影响。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。20 4.3 环境异质性的影响。。。。。。。。。。。。。。。。。。。。。。。。。。。。。21 4.4 主要信息。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。22
数据驱动的可参数化生成对抗网络，用于合成数据的增强超声波传感器信号
在复合材料（例如纤维金属层压板（FML））中检测并表征隐藏的损害仍然是一个挑战。引导的超声波（GUW）或X射线影响通常用于检测这些损害，但它们的解释仍然存在，在非破坏性测试（NDT）和结构健康监测（SHM）中也是如此。数据驱动的预测指标模型可以检测与GUW时间相关信号的结构中的损害，但是实验训练数据缺乏差异，统计强度和超参数空间的质量覆盖率。通常会经历心理数据缺乏目标参数的基础真理注释。综合数据通常是创建强大而广义的损害预测模型的唯一解决方案。可以使用基于模型，模型辅助或无模型方法生成合成传感器数据。然而，通过应用有限元方法或求解字段方程式通过数值计算的GUW信号表明，由于过多的约束和简化，尤其是在非同质的材料，复合材料和层板的情况下，由于过多的约束和简化而显示出差的现实统计。数据驱动的生成模型的最新发展，例如生成对抗（神经）网络（GAN）[1]，通常是由大量生成过程驱动的，包括确定性样式矢量以生成特定信号数据[2] [2]，确定损坏大小，位置，位置，定位，传递器位置，材料，材料，材料，材料，材料，材料，材料。这些新体系结构旨在通过使用
QMLP：一种使用参数化双量子比特门的容错非线性量子 MLP 架构
尽管具有量子霸权的潜力，但最先进的量子神经网络 (QNN) 仍然受到推理精度低的困扰。首先，当前的噪声中型量子 (NISQ) 设备的错误率高达 10 −3 到 10 −2，大大降低了 QNN 的精度。其次，虽然最近提出的重新上传单元 (RUU) 在 QNN 电路中引入了一些非线性，但其背后的理论尚不完全清楚。此外，以前反复上传原始数据的 RUU 只能提供边际精度改进。第三，当前的 QNN 电路假设使用固定的两量子比特门来强制实现最大纠缠能力，使得无法针对特定任务进行纠缠调整，导致整体性能不佳。在本文中，我们提出了一种量子多层感知器 (QMLP) 架构，该架构具有容错输入嵌入、丰富的非线性和增强的变分电路设计，具有参数化的两量子比特纠缠门。与现有技术相比，QMLP 在 10 类 MNIST 数据集上的推理准确率提高了 10%，量子门数量减少了 2 倍，参数减少了 3 倍。我们的源代码可用，可在 https://github.com/chuchengc/QMLP/ 中找到。
一种研究基于人工智能的动态系统稳定性的玩具模型
过去几年，人们做出了许多努力，试图将人工智能 (AI) 应用于大气和气候建模。有一条研究路线试图开发新的数据驱动的参数化方案来取代部分大气模型（例如，Brenowitz & Bretherton，2018 年；Gentine 等人，2018 年；O'Gorman & Dwyer，2018 年）；学习基于 ML 的参数化方案意味着学习预测亚网格尺度大气过程（例如湍流和对流）的时间导数。尽管它们承诺为低分辨率大气模型（例如气候模型）提供数值上可承受但准确的物理结果，但当前最先进的 AI 参数化仍然存在偏差，更重要的是，它们面临数值不稳定的问题。据 Rasp (2020) 报道，当与大规模大气流体力学求解器结合时，神经网络 (NN) 通常在数值上不稳定（例如，Brenowitz & Bretherton，2019；Rasp 等人，2018）。据报道，基于随机森林 (RF) 的参数化是稳定的（Yuval & O'Gorman，2020）。但是，与离线相比，基于 NN 的参数化似乎优于基于 RF 的参数化（Brenowitz、Henn 等人，2020）。
从统计上参数化和评估正学位模型，以估算1979年至2022年在南极洲的表面熔体
摘要。表面熔化是南极冰架塌陷的主要驱动因素之一，随着全球气候的持续变暖，预计将来会增加，因为空气温度和熔化之间存在统计学上显着的正相关关系。增强的表面熔体将影响南极冰盖（AIS）的质量平衡，并通过动态反馈诱导全球平均海平面（GMSL）的变化。然而，南极中对表面熔体的当前理解在量化表面熔体和了解过去，现在和建筑环境中表面熔体的驱动过程的不确定性方面仍然有限。在这里，我们构建了一个新型的网格细胞级分布分布的正学位日（PDD）模型，该模型被强迫使用2 m的空气温度重新分析数据，并通过将卫星估计值和表面能量平衡（SEB）模型（SEB）模型（SEB）模型（SEB）模型（SEB）模型（SEB）模型（SEB）模型（SEB）模型（SEB）模型的每个计算单元格上的1979年至2022222222222.，我们根据PDD模型的性能评估了我们参数化方法的准确性，当时考虑了整个计算单元格，这与选择用于参数化的时间窗口有关。我们通过将用于PDD参数化的训练数据（卫星估计和SEB模型输出）增加±10％，并通过将恒定温度扰动（ + 1， + 2， + 3， + 4和 + 5 o C）添加到2 M空气温度模型。我们发现，PDD融化范围和数量类似于训练数据的变化，其统计学上显着的相关性稳定，并且PDD熔体量融合的量随着温度的
对欧洲河流系统中的总磷转运进行建模：气候和社会经济情景下的参数化和预测
1沿海系统，分析和建模研究所，德国盖斯塔赫特的Helmholtz-Zentrum。2德国汉堡大学地质研究所。 3 penpet石化贸易GmbH，德国汉堡。 4 Max Planck气象学院，德国汉堡。2德国汉堡大学地质研究所。3 penpet石化贸易GmbH，德国汉堡。4 Max Planck气象学院，德国汉堡。4 Max Planck气象学院，德国汉堡。
遗产 BIM - 英国历史遗产
注意：BIM 技术涉及使用组装的参数化对象来提供建筑物或设施（资产）的虚拟表示。参数化 BIM 对象表示各种建筑特征、结构元素、系统、其他组件和空间，是信息的智能载体。参数化对象是使用几何定义、关联数据和规则创建的，这些规则定义其行为，即它们如何与其他对象交互或响应其参数的变化。在参数化建模中，设计的变化将自动更新组件及其组件，以便规则和对象定义始终有效。在 BIM 环境中，组件的所有视图 [二维 (2D)、三维 (3D) 和进度表] 都是协调的；因此，任何更改都会自动反映在所有视图中，从而产生一致的施工信息。通过这种方式，BIM 技术将 3D 数字几何表示的优势与对建筑物的建造方式和性能的详细了解相结合。