XiaoMi-AI文件搜索系统
World File Search System参数化
元变分量子特征求解器：学习参数化汉密尔顿量的能量分布以进行量子模拟
我们提出了元变分量子本征求解器 (VQE)，这是一种能够学习参数化汉密尔顿量的基态能量分布的算法。如果使用几个数据点训练元 VQE，它将提供初始电路参数化，可用于计算特定信任区域内汉密尔顿量的任何参数化的基态能量。我们使用 XXZ 自旋链、电子 H 4 汉密尔顿量和单传输量子模拟测试该算法。在所有情况下，元 VQE 都能够学习能量函数的形状，在某些情况下，与单个 VQE 优化相比，它可以提高准确性。元 VQE 算法在优化数量方面提高了参数化汉密尔顿量的效率，并为单个优化的量子电路参数提供了良好的起点。所提出的算法可以很容易地与变分算法领域的其他改进相结合，以缩短当前最先进技术与具有量子优势的应用之间的距离。
遗产 BIM - 英国历史遗产
注：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。
数据驱动参数化中的数据不平衡，不确定性定量和转移学习：WACCM中重力波动量传输的经验教训
抽象的神经网络（NNS）越来越多地用于天气和气候模型中数据驱动的亚网格尺度参数化。虽然NNS是从数据中学习复杂的非线性关系的强大工具，但将它们用于参数化存在一些挑战。这些挑战中的三个是（a）与学习稀有（通常是大振幅）样本有关的数据失衡； （b）预测的不确定性定量（UQ）提供精确指标； （c）对其他气候的概括，例如那些具有不同辐射的刺激的气候。在这里，我们使用基于整个大气的社区气候模型（WACCM）物理学的重力波（GW）参数化来解决这些挑战的方法的性能。WACCM具有地讲，对流和前驱动的GWS的复杂状态，对对流和前驱动的GWS。对流和地形驱动的GWS由于在大多数网格点缺乏对流或地球而具有显着的数据失衡。我们使用重采样和/或加权损失功能来解决数据不平衡，从而成功地模仿了所有三个来源的参数化。我们证明了三种UQ方法（贝叶斯NN，变异自动编码器和辍学器）提供了与测试过程中准确性相对应的集合差，提供标准，用于识别NN何时给出不准确的预测。最后，我们表明这些NN的准确性降低了温暖的气候（4×CO 2）。但是，通过应用转移学习，仅使用约1％的新数据从温暖的气候中重新训练一层，从而显着提高了它们的性能。这项研究的结果为开发可靠且可推广的数据驱动参数的各种过程（包括（但不限于）GWS）提供了见解。
进度报告
更独特的是，我们还对 QSCOUT 中的双量子比特门进行了重要的参数化。离子阱系统中的自然双量子比特门称为 Mølmer-Sørensen (MS) 门，它是 Bloch 超球面上的 XX 型相互作用。标准捕获离子门组（例如 IonQ 或 Quantinuum 的商业测试台使用的门组）提供具有固定旋转角 π/2 的 XX 或 ZZ 相互作用。对于 QSCOUT，我们扩展了该产品，以允许用户选择参数化的 MS 门，这意味着他们能够定义该相互作用的相位和旋转角度。通过这样做，我们提供了一组更完整的门，以更有效地实现他们所需的算法。这些参数化的双量子比特门是吸引我们第一轮一半用户的关键功能。在第一轮中，我们改进了实现这些门的技术，并计划在 QSCOUT 继续进行时提供更多的可定制性和参数化。
IJTCS -FAW 2024 -POLYU div>IJTCS -FAW 2024 -POLYU div>
Zhen Zhang，Limei Liu，Yao Liu，Jie Chen和Qilong Feng。 具有背包约束的聚类：针对背包中值问题的参数化近似算法。 跟踪最佳纸Zhen Zhang，Limei Liu，Yao Liu，Jie Chen和Qilong Feng。具有背包约束的聚类：针对背包中值问题的参数化近似算法。跟踪最佳纸
通过Mellin空间中可解释的潜在表示学习PDF
代表质子和其他黑龙的Parton分布函数（PDF）通过柔性，高保真的参数化已成为粒子物理现象学的长期目标。尤其如此，因为所选的参数化方法可以在QCD全局分析中提取的最终PDF不确定性中起影响力。反过来，这些通常是LHC和其他设施到非标准物理的实验范围的确定性，包括在大X上，参数化效应可能很重要。在这项研究中，我们探索了一系列具有各种神经网络拓扑的编码器 - 模型学习（ML）模型，作为从可解释的潜在空间中存储的有意义的信息中重建PDF的有效手段。鉴于最近努力在QCD分析和晶格规范计算之间进行协同效应，我们根据PDF在Mellin空间中的行为（即它们的综合力矩）制定了潜在表示，并测试了各种模型从该信息中解释PDF的能力。我们引入了一个数值软件包PDFDE-CODER，该软件包实现了几种编码器模型，以重建具有高忠诚度的PDF，并使用此端到端工具来探索基于神经网络的模型可能如何将PDF Para-para-para-para-质量连接到诸如其Melllin Moments之类的属性属性。我们还剖析了编码的Mellin矩和重建的PDF之间学习相关性的模式，这些模式提出了进一步改进基于ML的PDF参数化方法和不确定性量化的机会。
破译 DNA 的序列依赖性结构和...
图 1：双链 DNA 结构和构象灵活性的参数化和描述。（A）双链 DNA 分子的结构通过刚体变换参数化，其中轴系统跨越每个碱基对步骤 (ri)。这些参数描述了将碱基对步骤的轴系统映射到相邻轴系统的旋转和平移函数。（B）标准化流模型从正态分布的潜在空间映射到描述双链 DNA 结构的参数。映射是通过多层实现的，并且是可逆的。
palash dey - - CSE IIT kgp
[J7] Palash Dey，Neeldhara Misra和Yadati Narahari。“根据异常值在场的批准投票选择委员会的参数化二分法”。在理论计算机科学中，第783卷，pp。53–70，2019。关键字：投票，算法，批准投票，委员会选择，异常值，参数化复杂性，理论。备注：这项工作的初步版本出现在Proc中。第16届自治代理和多基因系统国际会议（AAMAS-17）。