XiaoMi-AI文件搜索系统
World File Search System容错
超强耦合量子拉比模型的容错放大与模拟
由光子猫态形成的猫态量子比特具有偏置噪声通道，即一种类型的错误占主导地位。我们通过将猫态量子比特耦合到光学腔，证明了这种偏置噪声量子比特也有望用于量子拉比模型（及其变体）的容错模拟。使用猫态量子比特可以有效增强反向旋转耦合，使我们能够探索依赖于反向旋转相互作用的几种迷人的量子现象。此外，偏置噪声猫量子比特的另一个好处是两个主要错误通道（频率和幅度不匹配）都呈指数级抑制。因此，模拟协议对于确定投影子空间的参数驱动的参数误差具有鲁棒性。我们分析了三个例子：（i）量子态的崩溃和复兴；（ii）隐藏的对称性和隧穿动力学；（iii）成对猫码计算。
具有作动障碍的飞机的最佳容错飞行控制
知识和批判性评论。为了纪念我的父亲；我仍然记得你无限的支持和鼓励。你是我的父亲、朋友，也是我这一生的伟大榜样。我也想向我的母亲表达我最诚挚的谢意，感谢她的爱、关怀、善良和慷慨。“谢谢”这个词对于你为我创造的美好事物来说太微不足道了。我感谢我的妻子 Hana，她一直是我最好的朋友和伴侣。感谢她的牺牲
故障估计与容错控制的鲁棒集成迭代策略 ✩
本文考虑了具有执行器和传感器故障、不确定性和干扰的线性参数变化系统的故障估计 (FE) 和容错控制 (FTC)。在设计中需要考虑 FE 和 FTC 功能之间不可避免的耦合，以确保基于 FE 的 FTC 闭环系统的整体性能和鲁棒性。本文提出了一种迭代策略，利用分离原理和小增益定理的概念实现 FE 和 FTC 的稳健集成。迭代算法涉及在每次迭代中求解多目标线性矩阵不等式优化问题，并具有有限步收敛保证。通过数值模拟说明了所提算法的有效性及其相对于现有工作的优势。© 2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
使用星形胶质细胞神经网络进行容错计算的设计方法
我们提出了一种设计方法来促进深度学习模型的容错。首先，我们实现了一个多核容错神经形态硬件设计，其中每个神经形态核心中的神经元和突触电路都包裹在星形胶质细胞电路中，星形胶质细胞是大脑的星形神经胶质细胞，它通过使用闭环逆行反馈信号恢复故障神经元的尖峰放电频率来促进自我修复。接下来，我们在深度学习模型中引入星形胶质细胞，以实现对硬件故障所需的容忍度。最后，我们使用系统软件将支持星形胶质细胞的模型划分为集群，并在所提出的容错神经形态设计上实现它们。我们使用七种深度学习推理模型评估了这种设计方法，并表明它既节省面积又节能。
硬件规格对容错机制中实现量子优势的影响
我们研究了硬件规格如何影响最终运行时间和在容错机制下实现量子优势所需的物理量子比特数。在特定时间范围内，不同的量子硬件设计的代码周期时间和可实现的物理量子比特数可能会相差几个数量级。我们从对应于特定化学应用的量子优势的逻辑资源需求开始，模拟 FeMo-co 分子，并探索使用额外的量子比特可以在多大程度上缓解较慢的代码周期时间。我们表明，在某些情况下，只要有足够的物理量子比特，代码周期时间明显较慢的架构仍然能够达到理想的运行时间。我们利用了之前在纠错表面码领域考虑过的各种空间和时间优化策略。特别是，我们比较了两种不同的并行化方法：表面代码单元游戏和 AutoCCZ 工厂。最后，我们计算了在实际构成威胁的短时间内破解比特币网络中 256 位椭圆曲线密钥加密所需的物理量子比特数。使用表面代码、1 ls 的代码周期时间、10 ls 的反应时间和 10 3 的物理门错误，在一小时内破解加密需要 317 10 6 个物理量子比特。而要在一天内破解加密，则需要 13 10 6 个物理量子比特。
具有代码级联的资源高效容错单向量子中继器
单向量子中继器通过量子纠错码抵消丢失和操作错误，可以确保量子网络中快速可靠的量子比特传输。至关重要的是，这种中继器的资源需求（例如，每个中继器节点的量子比特数和量子纠错操作的复杂性）必须保持在最低水平，以便在不久的将来实现。为此，我们提出了一种单向量子中继器，它使用代码连接以资源高效的方式针对通信信道中的丢失和操作错误率。具体来说，我们将树簇代码视为内部容错代码，与外部 5 量子比特代码连接，以防止泡利错误。采用基于标志的稳定器测量，我们表明，通过散布每个专门用于抑制丢失或操作错误的中继器节点，可以以最小的资源开销连接长达 10,000 公里的洲际距离。我们的工作证明了定制的纠错码如何显著降低长距离量子通信的实验要求。
利用光子互连离子阱实现容错量子计算
实现误差修正的逻辑量子比特及其之间的操作是进行有用量子计算的关键。离子振动模式系统是实现逻辑量子比特的良好候选。利用受激拉曼跃迁实现集体振动声子模式之间的分束器相互作用，从而实现声子模式之间的量子纠缠是实现逻辑量子比特之间操作的重要步骤。这种对多模式和压缩态的纠缠操作可用于生成连续变量簇态。此外，通过制备玻色子码作为离子振动态并利用上述分束器相互作用，可以实现跨多模式的门操作。
用于通用容错量子计算的最佳双量子比特电路
我们研究了 Cliffiord+ CS 门集上的两量子比特电路，该门集由 Cliffiord 门和受控相位门 CS = diag(1 , 1 , 1 , i ) 组成。Cliffiord+ CS 门集对于量子计算是通用的，其元素可以通过魔法状态蒸馏在大多数纠错方案中以容错方式实现。由于非 Cliffiord 门通常以容错方式执行的成本更高，因此通常希望构建使用少量 CS 门的电路。在本文中，我们介绍了一种高效且最优的两量子比特 Cliffiord+ CS 算子合成算法。我们的算法输入一个 Cliffiord+ CS 算子 U 并输出一个针对 U 的 Cliffiord+ CS 电路，该电路使用尽可能少的 CS 门。由于该算法是确定性的，因此它与 Cliffiord+ CS 算子相关联的电路可以看作是该算子的标准形式。我们给出了这些范式的明确描述，并利用该描述推导出最坏情况下限为 5 log 2 ( 1
基于工厂的编码一个逻辑量子位的量子极性码的容错准备
最近提出了一种容错方法来准备 Q 1 码的逻辑码态，即编码一个量子比特的量子极性码。其中的容错性由错误检测装置保证，如果在准备过程中检测到错误，则完全丢弃准备。由于错误检测，准备是概率性的，其成功率（称为准备率）随代码长度的增加而迅速下降，从而阻止了大代码长度的代码状态的准备。在本文中，为了提高准备率，我们考虑工厂准备 Q 1 码态，其中尝试并行准备多个 Q 1 码态副本。使用额外的调度步骤，我们可以避免每次检测到错误时完全丢弃准备，从而反过来提高准备率。我们进一步提供了一种理论方法来估计使用工厂准备准备的 Q 1 码的准备和逻辑错误率，该方法被证明与基于蒙特卡洛模拟的数值结果紧密相关。因此，我们的理论方法可用于为大代码长度提供估计，而蒙特卡罗模拟实际上并不可行。对于电路级去极化噪声模型，我们的数值结果表明准备率显著增加，特别是对于较大的代码长度 N 。例如，对于 N = 256 ，对于实际有趣的物理错误率 p = 10 − 3 ，它从 0.02% 增加到 27%。值得注意的是，N = 256 的 Q 1 码在 p = 10 − 3 和 p = 3 × 10 − 4 时分别实现了大约 10 − 11 和 10 − 15 的逻辑错误率。与具有相似代码长度和最小距离的表面码相比，这相当于提高了大约三个数量级，从而表明所提出的方案用于大规模容错量子计算的前景。
移动机器人在现场失效原因分析
第二章 相关文献 9 2.1 机器人故障与定性评估研究 10 2.1.1 多数据源机器人机械手故障分析 11 2.1.2 单数据源移动机器人可靠性研究 13 2.1.3 用于 USAR 的移动机器人定性评估 14 2.2 故障分析方法 15 2.2.1 故障表征与分类 16 2.2.2 可靠性验证方法 18 2.3 容错系统 21 2.3.1 基于模型的容错系统 21 2.3.2 混合容错系统 23 2.3.3 基于专家系统的容错系统 24 2.3.4 以数据中心为中心容错系统 24 2.3.5 自主计算中的容错 25 2.4 总结 28