XiaoMi-AI文件搜索系统
World File Search System损耗
电光调制损耗模式谐振
摘要：传感器的灵敏度、选择性、可靠性和测量范围是其广泛应用的重要参数。各种检测系统数量的快速增长似乎证明了全世界为增强一个或多个参数而做出的努力是合理的。因此，作为一种可能的解决方案，多域传感方案已被提出。这意味着传感器在光学和电化学等领域同时被询问。光学透明和电化学活性透明导电氧化物（TCO），如氧化铟锡（ITO），为在单个传感器内结合这两个领域提供了机会。这项工作旨在理解 ITO 涂层光纤传感器中观察到的电光调制有损模式共振（LMR）效应。由数值建模支持的实验研究可以识别负责两个领域性能的薄膜特性以及它们之间的相互作用。已发现半导体 ITO 中的载流子密度决定了电化学过程的效率和 LMR 特性。载流子密度会提高电化学活性，但会降低电光调制能力
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
具有极低介电常数和损耗的轻质多孔二氧化硅泡沫，适用于未来 6G 无线通信技术
在接近太赫兹频率下工作的下一代无线通信系统中，具有尽可能低的介电常数和损耗因子的电介质基板变得至关重要。在本文中，我们采用模板辅助溶胶-凝胶法合成了高度多孔（98.9% ± 0.1%）和轻质二氧化硅泡沫（0.025 ± 0.005 g/cm 3 ），它们具有极低的相对介电常数（300 GHz 时 ε r = 1.018 ± 0.003）和相应的损耗因子（300 GHz 时 tan δ < 3 × 10 −4）。在泡沫板上浸涂一层纤维素纳米纤维薄膜后，可获得足够光滑的表面，在此表面上可方便地沉积对电子和电信设备应用很重要的导电金属平面薄膜。在这里，银薄膜的微图案通过荫罩溅射到基板上，以展示双开口环谐振器超材料结构作为在亚太赫兹波段工作的射频滤波器。
TLT - 低损耗射频/微波层压板
耐电弧性 IPC-650 2.5.1 秒 >180 秒 >180 弯曲强度 (MD) IPC-650 2.4.4 psi >23,000 N/mm 2 >159 弯曲强度 (CD) IPC-650 2.4.4 psi >19,000 N/mm 2 >131 剥离强度 (1 盎司 ED) IPC-650 2.4.8 磅/英寸 12 N/mm 2.1 热导率 ASTM F 433 W/M*K 0.19 W/M*K 0.19 热膨胀系数 (XY 轴) ASTM D 3386 (TMA) ppm/ ° C 21-23 ppm/ ° C 21-23 热膨胀系数 (Z 轴) ASTM D 3386 (TMA) ppm/ ° C 215 ppm/ ° C 215 可燃性等级UL 94 V-0 V-0
基于机器学习的光伏大规模不平衡配电系统能量损耗估算方法
近年来，光伏 (PV) 在非平衡配电系统中的渗透率明显提高。在这种趋势的推动下，需要全面的仿真工具来快速准确地分析大型配电系统。在本文中，我们提出了一种对含 PV 的不平衡配电系统进行时间序列仿真的有效方法。与现有的迭代方法不同，所提出的方法基于机器学习。具体而言，我们提出了一种快速、可靠和准确的方法来确定含 PV 的配电系统中的能量损耗。将所提出的方法应用于带有 PV 并网单元的大规模不平衡配电系统 (IEEE 906 总线欧洲 LV 测试馈线)。使用 OpenDSS 软件验证了该方法。结果表明，所提出的方法具有很高的精度和计算性能。
TLY - 低损耗层压板系列
认为短切纤维增强 2.2 层压板确实是随机的，这种说法过于乐观，甚至可能具有误导性。目视观察 5 mil 短切纤维 2.2 层压板，其外观不均匀，有深色和浅色区域（图 A）。为了确定短切纤维增强材料的均匀性，使用了 X 射线荧光。玻璃纤维的化学成分主要是氧化硅 (SiO 2 )，其次是 CaO 2 、Al 2 O3、MgO 和 B 2 O 3 。XRF 对重元素的敏感度高于碳或氟。因此，使用 XRF 追踪明暗区域中重 Si 和 Ca 的相对成分。第一个观察结果是，暗区和明区具有不同的密度（未显示表面分析）。散射强度与轻元素和重元素的浓度成正比。需要进行更详细的分析，以获得有关两个区域之间密度差异的定量信息。众所周知，PTFE 的 Dk 取决于高温致密化过程中从 PTFE 复合材料中压缩出来的空气量。图 B 显示了浅色和深色区域的 XRF 散射强度重叠（亚表面体分析）。深色区域的硅含量是深色区域的 2.35 倍，钙含量是深色区域的 1.34 倍。氧化硅（二氧化硅）的 Dk 为 3.28，明显高于 PTFE 的 2.1 Dk。硅和钙的不均匀分布表明制造过程容易产生非均匀的介电材料。目前尚不清楚哪种材料更均匀 - 短切纤维或连续编织增强的 2.2 Dk PTFE 复合材料。但必须指出的是，短切纤维层压板上的浅色和深色区域的域尺寸非常大，肉眼可见，并且肯定与编织玻璃纤维 PTFE 层压板（TLY-5）相当。真正随机短切纤维增强层压板的 x、y 和 z CTE 值相等。具有不同 Si 和 Ca 浓度的浅色和深色区域的大区域尺寸表明，层压板内可能存在具有波动 CTE 值的不同区域。
拉贾斯坦邦配电公司制定行动计划，降低 AT&C 损耗，作为电力行业改革的一部分
拉贾斯坦邦是电力行业改革的先行者之一，这一点从拉贾斯坦邦政府自 20 世纪 90 年代末开始实施的一系列改革，最终实施了电力行业改革计划便可见一斑。电力行业的改革旨在促进和吸引投资，提高供电系统的效率，为全邦人民创造一个发展环境。通过全面改革，拉贾斯坦邦的电力行业在过去十年中取得了重大进展，发电能力不断提高，网络基础设施不断加强，电力供应状况不断改善。大多数消费者已经获得了平均每天 23-24 小时的供电，该邦已实现 100% 的家庭电气化。
利用可调低损耗超导电路进行量子信息处理
最有前途的量子信息处理平台可能是基于代表量子位的超导电路的电路 QED 架构。这些电路必须以低损耗制造，以便尽可能长时间地保留量子信息。我们开发了制造工艺，实现了超过 100 µ s 的最先进相干时间。通过研究量子比特弛豫时间的波动，我们发现损耗的主要来源是寄生两级系统。利用我们的高相干电路，我们实现了基于固定频率量子位和频率可调耦合器的量子处理器。可调耦合器是集总元件 LC 谐振器，其中电感来自超导量子干涉装置 (SQUID)。通过对耦合器频率进行参数调制，我们实现了保真度为 99% 的受控相位门。利用该设备以及另一个类似的设备，我们演示了两种不同的量子算法，即量子近似优化算法和密度矩阵指数。在我们精心校准的门的帮助下，我们实现了高算法保真度。此外，我们还研究了使用频率可调谐振器的参数振荡。此前，已通过调制两倍的谐振频率证明了退化参数振荡。我们利用这一现象实现了保真度为 98.7% 的超导量子比特的读出方法。我们通过调制多模谐振器的两个谐振频率之和证明了非退化参数振荡中的相关辐射。我们展示了振荡的经典特性与理论模型之间的出色定量一致性。此外，我们还研究了高达其谐振频率五倍的高阶调制。这些类型的参数振荡状态可用作连续变量量子计算的量子资源。
高密度适配器应用中 C(OSS) 磁滞损耗的影响
如今，人们对设备的依赖程度比以往任何时候都高。随着智能手机、平板电脑和笔记本电脑等设备的便携性，它们占据了我们日常生活中越来越多的空间和时间。由于可以无缝、即时地访问全球其他人和内容，因此持续、无限和无边界的通信、连接和任务已成为一种生活标准。但这对功率半导体行业有何影响？这些便携式设备依靠电池供电，因此，使用它们的基本前提是拥有充电器或适配器（取决于额定功率）来为它们充电。这就是功率微电子发挥作用的地方。在确定需要充电器/适配器来为我们的（智能）设备的电池充电之后，下一个问题是：我们愿意花多少时间充电？答案很明显：尽可能少。这正是快速充电越来越受欢迎的原因。但只有通过增加充电器/适配器的功率传输能力才能实现快速充电。除了充电时间，充电器的重量也是一个重要的考虑因素（越轻越好，因为我们通常必须随身携带）。这就是为什么需要功率密度更高的充电器/适配器的原因，它们可以在不增加物理尺寸或重量的情况下提供更多功率。
有信道损耗和噪声条件下双向量子安全直接通信的安全性证明
引言：量子通信使远程双方能够在远距离上安全地共享秘密信息 [1]。自从 Bennett 和 Brassard [2] 提出开创性的协议以来，人们开发了不同的量子通信模式，例如量子密钥分发 (QKD)、量子秘密共享、量子安全直接通信 (QSDC)、量子隐形传态、量子密集编码等 [2–6]。QSDC 是量子通信的重要模式之一；与 QKD 相比，QSDC 直接通过量子信道发送秘密信息，而无需预先设置密钥，从而消除了与密钥管理和密文攻击相关的进一步安全漏洞 [7]。自从第一个 QSDC 协议被提出 [4] 以来，它已成为过去十年量子通信的热门研究课题之一 [8–19]。对于纠缠载流子，2003 年邓志强、龙志强和刘志军提出了两步 QSDC 协议，明确提出了 QSDC 的标准 [20]。随后，基于高维纠缠、多体纠缠和超纠缠的 QSDC 协议相继被发展出来 [21–25]。对于单光子载流子，文献 [26] 提出了第一个 QSDC 协议，即所谓的 DL04 协议，其可行性已在 [27–29] 中得到证明。张伟等人进行了带有量子存储器的 QSDC 实验 [30]。齐若阳等人 [31] 进行了基于量子存储器的 QSDC 实验 [32]。