XiaoMi-AI文件搜索系统
World File Search System方程
具有神经常规微分方程的灰色盒模型，用于锂离子电池的缓慢电压动力学：应用于单细胞实验
锂离子电池表现出复杂，非线性和动态电压行为。对其缓慢的动态进行建模是一个挑战，因为涉及多个潜在原因。我们在这里提出了锂离子电池的神经等效电路模型，包括缓慢的电压动力学。该模型使用具有电压源，串联电阻和扩散元件的等效电路。使用神经网络对串联电阻进行参数化。扩散元素基于使用神经网络和可学习参数的参数化的离散形式的Fickian扩散形式。不仅代表沃伯格的行为，还可以灵活地代表电阻器型动力学。在数学上，由此产生的模型由结合了普通和神经微分方程的差分 - 代数方程系统给出。因此，该模型将物理理论（白框模型）和人工智能（Black-Box模型）的概念结合到了组合的框架（Grey-Box模型）。我们将这种方法应用于基于磷酸锂的锂离子电池。模型很好地再现了恒定循环期间的实验电压行为以及脉冲测试过程中的动力学。仅在非常高和非常低的电荷状态下，模拟显着偏离了实验，这可能是由于这些地区的训练数据不足而导致的。
具有林德布拉德主方程和干扰测量的量子启发语言模型用于情绪分析
量子启发模型在许多下游语言任务（如问答和情感分析）中表现出色。然而，最近的模型主要关注嵌入和测量操作，忽略了量子演化过程的重要性。在这项工作中，我们提出了一种新型的量子启发神经网络 LI-QiLM，它集成了林德布拉德主方程 (LME) 来建模演化过程和干涉测量过程，提供更多的物理意义以增强可解释性。我们对六个情感分析数据集进行了全面的实验。与传统神经网络、基于 Transformer 的预训练模型和量子启发模型（如 CICWE-QNN 和 ComplexQNN）相比，所提出的方法在六个常用的情感分析数据集上表现出卓越的准确率和 F1 分数。额外的消融测试验证了 LME 和干涉测量的有效性。
对广义RSA密钥方程式的新同时进行的双苯胺攻击
rsa是不对称加密中广泛采用的方法，通常用于数字签名验证和消息加密。RSA的安全性依赖于整数因素的挑战，一个问题在计算上不可行或高度复杂，尤其是在处理足够大的安全参数时。RSA中整数分解问题的有效利用可以使对手可以假设关键持有人的身份并解密此类机密信息。安全硬件中使用的密钥特别重要，因为它们保护的信息的价值通常更高，例如在确保付款交易的背景下。通常，RSA面临各种攻击，利用其关键方程式中的弱点。本文引入了一个新的漏洞，该漏洞可以同时分解多个RSA模量。通过使用对（𝑁𝑁，𝑒）和固定值𝑦满足双苯胺方程𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑥 -2 - 2 𝜙（𝑁𝑁）=𝑧𝑖𝑧𝑧𝑧𝑧𝑧𝑧𝑧𝑖𝑖𝑧，我们使用晶格基碱基还原技术成功地分解了这些模量。值得注意的是，我们的研究扩大了被认为是不安全的RSA解密指数的范围。
使用高斯潜在功能的修改后方程式开发避免障碍控制系统
摘要 - 行驶系统是自动驾驶汽车的必要系统，许多论文提出了轨迹跟踪和避免障碍物的技术。高斯潜在功能对于使用2D激光雷达避免障碍物的轨迹跟踪控制系统众所周知。缺点是它依赖于局部最小值，在某些情况下，车辆和目标正在朝着相同的方向移动，由于有吸引力的潜在领域的诱惑太高，因此车辆和目标正在朝着相同的方向移动。然后，已经引入了使用修改后的有吸引力功能避免障碍物的轨迹跟踪控制，该功能的常规吸引力功能被修改以改善导航系统。模拟是通过Carla模拟器进行的，并且使用修改功能的避免障碍物的运动在跟踪过程中的摇摆运动和横向运动过程中的安全性考虑，这是通过车辆的横向加速度来考虑的，其在模拟情况下的值比其他类型的有吸引力的功能少。同时，修改后的功能还保持了车辆和障碍物之间的安全距离差距，以免避免在障碍物范围内避免在非常接近的范围内，这可能会导致碰撞。关键字 - 三射跟踪控制系统，避免障碍物，高斯潜在功能，有吸引力的功能，Carla Simulator
McGinty-Nottale 尺度方程 (MNSE)
简介 在理论物理的动态领域，统一和调和不同理论的追求往往会催化突破性的进步。本文介绍了 MNSE，这是一个创新的理论框架，它将麦金蒂方程 (MEQ) 与 Laurent Nottale 的标度相对论相结合。MEQ 因将分形几何融入量子场论 (QFT) 而闻名，它与标度相对论的时空分形结构和标度相关物理定律前提相交叉。由此产生的 MNSE 提出了我们对量子力学理解的深刻转变，为时空和量子现象的复杂性质提供了一个细致入微的视角。本文旨在剖析这种整合的复杂性，阐明 MNSE 如何重新定义我们对量子通信的理解，并描述其对全球连接和信息安全的巨大影响。
初始重子停止的限制和定向流的状态方程
量子色动力学 (QCD) 相图的探索在很大程度上依赖于在不同束流能量下进行的重离子碰撞实验 [ 1 , 2 ]。这些碰撞跨越不同阶段，演变过程错综复杂，需要一个多阶段的理论框架。该框架已成功描述了大量测量结果。最终强子的集体流为我们了解早期动力学、传输特性和所产生的致密核物质的状态方程 (EoS) 提供了至关重要的见解 [ 3 ]。定向流 (v 1 ) 表示集体侧向运动，对早期演化和状态方程尤其敏感 [ 3 , 4 ]。dv 1 / dy | y = 0 的非单调行为（v 1 ( y ) 在中快速度附近的斜率）已被提出作为强子物质和夸克胶子等离子体 (QGP) 之间一级相变的指示 [ 3 , 5 , 6 ]。这是因为相变引起的 EoS 软化可能导致膨胀过程中定向流的减少，从而导致 dv 1 / dy | y = 0 与束流能量的关系达到最小值 [3]。然而，强调 v 1 ( y ) 对各种动力学方面的敏感性至关重要。人们已经利用各种模型来计算从 AGS 到最高 RHIC 能量的 v 1 ( y )，结果差异很大，但没有一个能有效地描述跨束流能量测量的主要特征 [7,8]。在本文中，我们使用具有参数初始条件的 (3 + 1) 维混合框架解释了介子和重子的 v 1 ( y )，并揭示了它对有限化学势下重子初始停止和致密核物质 EoS 的约束能力 [9]。
机器学习随机微分方程用于经典多体系统平衡态和非平衡态序参量的演化
摘要。我们开发了一种机器学习算法来推断控制多体系统序参量演化的随机方程。我们训练我们的神经网络来独立学习作用于序参量的定向力以及有效扩散噪声。我们使用具有 Glauber 动力学的经典 Ising 模型和接触过程作为测试案例来说明我们的方法。对于代表典型平衡和非平衡场景的两种模型，可以有效地推断出定向力和噪声。Ising 模型的定向力项使我们能够重建序参量的有效势，该序参量在临界温度以下形成特征性的双阱形状。尽管它具有真正的非平衡性质，但这种有效势也可以用于接触过程，并且其形状表示相变到吸收状态。此外，与平衡 Ising 模型相反，吸收状态的存在使噪声项依赖于序参量本身的值。
超快激发动力学的kohn-sham-proca方程
图2：介电函数的假想部分ε2（ω），作为散装（a）si和（b）lif的光子能量（eV）的函数。在这里，实验光谱显示为蓝色杂交，红线代表了使用GGA函数代替手稿中使用的LDA函数的KSP计算结果。可以看出，与实验保留的极好的一致性，实际上，与使用LDA功能进行的相同计算相比，理论吸收仅可忽略不计（与图。纸的2）
带有物理信息的神经网络的时间依赖性狄拉克方程：计算和属性
在这项工作中，我们提出了一个多目标决策框架，该框架可以通过策略比较来学习偏好，从而使用户偏好与目标相比不同。我们的模型由具有矢量值奖励功能的已知马尔可夫决策过程组成，每个用户都有未知的偏好向量向量，该向量表达了每个目标的相对重要性。目标是有效地计算给定用户的近似策略。我们考虑两个用户反馈模型。我们首先解决了向用户提供两个策略并将其首选策略作为反馈的情况。然后，我们转到另一个用户反馈模型，在该模型中，用户提供了两组小的代表轨迹集，并选择了首选。在这两种情况下，我们都建议使用多种比较查询为用户找到几乎最佳的策略，这些查询在目标数量中逐渐扩展。