XiaoMi-AI文件搜索系统
World File Search System时间相关
用于时间相关可解释人工智能的时间 2 型模糊系统
摘要 —可解释人工智能 (XAI) 是一种提供透明模型和决策的范例，非技术受众也易于理解、分析和增强这些模型和决策。基于模糊逻辑系统 (FLS) 的 XAI 可以提供可解释的框架，同时还可以对现实环境中存在的不确定性进行建模，这使其适用于需要可解释性的应用。然而，大多数现实生活中的过程不仅仅是以高度的不确定性为特征；它们本质上也与时间有关，即过程随时间而变化。为了解释与过程相关的时间成分，在本文中，我们为时间相关的 XAI (TXAI) 系统提出了一种基于时间类型 2 FLS 的新型方法，该方法可以使用（测量的）发生频率来解释测量在时间域中发生的可能性。在时间 2 型模糊集 (TT2FSs) 中，开发了一个四维 (4D) 时间相关成员函数，其中关系用于构建论域元素与其出现频率之间的相互关系。使用现实生活中的智能环境数据集通过分步数值示例和实证研究来说明所提出的具有 TT2FSs 的 TXAI 系统，以解决时间相关分类问题（根据一天中特定时间的传感器读数预测房间是否有人）。TXAI 系统性能还与具有不同可解释性水平的其他最先进分类方法进行了比较。 TXAI 系统表现出更好的分类能力，使用 10 倍测试数据集，平均召回率为 95.40%，而标准 XAI 系统（基于非时间一般 2 型 (GT2) 模糊集）的平均召回率为 87.04%。TXAI 的表现也明显优于大多数不可解释的 AI 系统，平均召回率提高了 3.95% 到 19.04%。时间卷积网络 (TCN) 略优于 TXAI（平均召回率提高了 1.98%），尽管计算复杂度较大。此外，TXAI 还可以使用嵌入在 TXAI 模型中的出现频率值概述最可能的时间相关轨迹；即，给定确定时间间隔内的规则，随后时间间隔内最可能的下一个规则是什么。在这方面，提出的 TXAI 系统对于描述现实生活中的时间相关过程（例如行为或生物过程）的演变具有深远的影响。
具有物理信息神经网络的时间相关狄拉克方程：计算和性质
本文研究使用物理信息神经网络 (PINN) 计算时间相关的狄拉克方程，PINN 是科学机器学习中一个强大的新工具，它避免了使用微分算子的近似导数。PINN 以参数化（深度）神经网络的形式搜索解，其导数（时间和空间）由自动微分实现。计算成本的增加源于需要使用随机梯度法求解高维优化问题，并在训练网络中使用大量类似于标准偏微分方程求解器离散化点的点。具体而言，我们推导了一种基于 PINN 的算法，并展示了其应用于不同物理框架下的狄拉克方程时的一些关键基本性质。
使用量子模拟器测量时间相关密度的三种方法的比较
量子算法被吹捧为解决一些经典难题（如量子力学模拟）的一种方法。所有量子算法的最终结果都是量子测量，通过量子测量可以提取和利用经典数据。事实上，许多现代混合经典方法本质上是具有短量子电路描述的状态的量子测量。在这里，我们比较和研究了从量子模拟中提取时间相关的单粒子概率密度的三种方法：直接 Z 测量、贝叶斯相位估计和谐波反演。我们在时间相关密度函数理论的潜在反演问题背景下测试了这些方法。我们的测试结果表明直接测量是更好的方法。我们还重点介绍了其他两种方法可能有用的领域，并报告了使用 Rigetti 的量子虚拟设备进行的测试。这项研究为量子计算的即将应用提供了一个起点。
利用深度强化学习构建量子控制动力学的时间相关最优场
逆问题持续引起人们的极大兴趣，特别是在量子控制动力学和量子计算应用领域。在此背景下，量子最优控制理论试图构建一个外部控制场 E(t)，使量子系统从已知的初始状态演化到目标最终状态。预测 E(t) 的时间形式对于控制量子计算 [1]、量子信息处理[2–4]、激光冷却[5, 6] 和超冷物理 [7, 8] 中的潜在动力学至关重要。在复杂的多体量子系统中，预测最优 E(t) 场为控制光捕获复合物和多体相干系统中所需的动力学效应提供了关键的初始条件 [9–13]。解决这些量子控制问题的传统方法是使用基于梯度的方法或其他数值密集型方法最大化所需的跃迁概率 [14–17]。这些方法包括量子轨迹上的随机梯度下降 [18]、Krotov 方法 [19]、梯度上升脉冲工程 (GRAPE) [20] 方法和斩波随机基算法 (CRAB) [21] 方法。虽然每种算法都有自己的目的和优势，但大多数方法都需要复杂的数值方法来求解最优控制场。此外，由于这些逆问题的非线性特性，这些算法中的迭代次数和浮点运算次数可能非常大，有时甚至会导致相对简单的一维问题的结果不收敛 [16, 22]）。为了解决前面提到的计算瓶颈，我们小组最近探索了使用监督机器学习来解决这些复杂的逆问题
一种用于实现随机二进制尖峰时间相关可塑性的 CMOS-忆阻器混合系统
本文介绍了一个完全实验性的混合系统，其中使用定制的高阻态忆阻器和采用 180 nm CMOS 技术制造的模拟 CMOS 神经元组装了一个 4 × 4 忆阻交叉脉冲神经网络 (SNN)。定制忆阻器使用 NMOS 选择晶体管，该晶体管位于第二个 180 nm CMOS 芯片上。一个缺点是忆阻器的工作电流在微安范围内，而模拟 CMOS 神经元可能需要的工作电流在皮安范围内。一种可能的解决方案是使用紧凑电路将忆阻器域电流缩小到模拟 CMOS 神经元域电流至少 5-6 个数量级。在这里，我们建议使用基于 MOS 阶梯的片上紧凑电流分配器电路，将电流大幅衰减 5 个数量级以上。每个神经元之前都添加了这个电路。本文介绍了使用 4 × 4 1T1R 突触交叉开关和四个突触后 CMOS 电路的 SNN 电路的正确实验操作，每个电路都有一个 5 个十进制电流衰减器和一个积分激发神经元。它还演示了使用此小型系统进行的一次性赢家通吃训练和随机二进制脉冲时间依赖可塑性学习。
时间相关密度泛函理论的最小辅助基组及其与紧束缚近似的比较：应用于银纳米
通过第一性原理方法对等离子体纳米粒子的光谱进行建模需要耗费大量的计算资源，因此需要具有高准确度/计算成本比的方法。本文，我们表明，如果在辅助基组中每个原子仅采用一个 s 型函数，并采用适当优化的指数，则可以大大简化时间相关密度泛函理论 (TDDFT) 方法。这种方法（称为 TDDFT-as，代表辅助 s 型）可以预测不同尺寸和形状的银纳米粒子的激发能量，与参考 TDDFT 计算相比，平均误差仅为 12 meV。TDDFT-as 方法类似于线性响应处理的紧束缚近似方案，但适用于原子跃迁电荷，这里精确计算（即没有来自群体分析的近似）。我们发现，原子跃迁电荷的精确计算大大改善了宽能量范围内的吸收光谱。
bmt fleet technology limited 4949c.fr - 船舶结构委员会
示例应用程序将散货船和油轮结构视为展示本项目涉及的概念的平台。通过考虑报告介绍部分概述的七个步骤，将基于可靠性的预期寿命评估过程并行应用于这两艘船。这些步骤包括：船舶特定识别、结构部分和组件定义、载荷评估、局部细节特征定义、时间相关可靠性评估、系统可靠性分析和结果应用。给出了油轮和散货船的时间相关可靠性分析结果、故障概率的时间变化，并进行了比较，以说明它们的差异和其他因素，例如维护水平的影响。
bmt fleet technology limited 4949c.fr - 船舶结构委员会
示例应用程序将散货船和油轮结构视为展示本项目涉及的概念的平台。通过考虑报告介绍部分概述的七个步骤，将基于可靠性的预期寿命评估过程并行应用于这两艘船。这些步骤包括：船舶特定识别、结构部分和组件定义、载荷评估、局部细节特征定义、时间相关可靠性评估、系统可靠性分析和结果应用。给出了油轮和散货船的时间相关可靠性分析结果、故障概率的时间变化，并进行了比较，以说明它们的差异和其他因素，例如维护水平的影响。