XiaoMi-AI文件搜索系统
World File Search System最优值
通过储备政策进行货币融资的政治经济学
通过管理准备金的价格和数量，央行可以在保持价格稳定的同时积极提供大量政府融资——铸币税。我开发了一个统一的框架，将异质家庭、不完全市场和需要准备金来对冲流动性风险的IO银行业整合在一起。央行通过管理银行的流动性需求来控制市场利率。当最低准备金要求（MRR）不具有约束力时，铸币税是对银行利润的一种征税，福利最优值的特点是适度的超额准备金，因为提供更多准备金会减少流动性利差但会降低铸币税。相反，当准备金持有由具有约束力的MRR强制执行时，铸币税实际上就是对流动财富的一种征税，福利最优值是全额准备金银行（MRR为100％）。在这种制度下，政府预算主要由流动财富回报的国有化来资助，政府债务的实际利率为零。除了极度贫困的人以外，所有人都会倾向于最优的超额准备金供应，而不是当前的制度，而三分之二较不富裕的人口则会倾向于全额准备金制度。
推荐引用 推荐引用 ATALI, GÖKHAN; PEHL İ VAN, İ HSAN; GÜREV İ N, B İ LAL; 和 Ş EKER, HAL İ L İ BRAH İ M (2021) “基于元启发式的人工智能算法中的混沌：简要回顾”，土耳其电气工程与计算机科学杂志：第 29 卷：第 3 期，第 3 篇文章。https://doi.org/10.3906/elk-2102-5 可在以下网址获取：https://journals.tubitak.gov.tr/elektrik/vol29/iss3/3
随着科学技术的发展，优化问题的复杂性也成倍增加。在工程和其他技术问题中，利用优化方法实现利润最大化或损失最小化一直是最重要的目标之一。为了加速问题的解决，人们开发了采用元启发式方法的优化问题解决方案算法，这些算法通常受到自然界生物、物理事件、群体行为等的启发。元启发式算法是一种启发式方法，它可以为计算能力不完整或有限的优化问题提供足够好的解决方案，该算法使用了计算机科学和数学优化中的高级程序。这些算法通常可以快速收敛到最优值，计算简单且易于实现。
融合粒子群优化和统计算法的混合模型拟合方法∗
软件可靠性增长模型 [1] 适用于与测试期间经历的故障相关的时间序列数据，以预测达到所需故障强度或故障间隔时间等指标。从历史上看，人们采用了牛顿法等数值算法，这些算法需要良好的初始参数估计，因此应用 SRGM 需要高水平的专业知识。最近克服传统数值方法不稳定性的方法包括群体智能 [2] 等技术，它表现出强大的全局搜索能力。然而，这些技术可能需要大量的计算资源和时间来收敛到精确的最优值，这对 SRGM 很重要，因为一些模型参数对其他参数的精确估计非常敏感。此外，过去大多数应用群体智能的研究
IBM Quantum Experience 上量子增强和经典机器学习算法的性能比较
摘要 . 机器学习现在几乎无处不在，主要用于预测。从最广泛的意义上讲，机器学习目标可以概括为近似问题，而各种训练方法所解决的问题可以归结为寻找未知函数的最优值或恢复函数。目前，我们只有基于经典量子逻辑的量子计算机实验样本，使用量子门代替普通逻辑门，使用概率量子比特代替确定性比特。也就是说，概率性质的问题可以从大量可能的状态中确定某个最优状态，量子计算机可以在这些状态下实现“量子霸权”——解决任务所需的时间大大减少（减少了几个数量级）。这项工作的主要思想是确定在量子计算机上解决机器学习问题时实现量子优势的可能性，即使不是量子霸权。
无人机系统在农作物生产中的应用是农业工业综合体数字化的一个方面
摘要。本文对在数字农业中使用无人机系统技术进行了经济评估，并论证了其主要技术参数的最佳要求。作为对实施该系统的各种方案进行比较评估的衡量标准，提出了以条件价格单位执行使用农药、化肥和其他农用化学品的技术过程的成本估算。进行了多因素试验，并获得了描述农业技术因素与最终结果之间关系的数学模型的变体，以处理 1 公顷农田的条件成本表示。针对在指定水平上固定因素的各种变体，获得了参数的最优值。显示了最重要的农业技术因素对使用农药、化肥和其他农用化学品的技术过程成本的影响。提出了在开发新型无人机时应使用的因素值，以确保其在农业中的最大需求和经济效率。
基于电动力学的具有玻恩散射的量子门优化
本文提出利用电子散射来实现由三个量子比特控制的幺正量子门。利用费曼规则，我们找到了外部电磁源散射跃迁振幅的表达式。在此背景下，散射振幅被建模为一个状态可调节的幺正门。实现门所需的矢量势的最优值是通过最小化设计门和目标门之间的差异来获得的，以总消耗能量为约束。设计算法是通过将得到的积分方程离散化为矢量方程而得到的。该设计算法可应用于量子计算、通信和传感等各个领域。它为开发用于量子信息处理的高效和精确的门提供了一种有前途的方法。此外，这种方法还可以扩展到设计多量子比特系统的门，这对于大规模量子计算至关重要。该算法的使用可以大大促进实用量子技术的发展。
利用分散数据进行量子联邦学习
摘要 —变分量子算法 (VQA) 访问集中式数据来训练模型，使用分布式计算可以显著改善训练开销；然而，数据对隐私敏感。在本文中，我们提出了从分散数据中进行通信高效的 VQA 学习，即所谓的量子联邦学习 (QFL)。受经典联邦学习算法的启发，我们通过聚合本地计算的更新来共享模型参数，从而改善数据隐私。在这里，为了在参数环境中找到近似最优值，我们开发了传统 VQA 的扩展。最后，我们在变分量子张量网络分类器、Ising 模型的近似量子优化和分子氢的变分量子特征求解器中部署了 TensorFlowQuantum 处理器。我们的算法从分散数据中展示了模型的准确性，在近期处理器上具有更高的性能。重要的是，QFL 可能会激发安全量子机器学习领域的新研究。
在不同汉密尔顿量和谱密度下对开放量子动力学进行有效的量子模拟
在研究各种量子系统时，对各种汉密尔顿量和谱密度的开放量子动力学进行模拟是普遍存在的。在量子计算机上，模拟一个 N 维量子系统只需要 log 2 N 个量子比特，因此与传统方法相比，在量子计算机中进行模拟可以大大降低计算复杂度。最近，提出了一种用于研究光合作用光收集的量子模拟方法 [npj Quantum Inf. 4, 52 (2018)]。在本文中，我们应用该方法模拟各种光合作用系统的开放量子动力学。我们表明，对于 Drude-Lorentz 谱密度，供体和受体团簇内分别具有强耦合的二聚化几何结构表现出显著提高的效率。我们还证明，当供体和受体团簇之间的能隙与谱密度的最优值匹配时，总能量传递可以得到优化。我们还研究了不同类型的浴（例如欧姆、亚欧姆和超欧姆谱密度）的影响。目前的研究表明，所提出的方法对于模拟光合作用系统的精确量子动力学具有普遍性。
量子退火中的最佳退火方案是什么
在工程（以及其他学科）的许多实际情况下，我们需要解决优化问题：我们想要一个最佳设计，我们想要一个最佳控制，等等。优化的主要问题之一是避免局部最大值（或最小值）。有助于解决此问题的技术之一是退火：每当我们发现自己处于可能的局部最大值时，我们都会以某种概率跳出并继续寻找真正的最优值。组织这种确定性优化的概率扰动的自然方法是使用量子效应。事实证明，量子退火通常比非量子退火效果好得多。量子退火是唯一使用量子效应的商用计算设备——D-Wave 计算机背后的主要技术。量子退火的效率取决于退火计划的正确选择，即描述扰动如何随时间减少的计划。根据经验，已经发现两种计划效果最好：幂律和指数计划。在本文中，我们通过证明这两个时间表确实是最优的（在某种合理的意义上），为这些实证成功提供了理论解释。