XiaoMi-AI文件搜索系统
World File Search System模拟
IV模拟电路主题代码IV模拟电路主题代码
模块-1 BJT偏置：BJT放大器电路中的偏置：经典离散电路偏置（电压 - 分隔偏置），使用收集器偏置以基本反馈电阻。小信号操作和模型：收集器电流和跨导性，基本电流和输入电阻，发射极电流和输入电阻，电压增益，信号和直流数量分离，即混合π模型。MOSFET：MOS放大器电路中的偏置：固定V GS，固定V G，排干到门反馈电阻。小信号操作和建模小：直流偏置点，漏极中的信号电流，电压增益，小信号等效电路模型，跨导性。
第 6 章飞行测试模拟 - DTIC
1957 年之前，德莱顿的模拟经验仅限于使用其他组织的能力。1955 年至 1957 年期间，德莱顿工程人员使用美国空军模拟器对两个项目进行了模拟，这对决定获得内部能力产生了重大影响。在第一个项目中，使用模拟计算机的模拟使人们了解了滚转耦合现象，在第二个项目中，模拟准确预测了 3 马赫速度下的 X-2 横向控制问题。这些发现的重要性促使德莱顿决定获得模拟计算机能力。尤其是 X-2 的经验使工程人员相信模拟在未来的 X-15 项目中将发挥重要作用。
未来量子模拟器的研讨会
28。Linsel Simon Mathias（在Pers。）Ludwig-Maximilians-Universitätmünchen物理学系和Arnold Sommerfeld理论物理中心（ASC）
量子内积的电路设计与高效模拟及其对近期混合量子-经典机器学习影响的实证研究
在量子计算机上可验证的较低复杂度。然而，量子电路 (QC) 的 QIP 体现仍不清楚，更不用说对 QIP 电路的 (彻底) 评估，特别是在 NISQ 时代的实际环境中，通过混合量子经典管道将 QIP 应用于 ML。在本文中，我们从头开始精心设计 QIP 电路，其复杂性与理论复杂性一致。为了使模拟在经典计算机上易于处理，特别是当它集成在基于梯度的混合 ML 管道中时，我们进一步设计了一种高效的模拟方案，直接模拟输出状态。实验表明，与之前的电路模拟器相比，该方案将模拟速度提高了 68k 倍以上。这使我们能够对典型的机器学习任务进行实证评估，从通过神经网络的监督和自监督学习到 K 均值聚类。结果表明，在量子比特足够的情况下，典型量子机制带来的计算误差一般不会对最终的数值结果产生太大影响。然而，某些任务（例如 K-Means 中的排序）可能对量子噪声更加敏感。
MATLAB/SIMULINK中的系列和平行电池组模型的建模和模拟
锂离子电池最近由于其许多优势而成为车辆应用研究的重点。锂离子电池具有比其他二级电池更高的特异性能量，更好的能量密度和更低的自我放电速率，这使其适合电动汽车和混合动力汽车。尽管如此，担心安全性，成本，充电时间和回收利用已阻碍了锂离子电池的商业用法，以进行自动应用。开发有效的电池系统需要在模拟平台上进行精确的电池模型。在这项研究中，电池模型是用MATLAB/SIMULINK内置的。有两个变体可用：一个具有串联的平行电池布置和一个无配置的单个型号。提供并详细说明了所提出的模型的结构。基于测试结果，已验证了开发的电池模型。一个比较表明，创建的模型可以准确预测电流，电压和功率性能。该型号是为Eaton机电电池锂离子18650电池设计的，但据说与其他类型的电池一起使用。模拟考虑了电池的充电状态，电流，电压和电源要求。
TDS GTNXi 飞行模拟器
下载完成后，安装将自动开始，按“下一步”继续完成安装屏幕，以完成 PC Trainer 的安装。PC Trainer 安装完成后，将下载实际的 GTNXi PC Trainer。下载完成后，将开始安装此组件，按“下一步”继续。
基于 OpenFOAM 和 CPU/GPU 计算的 AI 加速 CFD 模拟 ⋆
摘要。在本文中，我们提出了一种通过将传统 CFD 求解器与我们的 AI 模块集成来加速 CFD（计算流体动力学）模拟的方法。所研究的现象负责化学混合。所考虑的 CFD 模拟属于一组稳态模拟，并使用基于 OpenFOAM 工具箱的 MixIT 工具。所提出的模块被实现为 CNN（卷积神经网络）监督学习算法。我们的方法通过为模拟现象的每个数量创建单独的 AI 子模型来分发数据。然后可以在推理阶段对这些子模型进行流水线处理以减少执行时间，或者逐个调用以减少内存需求。我们根据 CPU 或 GPU 平台的使用情况检查所提出方法的性能。对于具有不同数量条件的测试实验，我们将解决时间缩短了约 10 倍。比较基于直方图比较法的模拟结果显示所有数量的平均准确率约为 92%。
人工智能驱动模拟器的兴起：构建新的水晶球
人工智能驱动的模拟器的兴起：构建新的水晶球 计算社区联盟 (CCC) 四年期论文 Ian Foster（芝加哥大学）、David Parkes（哈佛大学）和 Stephan Zheng（Salesforce AI Research） 五十年前，天气预报员努力预测明天的天气是否与今天相同。如今，天气预报通常可以准确预测未来一周或更长时间，让个人和社会能够为不再不可预见的事情做好准备。这种显著的转变在很大程度上归功于计算机，尤其是计算模拟的兴起，这是一种使用计算机预测复杂系统未来状态的方法。模拟最初是在第二次世界大战的最后几天为军事目的而开发的，现在已遍布人类社会和经济领域，为决策者提供了一个非凡的水晶球，不仅可以预测下周的天气，还可以预测飞机在不同天气模式下飞行时的表现、新药对新疾病的有效性以及未来电池中新材料的行为。计算机模拟是在计算机上执行的数学建模过程，旨在预测现实世界或物理系统的行为或结果。 1 模拟通常通过将空间（例如北美）划分为多个小单元来配置，每个小单元保存一组值（例如温度和压力）以及一组本地规则，用于更新下一个时间步骤的单元（例如，基于单元和相邻单元的当前温度和压力，一分钟后的温度/压力）。模拟运行以测量的输入（温度/压力）为种子，并反复应用其规则来随时间更新模拟系统。更准确的输入数据、更小的单元和更好的规则可以实现更高保真度的模拟（例如，下周而不是明天的良好天气预报）。计算机模拟的使用现在在社会上如此普遍，毫不夸张地说，美国和国际的持续繁荣、安全和健康在一定程度上取决于模拟能力的持续改进。如果我们能够预测两周后的天气，指导新病毒性疾病新药的设计，或者管理将生产成本和时间降低一个数量级的新制造工艺，情况会怎样？如果我们能够预测人类的集体行为，例如，在自然灾害期间对疏散请求的响应，或劳动力对财政刺激的反应，情况会怎样？ （另请参阅 CCC Quad 关于疫情信息学的配套论文，其中讨论了
使用 IBM 量子计算机模拟器和 IBM 量子计算机硬件将量子机器学习应用于 LHC 的高能物理分析
我们小组率先在 LHC 的高能物理分析中使用量子机器学习 (QML)。我们已在门模型量子计算机模拟器和硬件上成功将几种 QML 分类算法应用于 ttH（与顶夸克对相关的希格斯粒子生成）和希格斯粒子到两个μ子（希格斯粒子与第二代费米子的耦合）这两项最近的 LHC 旗舰物理分析。模拟研究已使用 IBM Quantum Framework、Google Tensorflow Quantum Framework 和 Amazon Braket Framework 进行，并且我们已实现良好的分类性能，其性能类似于目前在 LHC 物理分析中使用的经典机器学习方法，例如经典 SVM、经典 BDT 和经典深度神经网络。我们还使用 IBM 超导量子计算机硬件进行了研究，其性能令人鼓舞，并且接近 IBM 量子模拟器的性能。此外，我们将研究扩展到其他 QML 领域，例如量子异常检测和量子生成对抗，并已取得一些初步成果。此外，我们还使用 NVIDIA cuQuantum 和 NERSC Perlmutter HPC 克服了大量子比特（25 个量子比特或更多）和大量事件情况下的密集计算资源挑战。