XiaoMi-AI文件搜索系统
World File Search System模拟数据
利用机器学习潜力拓展量子计算在材料科学领域的应用范围
解决电子结构问题代表了量子计算机的一个有前途的应用领域。目前，人们投入了大量精力设计和优化近期量子处理器的量子算法，目的是使用有限的量子资源在选定的问题实例上超越经典算法。这些方法仍有望具有防止大规模和批量系统量子模拟的运行时间。在这项工作中，我们提出了一种策略，使用在量子模拟数据上训练的机器学习潜能将量子计算方法的范围扩展到大规模模拟。在当今的量子环境中应用机器学习潜能的挑战来自于影响电子能量和力的量子计算的几种噪声源。我们研究了选择各种噪声源的机器学习潜能的可训练性：统计、优化和硬件噪声。最后，我们从实际 IBM Quantum 处理器上计算的氢分子数据构建了第一个机器学习潜能。这已经使我们能够执行任意长且稳定的分子动力学模拟，优于所有当前分子动力学和结构优化的量子方法。
CMOS 全加器面积优化文献综述
CMOS全加器。建议的全加器总共使用八个晶体管，功耗为4.604 μW，总面积为144 μm 2 。1-trit三元全加器（TFA）由Aloke等人[2]提出，作为波流水线三元数字系统构建的一个组件。在本文中，针对建议的三元全加器电路“SUM”实现了K-map。完整的TFA是在Tanner EDA V.16增强型标准工艺中设计和优化的，该工艺基于TSMC 65nm CMOS技术的BSIM4模型，温度为27°C，施加电压线为1.0Volt。0 Volt、0.5Volt和1.0Volt的值用于表示三元值“00”、“01”和“02”。 Sharmila Devi 和 Bhanumathi [3] 描述了如何使用单向逻辑门线来创建典型的 MCML 全加器，以接收 6 个输入信号来执行可逆门。使用 Tanner EDA 软件来设计和模拟此布置。在分析模拟数据后，建议的结果是 24，与 TSG 导向全加器、费米门导向全加器和费曼门导向全加器相比，系统地减少了 60%、66.66% 和 63.63%。
电荷的实验提取与模拟...
摘要 — 我们研究了具有 TiN/Hf 0.5 Zr 0.5 O 2 /SiO 2 /Si (MFIS) 栅极结构的 FeFET 在耐久疲劳过程中的电荷捕获。我们提出了一种通过测量金属栅极和 Si 衬底中的电荷来实验提取存储器操作期间捕获电荷数量的方法。我们验证了在耐久疲劳过程中捕获电荷的数量会增加。这是第一次通过实验直接提取捕获电荷并验证其在耐久疲劳过程中会增加。此外，我们模拟了耐久疲劳过程中捕获电荷和铁电极化切换之间的相互作用。通过实验结果和模拟数据的一致性，我们证明了随着存储窗口的减小：1) Hf 0.5 Zr 0.5 O 2 的铁电特性没有降低。2) 栅极堆栈上带隙中的陷阱密度增加。3) 存储窗口减小的原因是编程操作后捕获电子增加，而与空穴捕获/去捕获无关。我们的工作有助于研究FeFET的电荷捕获行为和相关的耐久疲劳过程。
用有限数据验证多光子量子干涉
摘要 多粒子干涉是量子信息处理的关键资源，玻色子采样就是一个典型例子。因此，鉴于其脆弱性，一个必不可少的条件是为其验证建立一个坚实可靠的框架。然而，尽管已经为此引入了几种协议，但该方法仍然支离破碎，无法为未来的发展构建一个大局。在这项工作中，我们提出了一种操作性的验证方法，该方法涵盖并加强了这些协议的最新技术。为此，我们分别将贝叶斯假设检验和统计基准视为小规模和大规模应用最有利的协议。我们在有限样本量下对它们的操作进行了数值研究，将之前的测试扩展到更大的维度，并针对两种用于经典模拟的对抗算法：平均场采样器和都市化独立采样器。为了证明对改进验证技术的实际需求，我们展示了数值模拟数据的评估如何取决于可用的样本量，以及内部超参数和其他实际相关的约束。我们的分析为验证的挑战提供了一般性的见解，并可以启发具有可衡量的量子优势的算法的设计。
评估电动汽车的储能技术
摘要。在追求可持续交通解决方案的过程中，电动汽车 (EV) 已成为一种有前途的替代方案。本研究论文深入探讨了电池管理系统 (BMS) 所发挥的关键作用，并对电动汽车的各种储能技术进行了全面的比较分析。本文首先通过说明性框图阐明了 BMS 的复杂组件和功能，强调了其在确保电池安全和最佳运行方面的重要性。然后，该研究对关键电池属性进行了细致的分析，包括能量密度、功率密度、容量、充电/放电率、生命周期和每千瓦时成本。在模拟数据的支持下，比较分析揭示了不同类型电池（锂离子 (Li-Ion)、磷酸铁锂 (LiFePO4)、镍氢 (NiMH) 和超级电容器）的独特性能特征。结果提供了对其优势和权衡的全面视角，为选择合适的储能解决方案提供了宝贵的见解。通过将复杂的技术信息转化为有意义的见解，这项研究使电动汽车行业利益相关者能够做出明智的决策，从而提高电动汽车的性能、经济可行性和可持续的电动汽车移动性。
genespider2：使用扰动的单细胞数据
抽象的单细胞数据越来越多地用于基因调节网络（GRN）推断，并且基于模拟数据开发了基准。ho w e v er，e xisting单细胞模拟器无法对基因扰动的影响进行建模。进一步的挑战在于产生经常在计算和稳定问题上挣扎的大规模GRN。我们介绍Genespider2，Genespider Mat-Lab工具X F或GRN基准测试，推理和分析SIS的更新。se v eral softw是模块的功能和出色的功能，并添加了NE W功能。一个主要的精力是在无规模的分布和模块化方面生成具有生物学上现实拓扑特性的大型GRN的能力。另一个主要补充是对单细胞数据的模拟，该数据越来越流行，作为GRN推断的输入。具体来说，我们引入了独特的功能，以基于遗传扰动生成单细胞数据。最后，将模拟的单细胞数据与来自两个细胞系的真实单细胞扰动数据进行了比较，表明合成和真实数据表现出相似的属性。
通过得分和流匹配
我们提出了无模拟分数和流匹配（[SF] 2 m），这是一种用于推断自随机动力学的无模拟Objective，给出了从任意源和目标分布中绘制的未配对样品。我们的方法一般 - 扩散模型训练中使用的得分匹配损失以及最近提出的流量匹配损耗用于训练连续归一化流量。[SF] 2 m将连续的随机构成建模为Schrödinger桥概率。它依赖于静态熵调查的最佳传输或Minibatch近似，以有效地学习SB，并使用模拟学习的随机过程。我们发现[SF] 2 m更有效，并且比先前的工作中基于仿真的方法为SB问题提供了更准确的解决方案。最后，我们将[SF] 2 m应用于快照数据学习细胞动力学的问题。值得注意的是，[SF] 2 m是在高维度中准确模拟细胞dynamics的第一种方法，并且可以从模拟数据中恢复已知的基因调节网络。我们的代码可在https://github.com/ atong01/conditional-flow-matching的TorchCFM软件包中找到。
重新审视 NASA-TLX 重量 - Doria
摘要 美国国家航空航天局任务负荷指数 (NASA-TLX) 是一种常用的评估心理工作负荷的方法。NASA-TLX 从六个负荷维度评估心理工作负荷。当假设各个维度的重要性不大致相等时，则通过对每个维度对进行成对比较来加权，然后对反映维度重要性的权重进行标准化。这种原始的 NASA-TLX 加权方法带来了一些挑战，这些挑战在分配权重时难以识别。首先，原始的 NASA-TLX 权重不允许直接将两个或多个维度表示为同等重要。其次，如果始终进行成对比较，则维度的重要性顺序只有一种。第三，在始终进行成对比较的情况下，会人为地对最重要的维度强加 0.33 的权重。为了解决这些挑战，提出了用于得出维度权重的摆动和层次分析法加权方法。从理论上介绍了在 NASA-TLX 中应用这些方法的优势，并使用虚拟空战模拟数据进行了实证证明。本文的目的是帮助学者和从业者在心理工作负荷评估中使用 NASA-TLX，从而避免讨论的加权问题。
天体物理场的生成模型，在球体上具有散射转换
散射转换是最近用于研究高度非高斯过程的新型摘要统计数据，这对于天体物理研究而言非常有前途。特别是，它们允许从有限数量的数据中构建复杂非线性字段的生成模型，并已用作新的统计组件分离算法的基础。在即将进行的宇宙学调查的背景下，例如用于宇宙微波背景极化的Litebird或Vera C. rubin天文台和欧几里德空间望远镜，用于研究宇宙的大规模结构，将这些工具扩展到球形数据。在这项工作中，我们在球体上开发了散射转换，并着重于建造几个天体物理领域的最大透镜生成模型。我们从单个目标场构建了同质天体物理和宇宙学领域的生成模型，其样品是使用共同统计量（功率谱，像素概率密度函数和Minkowski功能）定量比较的。我们的采样字段在统计和视觉上都与目标字段吻合。因此，我们得出的结论是，这些生成模型为未来的天体物理和宇宙学研究开辟了广泛的新应用，尤其是那些很少有模拟数据的新应用。
天体物理场的生成模型，在球体上具有散射转换
散射转换是最近用于研究高度非高斯过程的新型摘要统计数据，这对于天体物理研究而言非常有前途。特别是，它们允许从有限数量的数据中构建复杂非线性字段的生成模型，并已用作新的统计组件分离算法的基础。在即将进行的宇宙学调查的背景下，例如用于宇宙微波背景极化的Litebird或Vera C. rubin天文台和欧几里德空间望远镜，用于研究宇宙的大规模结构，将这些工具扩展到球形数据。在这项工作中，我们在球体上开发了散射转换，并着重于建造几个天体物理领域的最大透镜生成模型。我们从单个目标场构建了同质天体物理和宇宙学领域的遗传模型，它们的样品是使用Common Statistics（功率谱，像素概率密度函数和Minkowski功能）定量比较的。我们的采样字段在统计和视觉上都与目标字段吻合。因此，我们得出的结论是，这些生成模型为未来的天体物理和宇宙学研究开辟了广泛的新应用，尤其是那些很少有模拟数据的新应用。