XiaoMi-AI文件搜索系统
World File Search System步长
基于氧化锌薄膜晶体管的多模态皮层脑电图有源电极阵列
图 2. ZnO-TFTs 阵列的电气、机械和光学特性。 (A) VD = 5V 时具有不同 W/L 比的 TFT 的传输曲线。 (B) W/L = 80/5 的 TFT 的输出特性，显示漏极电流 (ID) 与 VD 的关系，VG 从 -1 V 变化至 5 V（步长 = 1 V）。 (C) 一个阵列的十二个 ZnO-TFTs 电极的传输特性。红线为平均值。 (D) 来自同一阵列的十二个 ZnO-TFTs 电极的跨导。蓝线为平均值。 (E) ZnO-TFTs 电极在弯曲半径为 15 cm 的情况下经过 10 次弯曲循环后仍保持稳定的电气特性。 (F) ZnO-TFTs 阵列的透射光谱。插图是 3 × 4 ZnO-TFTs 阵列的光学图像，显示了其高透明度。白色框架标记电极阵列。比例尺：2 毫米。
朗伊尔城的热能储存机会
在本研究中，我们使用线性优化模型来解决容量扩展问题。该模型使用 PyPSA 框架 [8] 实现，并遵循既定的命名约定，我们将模型称为 PyPSA-Longyearbyen。其源代码在 https://gitlab.com/koenvg/pypsa-longyearbyen 上公开提供。我们参考源代码和随附文档以获得完整而准确的模型描述。以下是描述容量扩展问题的线性程序的简化描述。在这里，我们考虑𝑁 生成器（索引𝑖）、𝑀 存储单元（索引𝑗）和𝑇 时间步长（索引𝑡），但为简洁起见，省略了供热部门和一些细节。目标函数是总投资成本。特别注意，第一和第二个约束分别确保需求𝑑𝑡得到满足，并且存储单元的充电状态从一个时间步骤更新到下一个时间步骤。
Floquet Quantum East模型中的本地动力学
我们介绍并研究了量子东模型的离散时间版本，量子East模型是一种相互作用的量子自旋链，灵感来自经典玻璃的简单动力学模型。先前的工作已经确定，其连续的时间对应物显示出无序的定位转变，该转变信号，该转变由指数较大的非热，局部特征状态的属于指数型的（在体积）家族中出现。在这里，我们结合了分析和数值方法，以表明（i）过渡持续存在离散时间，实际上，它对于时间步长的任何有限值都存在，与零度量集合相距甚远； （ii）通过遵循完全极化状态的非平衡动力学直接检测到它。我们的发现表明，该过渡目前可以在数字量子模拟的最新平台中观察到。
在分布式量子计算机上模拟时间演化
我们研究了 Trotter-Suzuki 分解的变体，其中哈密顿指数由两个量子比特算子指数的有序乘积近似，使得 Trotter 步长在少数项中得到增强。这种分解直接反映了分布式量子计算机的硬件约束，其中单片量子设备上的操作与使用互连在不同节点之间进行纠缠分布相比更快。我们模拟了横向场 Ising 和 XY 自旋链模型的非平衡动力学，并研究了与量子互连越来越稀疏的使用相关的局部增加的 Trotter 步长的影响。我们发现近似的整体质量平稳地取决于局部稀疏性，并且局部误差的扩散很慢。因此，我们表明，即使在使用互连成本高昂的分布式量子计算机上，也可以利用单片设备上的快速局部操作来获得整体改进的结果保真度。
基于微束辐照的28nm工艺静态随机存取存储器单粒子翻转研究
摘要：静态随机存取存储器(SRAM)器件作为重要的星载电子设备,在其执行空间任务过程中不可避免地受到空间高能粒子辐照的影响。为揭示高能粒子对28nm工艺SRAM造成单粒子效应(SEE)的机理,基于针孔重离子微束装置,对单粒子翻转(SEU)敏感区定位和多单元翻转(MCU)分布特性进行了研究。结果表明:微束辐照引起的SEU实际范围为4.8μm×7.8μm。通过小步长(每步1μm)移动设备台,建立了SEU敏感区的一维定位方法,可以降低定位精度对束斑尺寸的依赖,定位精度可提高到1μm。 MCU测试表明，翻转模式与相邻SRAM单元内敏感区域的间距密切相关，并且通过阱接触和位交错可以降低MCU的概率。
使用Chebyshev插值提高了Trotter模拟的精度
量子计量学允许在最佳的海森堡极限下测量量子系统的性能。但是，当使用数字汉密尔顿模拟制备相关的量子状态时，应计算的错误错误将导致与此基本限制的偏差。在这项工作中，我们展示了如何通过使用标准多项式插值技术来减轻由于时间演化而引起的算法错误。我们的方法是推断到零小猪的步长大小，类似于用于减轻硬件错误的零噪声外推技术。我们对插值方法进行了严格的误差分析，用于估计特征值和随时间推动的期望值，并证明在误差中达到了heisenberg的限制，以达到多种类因素。我们的工作表明，仅使用Trotter和经典资源来实现许多相关算法任务，可以实现接近最先进模拟的精度。
一种用于参数化电路时间演化的高效量子算法
我们引入了一种新颖的混合算法，使用参数化量子电路模拟量子系统的实时演化。该方法名为“投影变分量子动力学”（p-VQD），实现了将精确时间演化迭代、全局投影到参数化流形上。在小时间步长极限下，这相当于 McLachlan 的变分原理。我们的方法之所以有效，是因为它表现出与变分参数总数的最佳线性缩放。此外，它是全局的，因为它使用变分原理一次优化所有参数。我们方法的全局性大大扩展了现有高效变分方法的范围，而这些方法通常依赖于对变分参数的受限子集进行迭代优化。通过数值实验，我们还表明，我们的方法比现有的基于时间相关变分原理的全局优化算法特别有利，由于参数数的二次缩放要求高，不适合大型参数化量子电路。
基于高斯的定向粒子群优化
粒子群优化 (PSO) 是一种迭代搜索方法，它使用随机步长将一组候选解决方案围绕搜索空间移动到已知的最佳全局和局部解决方案。在实际应用中，PSO 通常可以加速优化，因为梯度不可用且函数评估成本高昂。然而，传统的 PSO 算法忽略了从单个粒子的观察中可以获得的目标函数的潜在知识。因此，我们借鉴了贝叶斯优化的概念，并引入了目标函数的随机代理模型。也就是说，我们根据目标函数的过去评估拟合高斯过程，预测其形状，然后根据它调整粒子运动。我们的计算实验表明，PSO 的基线实现（即 SPSO2011）表现优异。此外，与最先进的代理辅助进化算法相比，我们在几个流行的基准函数上实现了显着的性能改进。总体而言，我们发现我们的算法实现了探索性和利用行为的理想特性。
电流导向DAC的比较研究...
主要表现在速度和功耗上。非线性误差 - 积分非线性 (INL) 和差分非线性 (DNL) 是 DAC 的重要指标之一，对医疗领域专用 DAC 的性能影响巨大。INL 和 DNL 的数量取决于架构类型，例如二进制加权、一元加权或分段 DAC。开关类型对 INL 和 DNL 也有很大影响。本文介绍了使用各种开关（如 NMOS、PMOS、传输门和差分开关）的分段 DAC 的设计和实现。与二进制加权 DAC 相比，分段概念在减少毛刺方面具有优势。进行比较后发现，使用差分开关的 DAC 的结果在输出步长均匀方面具有优势。最终产生了更好的 INL 和 DNL。为了模拟设计，使用了采用 180 nm MOS 技术的 cadence virtuoso 工具。
迈向数学理论，用于在不同的模型中进行一致性训练
一致性模型，该模型是为了减轻不同使用模型的采样阶段来减轻高计算开销的，在达到最先进的经验性能的同时，促进了单步抽样。集成到训练阶段时，一致性模型试图训练一系列一致性函数，能够在扩大过程的任何时间步长将任何点映射到其起点。尽管取得了经验成功，但对一致性培训的全面理论理解仍然难以捉摸。本文朝着建立一致性模型的理论基础迈出了第一步。我们证明，为了在分布中生成ε接近性的样品（通过某些Wasserstein Metric测量），它可以使用一致性学习的步骤数，以超过D 5 {2 {ε的顺序，并带有D数据维度。我们的理论对一致性模型的有效性和效率进行了严格的见解，从而阐明了它们在下游推理任务中的效用。