XiaoMi-AI文件搜索系统
World File Search System浅沼
随机浅二维的高效经典模拟......
随机量子电路通常被认为难以进行经典模拟。在某些情况下，这已被正式推测——在深度二维电路的背景下，这是谷歌最近宣布“量子计算霸权”的基础——并且没有证据反对更普遍的可能性，即对于具有均匀随机门的电路，典型实例的近似模拟几乎与精确模拟一样困难。我们通过展示一个浅随机电路系列来证明情况并非如此，该电路系列在标准难度假设下无法有效地进行经典模拟，但可以近似模拟除超多项式一小部分电路实例之外的所有电路实例，时间与量子比特和门的数量成线性关系；这个例子限制了最近随机电路模拟的最坏情况到平均情况简化的稳健性。虽然我们的证明是基于一个人为的随机电路系列，但我们进一步推测，足够浅的恒定深度随机电路通常可以有效地模拟。为此，我们提出并分析了两种模拟算法。通过为深度为 3 的“砖砌”架构实现我们的一种算法（该架构很难进行精确模拟），我们发现一台笔记本电脑可以在 409×409 网格上模拟典型实例，变分距离误差小于 0.01，大约需要一分钟每个样本，而这项任务对于以前已知的电路模拟算法来说是难以完成的。数值证据表明该算法仍然渐近有效。我们严格的复杂性分离和猜想的关键在于观察到 2D 浅随机电路模拟可以简化为由交替进行的随机局部幺正和弱测量组成的 1D 动态形式的模拟。类似的过程最近成为一项深入研究的焦点，该研究通过数值发现，随着测量强度的变化，动力学通常会经历从高效模拟状态到低效模拟状态的相变。通过从随机量子电路到经典统计力学模型的映射，我们给出了分析证据，表明我们的算法会发生类似的计算相变，因为电路架构的参数（如局部希尔伯特空间维度和电路深度）
群体在城市浅地热能中的影响
摘要。自1980年代以来，已经开发出浅地热溶液，其原理是将热交换管附加到岩土结构的加固笼子上。这些低能解决方案结合了结构性和热作用，允许满足建筑物的加热和冷却需求，以非常低的碳成本。能量地理通常将其放置在地下水流中。一方面，这是避免任何多年热偏移的好方法，因为过量或默认值通过对流会得到缓和。这一对流产生了热羽，土壤中的热波可以与可能影响行为的下游结构相互作用。对这些互动的理解对于在城市规模上对浅层地热发展的明智管理至关重要。为了研究这些相互作用，已经在Sense City研究了一组9个能源堆，这是一个迷你城市，可以强加特定的气候，并且可以控制地下水流。使用FEM软件切塞-LCPC开发了一个数值液压 - 热耦合模型，以推断结果。实验模型和数值模型的组合为定义有关预防相互作用的指南提供了有用的结果。
MW2308_lit170608.生物多样性报告接受.pdf
本研究是大型项目“马拉维象沼的气候适应性生计和可持续自然资源管理”的一部分。该项目旨在彻底了解象沼的功能生态，包括其水文形态、生物多样性、生态系统服务、周围社区生计；并通过建模研究替代可能的管理策略的影响。这项任务还评估了根据《拉姆萨尔公约》将象沼指定为具有国际重要性的湿地的可行性。如果符合拉姆萨尔标准，则旨在生成支持指定象沼申请所需的信息，并为该地区制定包括社区管理在内的综合管理计划。
浅海岸底栖基质遥感 - MDPI
摘要：鳗草 (Zostera marina) 是潮间带和潮下带生态系统的关键组成部分。然而，人类活动的压力已导致其种群在全球范围内下降。划定和持续监测鳗草分布是了解这些压力和提供有效的沿海生态系统管理的重要组成部分。此类空间监测的一种拟议工具是远程图像，它可以经济高效地频繁覆盖大片且难以接近的区域。但是，要有效应用这项技术，需要了解鳗草及其相关基质的光谱行为。在本研究中，原位高光谱测量用于定义关键光谱变量，这些变量可在 Z. marina 和相关水下基质之间提供最大的光谱分离。对于原位水面反射数据集的鳗草分类，所选变量为：斜率 500–530 nm，一阶导数 (R') 在 566 nm、580 nm 和 602 nm，总体准确率为 98%。当原位反射数据集经过水校正时，所选变量为：566:600 和 566:710，总体准确率为 97%。使用现场光谱仪识别鳗草的深度限制平均为 5.0 至 6.0 m，范围为 3.0 至 15.0 m，具体取决于水柱的特性。涉及高光谱机载图像底栖分类的案例研究表明，变量选择的主要优势是满足统计上更复杂的最大值的样本量要求
通过浅神经网络级联的模拟RF电路尺寸
摘要 - 提出了用于模拟电路组件自动尺寸的深神经网络体系结构，重点是2至5 GHz区域的射频（RF）应用。它解决了通常少数网络培训示例的挑战和多种解决方案的存在，其中该型解决方案是集成电路实现的不切实际值。，由于一系列专用的浅神经网络（SNN），我们通过一次将学习限制到一个组件大小来解决这些问题，在该级联限制了下一个网络的预测。此外，SNN是通过遗传算法单独调整预测顺序和准确性的。在每个步骤中的解决方案空间的缩小允许使用小型训练集，以及SNNS处理组件相互依赖的限制。该方法在三种不同类型的RF微电路上成功验证：低噪声放大器（LNA），电压控制的振荡器（VCO）和混合器，使用180 nm和130 nm CMOS实现。所有预测均在成分和性能水平的真实值的5％之内，所有响应均在4至47分钟后在不到5 s的情况下获得。在常规PC站进行培训。获得的结果表明，所提出的方法快速且适用于任意模拟电路拓扑，而无需为每组新的所需电路性能重新训练开发的神经网络。
随机浅二维量子电路的有效经典模拟
量子计算的一个核心问题是确定量子计算相对于经典计算的优势来源。尽管在经典计算机上模拟量子动力学被认为在最坏情况下需要指数级的开销，但已知在几种特殊情况下存在有效的模拟。人们普遍认为，这些易于模拟的情况以及任何尚未发现的情况都可以通过随机选择量子电路来避免。我们证明了这种直觉是错误的，因为我们证明了某些恒定深度的二维随机电路系列可以在经典计算机上近似模拟，时间与量子比特和门的数量成线性关系，即使相同的系列能够进行通用量子计算，并且在最坏情况下很难精确模拟（在标准硬度假设下）。虽然我们的证明适用于特定的随机电路系列，但我们用数字证明，更一般的足够浅的恒定深度二维随机电路系列的典型实例也可以有效模拟。我们提出了两种经典模拟算法。一种是基于首先模拟空间局部区域，然后通过恢复图将它们“缝合”在一起。另一种方法是将二维模拟问题简化为模拟一种由交替进行的随机局部幺正和弱测量组成的一维动力学问题。类似的过程最近成为研究的焦点，研究发现，随着测量强度的变化，动力学通常会经历从低纠缠（且模拟效率高）状态到高纠缠（且模拟效率低）状态的相变。通过从随机量子电路到经典统计力学模型的映射，我们给出了分析证据，证明随着电路结构参数（如局部希尔伯特空间维数和电路深度）的变化，我们的两种算法都会发生类似的计算相变，此外，对应于足够浅的随机量子电路的有效一维动力学属于模拟效率范围。针对深度为 3 的“砖砌”架构（精确模拟难度较大）实施后一种算法，我们发现笔记本电脑可以在 409 × 409 网格上模拟典型实例，总变化距离误差小于 0.01，每个样本大约需要一分钟，这是之前已知的电路模拟算法无法完成的任务。数值结果支持我们的分析证据，即该算法是渐近有效的。
通过高光谱数据检索非常浅的水域水深
以及其他水体特性已使用光谱查找表 [7] 进行处理，其中前向辐射传输模型（如 Hydrolight [8]）会针对不同的水柱特性、深度和底部类型重复执行。为了全面起见，这些查找表必须很大，并且可能需要针对特定的海岸类型进行调整，因为底部类型和水特性可能会因海岸类型而有很大差异。高光谱数据的一个吸引人的特征是，除了水深测量检索之外，它还能够同时满足多种用途。光检测和测距 (LIDAR) 也被广泛用于检索水深测量数据。LIDAR 的优势在于它是一种主动传感器，可以在较深的水域提供更高的精度，但是，与典型的机载高光谱传感器相比，诸如扫描水文作业机载激光雷达调查 (SHOALS) [4] 之类的 LIDAR 系统必须在非常低的高度飞行，并且扫描范围相对较小。在非常浅的水域（深度小于 2 米）中，LIDAR 系统通常无法提供可靠的检索，无法解决底部和表面回波之间的差异。在本文中，我们专注于这种非常浅的水域，特别是从可以假设相对简单的反射模型的光谱范围中检索水深。与可见光波长的反射率相比，必须仔细考虑水柱的所有贡献，近红外波长反射率（800nm 以上）主要取决于水的吸收率和深度，以及底部反射率，水柱成分起次要作用。
最小值使用具有一维潜在变量的浅生成模型
在我们看来，可以根据其数据生成过程将普遍使用的深层生成模式分为两种方法。第一种方法涉及为函数g：r d 0→r d构建估计值ˆ g，通常称为发电机。然后，从已知的D 0尺寸分布（例如标准正常或均匀）中绘制样品z，ˆ g（z）被视为估计分布中的样品。因此，ˆ g（z）的分布（或deNSISTIS）是P 0（或p 0）的间接估计器。变化自动编码器（VAE）（Kingma和Welling，2014; Rezende等，2014），正常化流量（NF）（Dinh等，2015; Rezende and Mohamed，2015）和生成的对抗性网络（GAN）（GAN-LOW-LOW-LOW。 Al。，2017年）是重要的例子。
