XiaoMi-AI文件搜索系统
World File Search System物理的
核物理的量子计算
尽管在理解极端环境下的物质方面不断取得令人瞩目的进展，但利用现有的分析和计算技术，在实验和观察之外进行定量扩展仍然具有挑战性。众所周知，经典计算在提供量子系统动力学或密集量子系统性质的稳健结果方面存在局限性，例如参考文献 [1]。Feynman [2] 等人的开创性工作已经预见到了这些局限性，他们将量子计算确定为一条前进的道路。量子计算机现已成为现实，虽然发展迅速，多样性和能力不断增强，但目前仅限于中等大小的噪声量子比特和量子数系统，量子相干时间相对较短，即我们处于噪声中型量子 (NISQ) 时代 [3]。量子计算提供的额外能力是对纠缠和叠加的控制，我们正在学习如何将其集成到我们的计算工具箱和分析技术中。量子计算对于特定的计算机科学问题具有优势，例如参考文献 [4]。 [4]，研究人员现在正积极寻求量子优势在科学应用方面的应用。由于我们在标准模型物理中面临的挑战本质上是量子力学的，人们乐观地认为，它们可能为科学应用提供量子优势的早期证明。使用理想的量子计算机可以有效地进行实时时间演化 [5]。因此，如果能以足够的精度准备相关的初始状态，未来的量子计算机有望模拟复杂过程的时间演化，如强子化和碎裂、低能核反应、热化、相干中微子味演化和早期宇宙中的物质产生，例如参考文献 [6–8]。尽管初始状态准备在规模上通常效率不高，即使使用量子计算机，但大自然在这方面对我们通常很仁慈，出现了对称性、间隙和层次结构，因此经典和量子模拟的结合是可行的
地球物理的人工智能和机器学习...
人工智能（AI）和机器学习（ML）在地球物理学领域的迅速发展，创造了绘制和建模地球的新前景。这些数据驱动的方法是有用的辅助功能，尤其是在地球科学中基于物理的建模，仿真和反转的辅助功能。考虑到这一点，CSIR国家地球物理研究所（CSIR-NGRI）正在组织AI＆ML的高级培训计划，以进行地球物理数据分析。该培训计划旨在使来自学术界和行业的国际/国家专业人员讨论机器学习的挑战，机遇和趋势以及对地球物理应用的人工智能。培训计划的重要结果是向学术和研发学院的参与者提供动手培训。
高能物理的量子模拟
1 劳伦斯伯克利国家实验室物理部，加利福尼亚州伯克利 94720，美国 2 马里兰大学物理系，马里兰基础物理中心和 NSF 稳健量子模拟研究所，马里兰州帕克分校，美国 20742 3 威斯康星大学物理系，威斯康星州麦迪逊 53706，美国 4 洛斯阿拉莫斯国家实验室 T-2，新墨西哥州洛斯阿拉莫斯 87545，美国 5 费米国家加速器实验室，伊利诺伊州巴达维亚 60510，美国 6 芝加哥大学恩里科费米研究所，伊利诺伊州芝加哥 60637，美国 7 芝加哥大学卡夫利宇宙物理研究所，伊利诺伊州芝加哥 60637，美国 8 芝加哥大学物理系，伊利诺伊州芝加哥 60637，美国 9 伊利诺伊大学物理系、伊利诺伊州宇宙高级研究中心和伊利诺伊州量子信息科学与技术中心，厄巴纳，伊利诺伊州 61801，美国 10 QuEra Computing Inc，波士顿，马萨诸塞州 02135，美国 11 萨里大学数学系，吉尔福德，萨里 GU2 7XH，英国 12 石溪大学物理与天文系核理论中心，纽约 11794-3800，美国 13 布鲁克海文国家实验室物理系，厄普顿，纽约 11973，美国 14 彭焕武基础理论研究中心，安徽合肥 230026，中国 15 中国科学技术大学理论研究交叉学科中心，安徽合肥 230026，中国 16 芝加哥大学普利兹克分子工程学院、芝加哥量子交换中心和 Kadanoffi 理论物理中心，伊利诺伊州 60637，美国 17 qBraid Co.，哈珀考特5235，伊利诺伊州芝加哥 60615，美国 18 哈佛大学物理系，马萨诸塞州剑桥 02138，美国 19 爱荷华大学物理与天文系，爱荷华州爱荷华市 52242，美国 20 杜克大学杜克量子中心，北卡罗来纳州达勒姆 27701，美国 21 杜克大学电气与计算机工程系，北卡罗来纳州达勒姆 27708，美国 22 杜克大学物理系，北卡罗来纳州达勒姆 27708，美国 23 IonQ，Inc.，马里兰州学院公园 20740，美国 24 莱斯大学物理与天文系，德克萨斯州休斯顿 77005，美国 25 加州理工学院量子信息与物质研究所，加利福尼亚州帕萨迪纳 91125，美国 26 密歇根大学物理系，密歇根州安娜堡 48109，美国 27 理论日本理化学研究所先进研究中心量子物理实验室，日本埼玉县和光市 351-0198 28 日本理化学研究所跨学科理论与数学科学项目 (iTHEMS)，日本埼玉县和光市 351-0198 29 特伦托大学物理系，via Sommarive 14, Povo, Trento I–38123，意大利
高能物理的量子计算
1 欧洲核子研究中心 (CERN)，CH-1211 日内瓦，瑞士 2 CQTA，德国电子同步加速器 DESY，Platanenallee 6，15738 Zeuthen，德国 3 塞浦路斯研究所基于计算的科学技术研究中心，20，Constantinou Kavafi str.，2121 尼科西亚，塞浦路斯 4 IBM Quantum，IBM Research – 苏黎世，8803 R¨uschlikon，瑞士 5 塞浦路斯大学物理系，PO Box 20537，1678 尼科西亚，塞浦路斯 6 IBM Quantum，IBM Research - 1101 Kitchawan Rd，Yorktown Heights，NY，美国 7 LBNL 物理部门 - M/S 50A5104 1 Cyclotroner Rd Berkeley，CA，美国 8 德国电子同步加速器 DESY，Notkestrasse 85, 22607 汉堡，德国 9 亚琛工业大学，Templergraben 55, 52062 亚琛，德国 10 TIF 实验室，Dipartimento di Fisica，米兰大学和 INFN Sezione di Milano，意大利米兰 11 柏林洪堡大学物理学研究所，牛顿海峡15，12489 柏林，德国 12 ⟨ aQa L ⟩ 应用量子算法，莱顿，荷兰 13 橡树岭国家实验室物理分部，橡树岭，田纳西州，37831，美国 14 奥维耶多大学科学学院计算机科学系，33007，阿斯图里亚斯，西班牙 15 莱布尼茨汉诺威大学理论物理研究所，30167 汉诺威，德国 16 德国联邦物理技术研究院，38116 不伦瑞克，德国 17 跨学科研究领域“物质构建模块和基本相互作用”（TRA Matter）和亥姆霍兹辐射与核物理研究所（HISKP），波恩大学，Nußallee 14-16，53115 波恩，德国 18 大学理论物理研究所因斯布鲁克大学，6020 因斯布鲁克，奥地利 19 奥地利科学院量子光学与量子信息研究所，6020 因斯布鲁克，奥地利 20 德国慕尼黑大学物理系和阿诺德索末菲理论物理中心 21 德国慕尼黑量子科学与技术中心 22 洛桑联邦理工学院（EPFL）物理研究所，CH-1015 洛桑，瑞士 23 巴黎萨克雷大学，CNRS/IN2P3，IJCLab，91405 奥赛，法国 24 约克大学物理与天文系，加拿大安大略省多伦多，M3J 1P3 25 帕多瓦大学物理与天文系，V. Marzolo 8, I-35131 帕多瓦，意大利 26 INFN - Sezione di Padova，Via Marzolo 8，35131 帕多瓦，意大利 27 Nikhef – 国家亚原子物理研究所，科学园 105，1098 XG 阿姆斯特丹，荷兰 28 马斯特里赫特大学引力波与基础物理系，6200 MD 马斯特里赫特，荷兰 29 东京大学国际基本粒子物理中心 (ICEPP)，7-3-1 本乡，文京区，东京 113-0033，日本 30 IBM Quantum，IBM 德国研究与开发有限公司 - Schoenaicher Str. 220，71032 Boeblingen，德国 31 巴斯克地区大学 UPV/EHU 物理化学系，Box 644，48080 毕尔巴鄂，西班牙 32 多诺斯蒂亚国际物理中心，20018 多诺斯蒂亚-圣塞瓦斯蒂安，西班牙 33 EHU 量子中心，巴斯克大学 UPV/EHU，PO Box 644，48080 毕尔巴鄂，西班牙 34 IKERBASQUE，巴斯克科学基金会，Plaza Euskadi 5，48009 毕尔巴鄂，西班牙 35 特伦托大学物理系，via Sommarive 14, I–38123, Povo, 特伦托，意大利 36 INFN-TIFPA 特伦托基础物理和应用研究所，via Sommarive 14, I–38123，特伦托，意大利 37 Instituto Superior T´ecnico，Dep. F´ısica，葡萄牙里斯本 38 先进材料物理与工程中心 (CeFEMA)，Instituto Superior T´enico，葡萄牙里斯本， 39 材料与新兴技术物理实验室 (LaPMET)，葡萄牙 40 费米国家加速器实验室，Kirk and, Pine St, Batavia, IL 60510, USA 41 Instituut-Lorentz, Universiteit莱顿, PO Box 9506, 2300 RA Leiden, 荷兰
一种基于计算物理的预测方法...
血脑屏障 (BBB) 在阻止有害的内源性和外源性物质进入大脑方面起着关键作用。小分子中枢神经系统药物的最佳大脑渗透性以较高的未结合脑/血浆比 (Kp,uu) 为特征。尽管据报道各种药物化学策略和计算机模型可改善 BBB 渗透性，但没有一种能够直接预测 Kp,uu。我们描述了一种基于物理的计算方法，即溶剂化自由能计算（溶剂化能或 E-sol），以预测 Kp,uu。该方法在内部中枢神经系统药物发现计划中的前瞻性应用凸显了这种新方法的实用性和准确性，该方法显示线性回归模型的分类准确率为 79%，R 2 为 0.61。
对撞机物理的量子可观测量
1. Alice 和 Bob 分别测量 sa [ α ] 和 sb [ β ]。重复测量多次并计算 < sa .sb >。 2. 对 a 和 b' 重复 (1)。 3. 对 a' 和 b 重复 (1)。 4. 对 a' 和 b' 重复 (1)。