XiaoMi-AI文件搜索系统
World File Search System电路参数
基于人工智能的功率转换器电路参数设计（AI-D）
摘要 --- 参数设计对于确保功率转换器的整体性能令人满意具有重要意义。通常，功率转换器的电路参数设计包括两个过程：分析和推导过程和优化过程。现有的参数设计方法包括两种类型：传统方法、计算机辅助优化（CAO）方法。在传统方法中，需要严重依赖人。即使新兴的 CAO 方法使优化过程自动化，它们仍然需要手动的分析和推导过程。为了减轻对人的依赖以实现高精度和易于实施，本文提出了一种基于人工智能的设计（AI-D）方法用于功率转换器的参数设计。在提出的 AI-D 方法中，为了实现分析和推导过程的自动化，采用仿真工具和批量归一化神经网络（BN-NN）为优化目标和设计约束构建数据驱动模型。此外，为了实现优化过程的自动化，使用遗传算法来搜索最佳设计结果。所提出的 AI-D 方法在电动汽车 48 V 至 12 V 附件负载电源系统中同步 Buck 转换器的电路参数设计中得到了验证。给出了效率最优的同步 Buck 转换器的设计案例，该转换器在体积、电压纹波和电流纹波方面均有约束。最后，通过硬件实验验证了所提出的 AI-D 方法的可行性和准确性。索引术语 - 功率转换器、参数设计、人工智能、进化算法、神经网络。
SQuADDS：用于超导量子比特设计的经过验证的设计数据库和模拟工作流程
我们提供了一个超导量子设备设计的开源数据库，可用作定制设备的起点。每个设计都可以使用开源 Qiskit Metal 包以编程方式生成，并使用有限元电磁求解器进行模拟。我们提出了一种强大的工作流程，可在设计模拟中实现高精度。数据库中的许多设计都经过实验验证，显示出模拟参数和测量参数之间的高度一致性。我们的数据库包括一个前端界面，允许用户根据所需的电路参数生成“最佳猜测”设计。该项目为寻求制造新一类设备的研究小组提供了一个特性明确的起点，以便他们改进设计，从而降低了他们的进入门槛。超导量子比特是一个领先的量子信息技术平台。可扩展量子比特制造需要精确控制最常用于预测设备行为的哈密顿参数，例如量子比特非谐性和量子比特谐振器耦合。这反过来又需要精确定位经典电路参数（电感和电容）。这些很难解决，因为通常没有好的分析公式（甚至是近似公式）来根据设计几何预测电路参数。相反，研究人员必须根据其设计的独特边界条件对麦克斯韦方程进行数值求解。电磁场的有限元模拟可以提供相当准确的预测
研究基于信号流程图模型的多芯片SIC MOSFET电路的寄生振荡
本研究提出了一种通过技术计算机辅助设计（TCAD）模拟评估振荡条件的新方法，并基于使用TCAD仿真结果计算的信号流图模型和散射参数（S-参数）。使用所提出的方法研究了短路时，碳化硅（SIC）金属氧化物 - 氧化物 - 氧化物 - 氧化物 - 氧化型晶体管效应晶体管（MOSFET）。使用该技术计算电路的振荡条件，并与TCAD瞬态模拟计算的振荡条件进行了比较。这些方法之间的栅极电阻抑制振荡。此外，该方法还应用于估计由相反连接的SIC MOSFET组成的电路的稳定性。考虑了两种振荡模式。我们证明，可以使用简单的计算来计算抑制寄生振荡所需的电路参数。
迈向连续变量量子编译器
连续变量 (CV) 量子光学系统 (QOS) 是量子计算 (QC)、量子机器学习 (QML) 和量子传感 (QS) 的一个有利平台，因为它们可以在室温下运行，具有确定性纠缠操作，并且具有变分量子算法 (VQA) 中使用的高效量子噪声缓解协议 [1,2]。VQA 评估在量子计算机上执行的参数化量子电路的成本函数 [3]，而经典计算机通过优化电路参数来最小化该成本。到目前为止，VQA 已在 CVQOS 中为变分特征值求解器实现 [4]。CV 平台特别适合 CV 幺正的变分编译任务 [5]。这种量子编译可用于优化量子门组合，以最大限度地减少量子算法所需的资源。
全旋转逻辑的能源效率挑战
作为互补的金属氧化物半导体（CMOS）技术缩放达到了限制，正在探索新的计算记忆技术，例如“全旋转逻辑”（ASL）。初步预测表明，与CMO相比，用垂直磁各向异性实施的ASL将表现出功率 - 延迟产品（PDP）和Energy-delay产品（EDP），从而支持其候选者作为CMO的替代。在对ASL的最新评估中，已经使用了不切实际的参数，从而导致过于愉快的效率。本文使用具有现实参数的微磁模拟来分析各种设备参数和电路参数之间的关系，以及对PDP和EDP的影响。此分析表明，ASL的PDP和EDP极大地低于CMO，其技术参数当前可用。为了克服与能源效率有关的这些挑战，本文还评估了修改设备参数以提高能量效率的潜力。
在线降低锂离子电池等效电路模型的复杂性参数估计技术
电动汽车中面向控制的电池管理应用程序的摘要，电池组的等效电路模型（ECM）提供可接受的建模精度和简单的数学方程式，以包括单元参数。但是，在实时应用中，电路参数通过改变电池的操作条件和状态不断变化，因此需要在线参数估计器。估计器必须使用适合实时处理的计算复杂性更新电池参数。本文为ECM的在线参数估计提供了一种新颖的在线降低复杂性（ORC）技术。与现有技术相比，所提出的技术提供的复杂性明显较小（因此估计时间），但没有损害准确性。我们使用基于信任区域优化（TRO）最小二（LS）方法作为提议技术中的更新算法，并使用Nissan Leaf（Pouch）细胞实验验证我们的结果，并借助标准车辆测试周期，即动态驾驶周期（DDC）和新的欧洲驾驶周期（NEDC）。
量子 QAP 求解器
图上的组合优化 (CO) 是一个关键但具有挑战性的研究课题。最近的量子算法为解决 CO 问题提供了新的视角，并有可能展示出量子优势。量子近似优化算法 (QAOA) 是一种众所周知的由参数量子电路构建的 CO 量子启发式算法。然而，QAOA 最初是为无约束问题设计的，电路参数和解是通过耗时的迭代联合求解的。在本文中，我们提出了一种新颖的量子神经网络 (QNN)，用于以监督的方式学习 CO 问题，以获得更好、更快的结果。我们专注于具有匹配约束和节点置换不变性的二次分配问题 (QAP)。为此，设计了一种称为 QAP-QNN 的量子神经网络来将 QAP 转换为受约束的顶点分类任务。此外，我们在 TorchQauntum 模拟器上研究了两个 QAP 任务：图匹配和旅行商问题，并通过实证证明了我们方法的有效性。
Leymann, Frank、Truger, Felix、Weder, Benjamin 和 Yussupov, Vladimir}，title = {Quokka：基于工作流执行的服务生态系统
量子计算利用量子力学现象（如叠加和纠缠），能够以更高的精度、更省时省能的方式解决各种问题。然而，量子算法依赖于多个预处理和后处理任务，这些任务通常需要在传统硬件上执行，例如数据准备、结果分析和参数优化。由于目前可用的噪声中型量子 (NISQ) 设备容易出错，当今大多数量子算法都被设计为所谓的变分量子算法 (VQA) [2]。VQA 交替在量子设备上执行参数化量子电路和通过评估执行结果的质量来经典优化量子电路参数。此外，量子设备不适合许多传统任务，例如数据持久化或可视化，这使得它们成为补充传统计算机的特殊协处理器。因此，量子应用本质上是混合的，必须从经典和量子的角度以及它们的集成的角度进行设计[4]。
量子电路的统计复杂性
在理论机器学习中，统计复杂性是衡量假设空间丰富性的概念。在这项工作中，我们将特定的统计复杂性量度（即Rademacher复杂性）应用于量子计算中的量子电路模型，并研究统计复杂性如何取决于各种量子电路参数。，我们研究了统计复杂性对量子电路的资源，深度，宽度以及输入和输出寄存器的数量的依赖性。为了研究统计复杂性如何通过电路中的资源扩展，我们基于（p，q）组规范引入了魔术的资源度量，该魔法量化了与电路相关的量子通道中的魔术量。这些依赖性在以下两个设置中进行了研究：（i）整个量子电路被视为单个量子通道，以及（ii）量子电路的每一层被视为单独的量子通道。我们获得的界限可用于根据其深度和宽度以及网络中的资源来限制量子神经网络的能力。
元变分量子特征求解器：学习参数化汉密尔顿量的能量分布以进行量子模拟
我们提出了元变分量子本征求解器 (VQE)，这是一种能够学习参数化汉密尔顿量的基态能量分布的算法。如果使用几个数据点训练元 VQE，它将提供初始电路参数化，可用于计算特定信任区域内汉密尔顿量的任何参数化的基态能量。我们使用 XXZ 自旋链、电子 H 4 汉密尔顿量和单传输量子模拟测试该算法。在所有情况下，元 VQE 都能够学习能量函数的形状，在某些情况下，与单个 VQE 优化相比，它可以提高准确性。元 VQE 算法在优化数量方面提高了参数化汉密尔顿量的效率，并为单个优化的量子电路参数提供了良好的起点。所提出的算法可以很容易地与变分算法领域的其他改进相结合，以缩短当前最先进技术与具有量子优势的应用之间的距离。