XiaoMi-AI文件搜索系统
World File Search System离散
太空级离散RF采样收发器参考设计（Rev. A）
此参考设计是一个离散的RF采样收发器，支持瞬时信号带宽高达5GHz。设计利用-sep（空间增强的塑料）等级，辐射耐受的活性设备，设计用于空间应用。接收器使用ADC12DJ5200-SEP ADC（模数转换器）。发射器使用DAC39RF10-SEP DAC（数字到Analog转换器）。数据转换器支持各种不同的JESD模式，这些模式促进了1或2个输出通道，直至X波段的下部。接收器包括TRF0208-SEP活动Balun，用于将单端输入转换为差分输出。发射器包括TRF0108-SEP活动balun，用于将差分输出转换为单端。时钟设计位于插入主要数据转换器板顶部的子板上。时钟卡包括用于生成和分发低频时钟和参考信号向合成器，数据转换器和FPGA的LMK04832-SEP。LMX2694-SEP RF合成器将10GHz样品时钟和5GHz样品时钟提供给ADC。电源设计位于插入板底部的女儿卡上，并将电源分配处理到板上的所有活动设备上。
带有量子频率处理器的高维离散傅里叶变换门
摘要：离散傅里叶变换 (DFT) 是光子量子信息的基础，但将其扩展到高维的能力在很大程度上取决于物理编码，而频率箱等新兴平台缺乏实用方法。在本文中，我们表明，d 点频率箱 DFT 可以用固定的三分量量子频率处理器 (QFP) 实现，只需在 d 每次增量增加时向电光调制信号添加一个射频谐波即可。我们在数值模拟中验证了门保真度 FW > 0.9997 和成功概率 PW > 0.965，最高 d = 10，并通过实验实现了 d = 3 的解决方案，利用并行 DFT 的测量来量化纠缠并对多个双光子频率箱状态进行层析成像。我们的结果为量子通信和网络中的高维频率箱协议提供了新的机会。
不使用算法乘法运算的信号离散频率选择数字算法
最小化可编程逻辑器件和专用处理器微电子器件上离散信号频率选择数字算法硬件和软件实现的硬件成本[1]。这些任务可以而且应该通过最少算术乘法运算的级联数字滤波方法和不执行算术乘法运算的多频带数字滤波（MDF）方法来解决[2]，[3]，[4]。最少算术乘法运算的计算级联数字滤波算法可以基于幅频特性（AFC）具有对称性的NDF、基于Walsh NDF或基于齐次和三角数字滤波器来实现[5]。没有算术乘法运算的计算MDF算法可以而且应该在低位系数的NDF基础上、在低位系数的差分数字滤波器（DDF）基础上、或在整数系数的DDF基础上实现[6]，[7]。对于采样周期为 T 的 MDF 复信号 {х(nТ)}，使用低通数字滤波器 (LDF) 的此类算法，仅需在 𝑛ൌ0,1,2…𝑁െ1 处添加和移位其第 n 个时间样本即可执行信号的 N 点离散傅里叶变换 (DFT) [8]。本研究的目的是比较分析离散信号的频率选择数字方法，以构建其无需算法乘法运算的算法，并确定在不执行算术乘法运算的情况下将此类方法用于离散信号的多级 DFT 的必要和充分条件 [9]，[10]。该研究使用了具有最少数量的算法乘法运算的级联数字滤波算法和不执行算法乘法运算的 MDF 的计算程序 [11]，[12]。此类算法的比较分析结果以及硬件和软件建模已经证明并减少了硬件
对能源储能应用的离散和统一可逆燃料电池的技术经济分析
[4] HFTO，质子交换膜电解的技术目标。https://www.energy.gov/eere/fuelcells/technical-targets-proton-exchange-membrane-electrolysross [6] Marcinkoski等人，氢氢级8级长途卡车目标（2019）。https://www.hydrogen.energy.gov/pdfs/19006_hydrogen_class8_long_haul_haul_truck_targets.pdf [7] B. James，燃油电池成本和性能分析（2022）。https://www.hydrogen.energy.gov/docs/hydrogenprogragmlibraries/pdfs/review22/review22/fc353_james_2022_o-pdf.pdf.pdf?status=master = master [8] badgett et al。NREL/TP-6A20-8762500。
从普朗克尺度离散量子引力理论恢复广义相对论
1 本文的论证也不需要因果集程序中的动态假设。因为我们的主题是恢复整个 4 维时空，所以我们可以将每个因果集视为一个整体，而不管它可能如何动态形成。但我们注意到，事实上因果集程序：(i) 对因果集具有经典动力学，具有许多优点 (Rideout and Sorkin 2000) ；以及 (ii) 至于量子动力学，支持路径积分方法，尽管尚未找到完全令人满意的动力学。本文的较长版本 (Butterfield and Dowker 2021) 讨论了 (i) 和 (ii) 的某些方面。
基于脑电图的图论网络测量对离散情绪状态进行对比分类
摘要 本研究的新发现揭示了情绪唤起与神经功能大脑连接测量之间的高度关联。为此，使用由图论分离（聚类系数、传递性、模块化）和大脑网络集成（全局效率、局部效率）测量驱动的支持向量机（SVM）对对比离散的情绪状态（快乐与悲伤、有趣与厌恶、平静与兴奋、平静与愤怒、恐惧与愤怒）进行分类。从名为 DREAMER 的公开数据库下载由短时间视频影片片段介导的情绪 EEG 数据。已经检查了皮尔逊相关性（PC）和斯皮尔曼相关性，以估计整个皮质中相对较短（6 秒）和较长（12 秒）不重叠 EEG 段之间的统计依赖关系。然后，将编码为图形的相应大脑连接根据两个不同的阈值（60% 最大值和平均值）转换为二进制数。根据变量（依赖性估计、片段长度、阈值、网络测量），使用单因素方差分析和逐步逻辑回归模型，获得对比情绪之间的统计差异。当将 PC 应用于较长的片段并按照特定阈值作为平均值时，组合整合测量可提供最高的分类准确率 (CA) (75.00% 80.65%)。分离测量也提供了有用的 CA (74.13% 80.00%)，而两种测量的组合则没有。结果表明，即使分离和整合测量都因视频观看过程中神经递质释放导致的视听刺激的唤醒分数而变化，离散的情绪状态仍以平衡的网络测量为特征。
结构化离散数据的生成模型及其在药物发现中的应用
我的论文重点关注生成模型及其在离散数据中的应用。我们提出了新颖的算法，将最先进的生成模型的见解与离散数据类型的领域特定知识相结合。这些算法旨在增强与训练数据的属性相似性，提高数据有效性，并提高生成输出的整体质量。我的论文的第一部分研究了使用上下文无关语法将几何图像转换为离散表示。我们讨论了在大型搜索空间中识别合适表示的有效且可扩展的技术。我的论文的第二部分研究了变分自动编码器 (VAE) 在恢复嵌入在低维流形中的高维数据时的行为，评估了它们恢复流形及其上的数据密度的能力。将我们对 VAE 的探索扩展到离散数据领域，特别是在分子数据生成中，我们发现一种增强 VAE 对连续数据的流形恢复的方法也显著改善了离散数据生成。我们使用 ChEMBL 数据集和两个较小的蛋白质靶标活性分子数据集研究了它的优点和局限性。最后，为了解决生成稳定三维分子的难题，该论文将不可微分化学预言机 GFN2-xTB 融入去噪过程，以改善几何形状和稳定性。该方法已在 QM9 和 GEOM 等数据集上得到验证，表明生成的分子具有更高的稳定率。
光学离散偏振与连续正交变量之间的混合纠缠
量子纠缠是实现光量子信息处理 (QIP) 不可或缺的资源 [1-7]。传统上，通过利用符合波粒二象性的光的两个不相容方面之一来实现纠缠，两类方法同时发展起来。因此，这些发展导致了信息编码的两个不同方向，即使用有限维的离散变量 (DV) 状态（如光子数、时间箱和光偏振）[1-4] 或无限维希尔伯特空间的连续变量 (CV) 状态（如场正交分量）[5-7]。在实践中，这两种编码都展示了各自的优势，但也暴露了各自的弱点。由于不太担心光子丢失，涉及单光子的 DV 协议通常享有几乎单位保真度，但依赖于概率实现和高效的单光子探测器。相比之下，CV 替代方案使用电磁场的正交分量，具有明确的状态鉴别、无条件操作和完美的同差检测效率，但由于与真空耦合，存在光子损失和固有的低状态保真度。最近，人们做出了显著的努力 [8-22]，利用这两种方法的优点来克服固有的个体局限性。在统一的混合架构中集成 DV 和 CV 技术方面取得的进展表明，我们能够分配和互连光学 DV 和 CV 量子态（或量子比特）。我们可以设想一个异构量子网络，要求在两种编码之间进行匹配的信息传输。因此，这些混合技术为实现可扩展的 QIP 和量子通信提供了新的思路。虽然将 DV 工具箱与 CV 框架相结合的努力早在二十年前就已开始用于生成非高斯状态，但它
色谱分离：准备离散且定义明确的聚合物库的多功能策略
视频：离散和定义明确的聚合物的制备是模仿自然界大分子合成所获得的显着精确性的新兴策略。尽管现代受控的聚合物技术已经解锁了横跨各种单体，分子量和体系结构的材料的聚宝盆，但“控制”一词并不与“完美”相混淆。的确，即使是最高的聚合技术，由于链生长的统计学性质，不可避免地会在不可避免地会产生u = 1.05附近产生摩尔质量分散性。这种分散性会影响研究人员寻求控制软材料设计的许多属性。因此，制定最小化或完全消除分散性并获得分子精确聚合物的策略仍然是当代的关键挑战。While significant advances have been made in the realm of iterative synthetic methods that construct oligomers with an exact molecular weight, head-to-tail connectivity, and even stereochemistry via small-molecule organic chemistry, as the word “iterative” suggests, these techniques involve manually propagating monomers one reaction at a time, often with intervening protection and deprotection steps.结果，这些策略是耗时的，难以缩放，并且仍然限于较低的分子量。该帐户的重点是一种替代策略，由于其简单性，多功能性和负担能力：色谱法。■密钥参考不熟悉合成复杂性的研究人员可能会回想起在本科化学实验室中暴露于色谱法。这种操作简单但功能非常强大的技术最常见于小分子通过其选择性（差异）吸附到装有低成本固定相（通常是二氧化硅）的色谱柱上的纯化中。由于必要的设备很容易获得，并且实际分离所需的时间很少（按1小时为单位），因此色谱法在整个行业和学术界都广泛地用于小分子化学。也可能令人惊讶的是，在聚合物科学领域，类似类型的色谱也没有更广泛的利用。在这里，我们讨论了使用色谱法控制聚合物材料的结构和特性的最新进展。重点放在基于吸附的机制的实用性上，该机制基于材料科学的可拖动（克（克）尺度的极性和组成分离聚合物，与尺寸排除相比，这是非常普遍的，但通常分析的样品（〜1 mg），并且限制为摩尔质量的样品（〜1 mg）。突出显示的关键概念包括（1）将低分子量均聚物分离为具有精确链长度的离散低聚物（a = 1.0），以及（2）将块共聚物分成高素质的高素质和广泛多样的图书馆，以进行预告材料发现。总而言之，作者希望传达色谱法提供的聚合物科学中令人兴奋的可能性，作为一种可扩展的，多功能甚至自动化的技术，可以通过不同的培训和专业知识来解锁各种研究人员的新探索途径，以供各种研究人员探索良好的材料。